a16z Podcast
Summary & Insights
Could the current AI boom be the “next age of atoms,” where the digital revolution triggers a massive, physical industrial rebirth? While many fear a financial bubble, the data suggests a different story: market gains are being driven by actual earnings rather than inflated multiples. We are witnessing an investment cycle that has already surpassed the historical scale of the railroads as a percentage of GDP, with hyperscalers on track to spend over $1 trillion annually on infrastructure by 2027.
This explosion in capital is flowing far beyond software and chips. It is fueling a global infrastructure need estimated at $90 trillion through 2040, encompassing power grids, water cooling, and massive manufacturing facilities. Interestingly, this “industrial boom” may actually benefit the average citizen; for instance, evidence suggests that increasing data center capacity can actually lower residential electricity rates by spreading the fixed costs of the power grid across a larger, more stable customer base.
Despite the hype, the actual integration of AI into the enterprise is surprisingly nascent. While nearly 70% of S&P 500 companies have live deployments, only 2% have a metric tracked over time to prove quantifiable impact. The real opportunity now lies in the “application layer”—bridging the gap between what a model can do in a vacuum and how it can solve a specific, secure business workflow. As the cost of “tokens” plummets and “agents” move from simple queries to long-running autonomous tasks, the potential for productivity gains is shifting from simple cost-cutting to unbounded revenue growth.
Surprising Insights
- The Anti-Bubble: Unlike the dot-com crash, current market highs are supported by fundamental earnings; trading multiples for many top tech companies have actually decreased by about 20% while stock prices rose.
- The Power Grid Paradox: Contrary to the belief that data centers drain resources and raise costs, they can act as “anchor tenants” for the electrical grid, potentially lowering residential power bills.
- The 1% Power Users: AI adoption is extremely top-heavy; the top 1% of AI users spend roughly eight times more on vendors than the top 10%, and up to 20 times more than the median user.
- Private Giants: The top six private AI and tech companies (including OpenAI, Anthropic, and Stripe) have a combined valuation of $2.4 trillion—more than the combined market cap of almost every IPO from the last decade.
Practical Takeaways
- Focus on the Application Layer: For entrepreneurs and businesses, the biggest opportunity isn’t building a better model, but harnessing existing models to build reliable, secure services that connect to proprietary company data.
- Prioritize Revenue over Efficiency: When investing in AI, focus on tools that drive new revenue growth rather than just optimizing internal cost structures; the upside for growth is unbounded, whereas cost savings have a ceiling.
- Leverage Smart Routing: To manage costs and latency, avoid using the most expensive “frontier” model for every task. Implement “smart routing” to send simple tasks to smaller, fine-tuned models and complex tasks to larger ones.
- Prepare for the “Agentic” Shift: Move beyond thinking of AI as a chatbot (queries) and start designing workflows for “agents” that can handle long-running, multi-step tasks autonomously in the background.
🛍️ Products & Resources Mentioned
- ⚡ DeviceGPU (Graphics Processing Unit) — Discussed as the critical hardware component driving the AI buildout and data center CapEx.View on Amazon →
- ⚡ DeviceTPU (Tensor Processing Unit) — Mentioned in the context of Amazon’s earnings call regarding the long useful economic life of AI chips.View on Amazon →
- 🛠️ GearCursor — Mentioned as an AI-native tool that enterprises are procuring to improve engineering workflows.View on Amazon →
- 🛠️ GearCognition — Referenced as a tool being adopted by forward-leaning companies to automate software engineering tasks.View on Amazon →
Liệu sự bùng nổ AI hiện nay có phải là “kỷ nguyên nguyên tử tiếp theo”, nơi cuộc cách mạng kỹ thuật số kích hoạt một sự hồi sinh công nghiệp vật lý quy mô lớn? Trong khi nhiều người lo ngại về một bong bóng tài chính, dữ liệu lại cho thấy một câu chuyện khác: mức tăng trưởng của thị trường đang được thúc đẩy bởi lợi nhuận thực tế thay vì các chỉ số định giá bị thổi phồng. Chúng ta đang chứng kiến một chu kỳ đầu tư đã vượt qua quy mô lịch sử của ngành đường sắt tính theo tỷ lệ phần trăm GDP, với các nhà cung cấp dịch vụ đám mây quy mô lớn (hyperscalers) đang trên lộ trình chi hơn 1 nghìn tỷ USD mỗi năm cho cơ sở hạ tầng vào năm 2027.
Sự bùng nổ vốn này không chỉ đổ vào phần mềm và chip. Nó đang thúc đẩy nhu cầu cơ sở hạ tầng toàn cầu ước tính lên tới 90 nghìn tỷ USD cho đến năm 2040, bao gồm lưới điện, hệ thống làm mát bằng nước và các cơ sở sản xuất khổng lồ. Điều thú vị là “cú hích công nghiệp” này thực chất có thể mang lại lợi ích cho người dân bình thường; ví dụ, các bằng chứng cho thấy việc tăng công suất trung tâm dữ liệu có thể làm giảm giá điện sinh hoạt bằng cách phân bổ chi phí cố định của lưới điện cho một cơ sở khách hàng lớn hơn và ổn định hơn.
Bất chấp những lời tung hô, việc tích hợp AI thực tế vào doanh nghiệp vẫn còn ở giai đoạn sơ khai một cách đáng ngạc nhiên. Trong khi gần 70% các công ty trong S&P 500 đã triển khai thực tế, chỉ có 2% có một chỉ số được theo dõi theo thời gian để chứng minh tác động có thể định lượng được. Cơ hội thực sự hiện nay nằm ở “lớp ứng dụng” (application layer)—lấp đầy khoảng cách giữa những gì một mô hình có thể làm trong môi trường lý tưởng và cách nó giải quyết một quy trình kinh doanh cụ thể và bảo mật. Khi chi phí “token” giảm mạnh và các “tác nhân” (agents) chuyển từ những truy vấn đơn giản sang các tác vụ tự chủ vận hành dài hạn, tiềm năng tăng năng suất đang chuyển dịch từ việc cắt giảm chi phí đơn thuần sang tăng trưởng doanh thu không giới hạn.
Những hiểu biết bất ngờ
- Ngược với bong bóng: Không giống như cú sập dot-com, mức đỉnh thị trường hiện tại được hỗ trợ bởi lợi nhuận cơ bản; hệ số giao dịch của nhiều công ty công nghệ hàng đầu thực tế đã giảm khoảng 20% trong khi giá cổ phiếu tăng.
- Nghịch lý lưới điện: Trái với niềm tin rằng các trung tâm dữ liệu gây cạn kiệt nguồn lực và làm tăng chi phí, chúng có thể đóng vai trò là “khách thuê mỏ neo” cho lưới điện, từ đó có khả năng làm giảm hóa đơn tiền điện của hộ gia đình.
- 1% người dùng quyền lực: Việc áp dụng AI có sự phân hóa cực kỳ lớn; nhóm 1% người dùng AI hàng đầu chi nhiều hơn khoảng 8 lần cho các nhà cung cấp so với nhóm 10% hàng đầu, và nhiều hơn tới 20 lần so với người dùng trung bình.
- Những gã khổng lồ tư nhân: Sáu công ty công nghệ và AI tư nhân hàng đầu (bao gồm OpenAI, Anthropic và Stripe) có tổng định giá là 2,4 nghìn tỷ USD—nhiều hơn tổng vốn hóa thị trường của hầu hết mọi thương vụ IPO trong thập kỷ qua.
Bài học thực tiễn
- Tập trung vào lớp ứng dụng: Đối với các doanh nhân và doanh nghiệp, cơ hội lớn nhất không phải là xây dựng một mô hình tốt hơn, mà là tận dụng các mô hình hiện có để xây dựng các dịch vụ đáng tin cậy, bảo mật và kết nối với dữ liệu độc quyền của công ty.
- Ưu tiên doanh thu hơn hiệu quả: Khi đầu tư vào AI, hãy tập trung vào các công cụ thúc đẩy tăng trưởng doanh thu mới thay vì chỉ tối ưu hóa cấu trúc chi phí nội bộ; tiềm năng tăng trưởng là không giới hạn, trong khi việc tiết kiệm chi phí luôn có một mức trần.
- Tận dụng định tuyến thông minh (Smart Routing): Để quản lý chi phí và độ trễ, hãy tránh sử dụng các mô hình “tiên phong” (frontier model) đắt đỏ nhất cho mọi tác vụ. Hãy triển khai “định tuyến thông minh” để gửi các tác vụ đơn giản đến các mô hình nhỏ hơn đã được tinh chỉnh và các tác vụ phức tạp đến các mô hình lớn hơn.
- Chuẩn bị cho sự chuyển dịch sang “tác nhân” (Agentic Shift): Hãy ngừng coi AI chỉ là một chatbot (truy vấn) và bắt đầu thiết kế các quy trình làm việc cho các “tác nhân” có thể xử lý các tác vụ đa bước, vận hành dài hạn một cách tự chủ trong nền.
目前的 AI 熱潮會不會是「下一個原子時代」？也就是數位革命觸發了一場大規模的實體工業重生？雖然許多人擔心這是一個金融泡沫，但數據卻揭示了不同的故事：市場的增長是由實際收益推動的，而非虛高的估值倍數。我們正見證一個投資週期，其佔 GDP 的比例已超過了歷史上鐵路時代的規模，而超大規模雲端業者（hyperscalers）預計到 2027 年，每年在基礎設施上的支出將超過 1 兆美元。
這場資本爆發的流向早已超出軟體和晶片。它正推動著到 2040 年預計高達 90 兆美元的全球基礎設施需求，涵蓋電網、水冷系統以及巨大的製造設施。有趣的是，這次「工業繁榮」實際上可能會使普通公民受益；例如，有證據顯示，增加數據中心的容量可以透過將電網的固定成本分攤到更大且更穩定的客戶群中，從而降低住宅電費。
儘管炒作不斷，但 AI 在企業中的實際整合程度卻出人意料地處於起步階段。雖然近 70% 的標普 500 強公司已有實際部署，但僅有 2% 的公司擁有可隨時間追蹤的指標來證明其量化影響。目前的真正機會在於「應用層」——即填補模型在真空狀態下的能力與其解決特定且安全的業務工作流之間的鴻溝。隨著「Token」成本驟降，以及「智能體（Agents）」從簡單的查詢轉向長時間運行的自主任務，生產力提升的潛力正從單純的成本削減轉向無限的營收增長。
驚人之見
- 反泡沫現象： 與網路泡沫崩潰不同，目前的市場高點是由基本面收益支持的；許多頂尖科技公司的交易倍數在股價上漲的同時，實際上反而下降了約 20%。
- 電網悖論： 相反於數據中心會耗盡資源並推高成本的觀念，它們可以作為電網的「錨定租戶（anchor tenants）」，潛在降低住宅電費。
- 1% 的超級用戶： AI 的採納呈現極端頂端分佈；頂端 1% 的 AI 用戶在供應商上的支出約為頂端 10% 用戶的 8 倍，比中位數用戶高出多達 20 倍。
- 私人巨頭： 前六大私有 AI 與科技公司（包括 OpenAI、Anthropic 和 Stripe）的合計估值達 2.4 兆美元——超過了過去十年幾乎所有 IPO 公司市值的總和。
實踐要點
- 專注於應用層： 對於創業家和企業而言，最大的機會不在於構建更好的模型，而是在於利用現有模型構建可靠、安全的服務，並將其與公司專有的數據相連接。
- 營收優先於效率： 在投資 AI 時，應專注於能驅動新營收增長的工具，而非僅僅優化內部成本結構；增長的潛力是無限的，而成本節約則有上限。
- 利用智能路由： 為管理成本和延遲，避免在每個任務中都使用最昂貴的「前沿（frontier）」模型。實施「智能路由（smart routing）」，將簡單任務發送至較小的微調模型，而將複雜任務發送至大型模型。
- 準備迎接「智能體」轉型： 不要再將 AI 僅視為聊天機器人（查詢），而應開始為「智能體」設計工作流，使其能在後台自主處理長時間、多步驟的任務。
Le boom actuel de l’IA pourrait-il être le « prochain âge des atomes », où la révolution numérique déclencherait une renaissance industrielle physique massive ? Alors que beaucoup redoutent une bulle financière, les données suggèrent une tout autre réalité : les gains du marché sont portés par des bénéfices réels plutôt que par des multiples gonflés. Nous assistons à un cycle d’investissement qui a déjà dépassé l’échelle historique des chemins de fer en pourcentage du PIB, les hyperscalers étant en passe de dépenser plus de 1 000 milliards de dollars par an en infrastructures d’ici 2027.
Cette explosion de capitaux s’étend bien au-delà des logiciels et des puces. Elle alimente un besoin mondial en infrastructures estimé à 90 000 milliards de dollars d’ici 2040, englobant les réseaux électriques, le refroidissement par eau et d’immenses installations de fabrication. Curieusement, ce « boom industriel » pourrait en réalité profiter au citoyen moyen ; par exemple, certains indices suggèrent que l’augmentation de la capacité des centres de données peut réduire les tarifs d’électricité résidentiels en répartissant les coûts fixes du réseau électrique sur une base de clients plus large et plus stable.
Malgré le battage médiatique, l’intégration réelle de l’IA dans l’entreprise est étonnamment embryonnaire. Alors que près de 70 % des entreprises du S&P 500 ont des déploiements actifs, seulement 2 % disposent d’un indicateur suivi dans le temps pour prouver un impact quantifiable. La véritable opportunité réside désormais dans la « couche d’application » : combler le fossé entre ce qu’un modèle peut faire dans l’absolu et la manière dont il peut résoudre un flux de travail commercial spécifique et sécurisé. À mesure que le coût des « tokens » s’effondre et que les « agents » passent de simples requêtes à des tâches autonomes de longue durée, le potentiel de gains de productivité glisse de la simple réduction des coûts vers une croissance des revenus illimitée.
Perspectives surprenantes
- L’anti-bulle : Contrairement au krach dot-com, les sommets actuels du marché sont soutenus par des bénéfices fondamentaux ; les multiples de négociation de nombreuses grandes entreprises technologiques ont en fait diminué d’environ 20 % alors que le cours des actions augmentait.
- Le paradoxe du réseau électrique : Contrairement à la croyance selon laquelle les centres de données épuisent les ressources et augmentent les coûts, ils peuvent agir comme des « locataires pivots » pour le réseau électrique, réduisant potentiellement les factures d’électricité des particuliers.
- Le pouvoir des 1 % d’utilisateurs : L’adoption de l’IA est extrêmement concentrée ; le top 1 % des utilisateurs d’IA dépense environ huit fois plus chez les fournisseurs que le top 10 %, et jusqu’à 20 fois plus que l’utilisateur médian.
- Les géants privés : Les six principales entreprises privées d’IA et de technologie (dont OpenAI, Anthropic et Stripe) ont une valorisation combinée de 2 400 milliards de dollars — soit plus que la capitalisation boursière cumulée de presque toutes les introductions en bourse (IPO) de la dernière décennie.
enseignements pratiques
- Se concentrer sur la couche d’application : Pour les entrepreneurs et les entreprises, la plus grande opportunité n’est pas de construire un meilleur modèle, mais d’exploiter les modèles existants pour créer des services fiables et sécurisés connectés aux données propriétaires de l’entreprise.
- Prioriser le revenu sur l’efficacité : Lors d’investissements dans l’IA, privilégiez les outils qui génèrent une nouvelle croissance des revenus plutôt que ceux qui optimisent simplement les structures de coûts internes ; le potentiel de croissance est illimité, tandis que les économies de coûts ont un plafond.
- Miser sur le routage intelligent : Pour gérer les coûts et la latence, évitez d’utiliser le modèle de « pointe » le plus coûteux pour chaque tâche. Implémentez un « routage intelligent » pour envoyer les tâches simples vers des modèles plus petits et optimisés, et les tâches complexes vers des modèles plus vastes.
- Se préparer au passage vers « l’agentique » : Cessez de considérer l’IA comme un simple chatbot (requêtes) et commencez à concevoir des flux de travail pour des « agents » capables de gérer des tâches autonomes multi-étapes et de longue durée en arrière-plan.
Könnte der aktuelle KI-Boom das „nächste Zeitalter der Atome“ sein, in dem die digitale Revolution eine massive, physische industrielle Wiedergeburt auslöst? Während viele eine Finanzblase befürchten, zeichnen die Daten ein anderes Bild: Die Marktgewinne werden durch tatsächliche Erträge und nicht durch aufgeblähte Multiplikatoren vorangetrieben. Wir erleben einen Investitionszyklus, der im Verhältnis zum BIP bereits das historische Ausmaß des Eisenbahnausbaus übertroffen hat, wobei Hyperscaler auf dem Weg sind, bis 2027 jährlich über 1 Billion US-Dollar in die Infrastruktur zu investieren.
Diese Kapitalexplosion fließt weit über Software und Chips hinaus. Sie befeuert einen globalen Infrastrukturbedarf, der bis 2040 auf 90 Billionen US-Dollar geschätzt wird und Stromnetze, Wasserkühlung sowie riesige Produktionsanlagen umfasst. Interessanterweise könnte dieser „Industrie-Boom“ tatsächlich dem Durchschnittsbürger zugutekommen; so deutet einiges darauf hin, dass die steigende Kapazität von Rechenzentren die Strompreise für Privathaushalte senken kann, indem die Fixkosten des Stromnetzes auf einen größeren, stabileren Kundenstamm verteilt werden.
Trotz des Hypes ist die tatsächliche Integration von KI in Unternehmen überraschend gering. Während fast 70 % der S&P-500-Unternehmen aktive Implementierungen haben, verfügen nur 2 % über eine über die Zeit verfolgte Kennzahl, die eine quantifizierbare Wirkung belegt. Die eigentliche Chance liegt nun in der „Application Layer“ (Anwendungsschicht) – der Überbrückung der Lücke zwischen dem, was ein Modell im luftleeren Raum leisten kann, und der Art und Weise, wie es einen spezifischen, sicheren Geschäftsablauf lösen kann. Da die Kosten für „Tokens“ rapide sinken und „Agents“ von einfachen Abfragen zu langfristigen, autonomen Aufgaben übergehen, verschiebt sich das Potenzial für Produktivitätssteigerungen von einfacher Kostensenkung hin zu unbegrenztem Umsatzwachstum.
Überraschende Erkenntnisse
- Die Anti-Blase: Im Gegensatz zum Dotcom-Crash werden die aktuellen Marktmaxima durch fundamentale Erträge gestützt; die Handelsmultiplikatoren vieler führender Technologieunternehmen sind tatsächlich um etwa 20 % gesunken, während die Aktienkurse stiegen.
- Das Paradoxon des Stromnetzes: Entgegen der Annahme, dass Rechenzentren Ressourcen verschlingen und die Kosten erhöhen, können sie als „Anker-Mieter“ für das Stromnetz fungieren und potenziell die Stromrechnungen für Privathaushalte senken.
- Die 1 % Power-User: Die KI-Adoption ist extrem kopflastig; die obersten 1 % der KI-Nutzer geben etwa achtmal mehr für Anbieter aus als die Top 10 % und bis zu 20-mal mehr als der Mediannutzer.
- Private Giganten: Die sechs größten privaten KI- und Technologieunternehmen (darunter OpenAI, Anthropic und Stripe) haben eine kombinierte Bewertung von 2,4 Billionen US-Dollar – mehr als die kombinierte Marktkapitalisierung fast jedes Börsengängers des letzten Jahrzehnts.
Praktische Schlussfolgerungen
- Fokus auf die Anwendungsschicht: Für Unternehmer und Unternehmen liegt die größte Chance nicht darin, ein besseres Modell zu bauen, sondern bestehende Modelle zu nutzen, um zuverlässige, sichere Dienste zu entwickeln, die an unternehmenseigene Daten angebunden sind.
- Umsatz vor Effizienz priorisieren: Konzentrieren Sie sich bei KI-Investitionen auf Tools, die neues Umsatzwachstum generieren, anstatt nur interne Kostenstrukturen zu optimieren; das Upside für Wachstum ist unbegrenzt, während Kosteneinsparungen eine Obergrenze haben.
- Smart Routing nutzen: Um Kosten und Latenzzeiten zu steuern, sollten Sie vermeiden, für jede Aufgabe das teuerste „Frontier“-Modell zu verwenden. Implementieren Sie „Smart Routing“, um einfache Aufgaben an kleinere, fein abgestimmte Modelle und komplexe Aufgaben an größere Modelle zu senden.
- Vorbereitung auf den „agentischen“ Wandel: Betrachten Sie KI nicht mehr nur als Chatbot (Abfragen), sondern beginnen Sie mit dem Entwurf von Workflows für „Agents“, die langfristige, mehrstufige Aufgaben autonom im Hintergrund erledigen können.
a16z’s David George, Sarah Wang, Alex Immerman, and Santiago Rodriguez unpack 25 key charts from the latest State of Markets presentation, from the scale of the AI infrastructure buildout to what adoption looks like inside companies today.
They examine why rising markets have so far been supported by earnings rather than multiple expansion, why hyperscaler CapEx is approaching $1 trillion annually, and why demand for compute continues to outrun supply. They also look at the downstream effects of that spending across chips, power, construction, and physical infrastructure. State of Markets
Then they move up the stack: OpenAI and Anthropic’s revenue growth, the gap between AI deployment and measurable enterprise impact, the rise of agents, falling inference costs, and what all of this means for SaaS. They close with where the team is spending time next, including consumer agents, robotics, autonomy, AI and biology, personal health, defense, and the continued diffusion of AI across the enterprise. State of Markets
Resources:
Follow David George on X:https://x.com/DavidGeorge83
Follow Sarah Wang on X:https://x.com/sarahdingwang
Follow Alex Immerman on X: https://x.com/aleximm
Follow Santiago Rodriguez on X: https://x.com/santiago__rdz
Read David’s piece ‘There are only two paths left for software’: https://a16z.com/there-are-only-two-paths-left-for-software/
Stay Updated:
Find a16z on YouTube: YouTube
Find a16z on X
Find a16z on LinkedIn
Listen to the a16z Show on Spotify
Listen to the a16z Show on Apple Podcasts
Follow our host: https://twitter.com/eriktorenberg
Please note that the content here is for informational purposes only; should NOT be taken as legal, business, tax, or investment advice or be used to evaluate any investment or security; and is not directed at any investors or potential investors in any a16z fund. a16z and its affiliates may maintain investments in the companies discussed. For more details please see a16z.com/disclosures.
Hosted by Simplecast, an AdsWizz company. See pcm.adswizz.com for information about our collection and use of personal data for advertising.
-
Ben Horowitz: The Fight Over Open Source AI
Ben Horowitz joins Theo Jaffee and Sofia Puccini to discuss one of the biggest debates in AI today: the future of open-source models. They examine the growing push to restrict open models, why Ben believes…
-
Sriram Krishnan on Open Source AI’s Biggest Week Yet
Sriram Krishnan joins Theo Jaffee and Sofia Puccini just after concluding his tenure as Senior White House Policy Advisor on AI to discuss one of the biggest weeks yet for open-source AI. They unpack the…
-
Building the Physical AI Stack | Travis Kalanick on TBPN
Travis Kalanick joins TBPN to discuss Atoms, his vision for industrial AI, and why he believes the biggest opportunities in AI lie beyond software. He explains how Atoms is bringing autonomy to mining, logistics, and…
-
Building the Physical AI Stack | Travis Kalanick on TBPN
Travis Kalanick joins TBPN to discuss Atoms, his vision for industrial AI, and why he believes the biggest opportunities in AI lie beyond software. He explains how Atoms is bringing autonomy to mining, logistics, and…
-
Travis Kalanick Is Back | Building the Future of Industrial AI
Travis Kalanick, Ben Horowitz, and Erik Torenberg reunite to reflect on Uber’s early days, the investment that almost happened, and why Kalanick believes the next great technology opportunity lies beyond software. They discuss the lessons…
-
Travis Kalanick Is Back | Building the Future of Industrial AI
Travis Kalanick, Ben Horowitz, and Erik Torenberg reunite to reflect on Uber’s early days, the investment that almost happened, and why Kalanick believes the next great technology opportunity lies beyond software. They discuss the lessons…
-
Why Physical AI Is the Next Frontier | Applied Intuition
Applied Intuition has spent the past decade building the software that powers intelligent machines, from passenger vehicles and trucks to defense systems, mining equipment, and industrial robots. In this conversation, Marc Andreessen and Erik Torenberg…
-
Why Physical AI Is the Next Frontier | Applied Intuition
Applied Intuition has spent the past decade building the software that powers intelligent machines, from passenger vehicles and trucks to defense systems, mining equipment, and industrial robots. In this conversation, Marc Andreessen and Erik Torenberg…
-
Hugging Face’s CEO on Open Source AI, Model Routing, and the Future of Competition
As governments weigh new restrictions on frontier AI models, one question is becoming increasingly important: what role should open source play in the future of artificial intelligence? Theo Jaffee and Sofia Puccini speak with Hugging…
-
Hugging Face’s CEO on Open Source AI, Model Routing, and the Future of Competition
As governments weigh new restrictions on frontier AI models, one question is becoming increasingly important: what role should open source play in the future of artificial intelligence? Theo Jaffee and Sofia Puccini speak with Hugging…