你有没有试过在Google上搜自己的名字？以前这会让你看到自己的社交媒体、工作信息、也许还有一篇你忘了的多年前写的博客。但现在，越来越多的人发现：ChatGPT或者Gemini告诉他们关于自己的事情——而且有时候，那些事情是错的。

两个前OpenAI员工Thomas Dimson和Joey Flynn（他们是在OpenAI收购他们的设计工作室Global Illumination时加入的）最近做了一个网站，叫In the Weights。这个网站干的事说起来有点滑稽：它帮你查，你在各个AI大模型里的”存在感”到底有多强。

“权重”里的存在感，被量化成了一个分数

这里的”权重”（weights）指的是AI模型训练完成之后，那些决定模型输出结果的数值参数。In the Weights网站宣称，它衡量的是”一个模型在不用网络搜索等工具的情况下，能多准确地回忆起某人”。

具体做法是：向不同的模型（包括Grok、Gemini、多个版本的GPT、Claude，还有一些不太知名的模型）提问，问题类似于”某某是谁？给出最多10个结果，每个附一段简短描述和一个置信度。”然后网站把相似的描述聚类，给出一个”强度分数”。

《小鬼当家》主角居然排第一

写这篇文章的时候，排行榜还在实时变动。目前排在第一位的是《小鬼当家》的主演Macaulay Culkin，强度分数988。歌剧演唱家Luciano Pavarotti紧随其后。这个排行榜本身就挺能说明问题的——哪些人”值得”被AI记住，似乎和名气、文化影响力有直接关系。

本文原作者Anthony Ha的分数只有641，排在前6%。刚看到的时候还有点小得意，直到发现好几个同事的分数都比他高。当然，AI批评者Anthony Moser不客气地说，这玩意儿”本质上就是让13个聊天机器人告诉你关于你自己的事”。说得也没错。

为什么有人在乎这个

Dimson说，他做这个网站的灵感来自一个观察：2026年，在Google上搜自己已经不是那个”标准动作”了，越来越多的人从聊天机器人那里了解一个人。而”那么多人的生命，都以某种方式被编码进了AI大脑的浮点数字里”。

他觉得，被AI”记住”这件事，触及了一个更深的焦虑——在AI越来越了解我们的时代，我们怎么确认自己还”存在”？把这个存在感量化成一个分数，放在一个像素风格的排行榜上，这本身就很2026年。

用AI生成一段音乐，旋律听起来还挺像那么回事——但你知道这段旋律”学”过哪些歌吗？《大西洋月刊》的记者Alex Reisner最近干了一件事：他把AI音乐训练数据集扒了个底朝天，然后把结果做成了可以随便搜的公开数据库。

1200万首歌，安静地躺在训练集里

Reisner一共找到了四个数据集，其中两个大得离谱——一个里面有1200万条音轨，另一个有900万条。剩下两个小一些，但各自也有超过10万首歌。这些数据集在网上的下载量已经达到几千次，虽然没法精确知道是谁在用，但Google和Stability AI都已经在研究论文里承认，他们用过其中的数据。

问题来了：这些歌是怎么进去的？有些来源——比如Free Music Archive——虽然允许个人免费试听，但商业使用是要授权的。更麻烦的是，其中三个数据集本质上是一堆YouTube或Spotify链接的列表。AI开发者用自动化工具把这些音频扒下来，而这些工具可以绕过登录、广告、以及本该给创作者带来收入的机制。这直接违反了平台的服务条款。

Lady Gaga和Radiohead都在里面

数据集里的名字读起来像一张超级音乐节阵容。Lady Gaga、Fred Again..、Radiohead、Aphex Twin、Wu-Tang Clan、Bruce Springsteen，还有实验音乐人Hainbach——都可能被塞进了某个AI模型的”记忆”里。你自己可以去《大西洋月刊》的”AI Watchdog”网站搜，看看你的歌或者你喜欢的音乐人是不是也在名单上。

值得注意的是，这不只是音乐的问题。AI训练数据的来源透明度，已经成为整个行业绕不开的议题。你用的AI助手，可能”听过”你最喜欢的歌。

为什么这件事很重要

这背后的核心矛盾其实很简单：AI公司需要海量数据来训练模型，但音乐人（尤其是独立音乐人）并没有授权让自己的作品被这样使用。目前这事儿还处在法律的灰色地带，但随着AI音乐生成工具（比如Suno和Google的Lyria）越来越好用，版权诉讼只会越来越多。

Reisner做的这个数据库，至少让”训练数据里到底有什么”这件事变得可以查证。透明度是第一步，接下来怎么走，还得看法庭和立法者怎么出牌。

当几百万英国人同时在世界杯期间烧水泡茶，电网会经历什么？答案是：一场突如其来的用电高峰。但2025年12月的一次模拟实验显示，如果伦敦的一台数据中心当时装了一款叫Conductor的软件，它会在千钧一发之际自动给芯片降速，把电让出来。

这听着像科幻，但已经是真实产品在测试了。Emerald AI在做的事很简单——让数据中心变成电网的「好邻居」，而不是永远张嘴要电的贪吃蛇。

等等，电网怎么了？

AI boom来了，数据中心想上网，电网说：排队吧您内。美国最大电网运营商PJM处理新发电项目并网要8年。数据中心盖好了，电接不进来，这生意怎么做？

传统思路是：建更多电厂。xAI在孟菲斯搞燃气轮机，微软和Oracle提议搞超大型离线数据中心。问题是：燃气轮机不够用，新的电厂环评和建设又要好几年。这条路走不通。

灵活性：给电网留点余地

有一派人说：换个思路。电网其实有闲力，只是你不会用。2025年Duke大学的研究发现，如果数据中心愿意一年只让电0.25%的时间（大约22小时），美国电网能多挤出76GW——够到2030年的数据中心增长需求了。

普林斯顿大学和两家电网现代化公司给PJM区域做了个测算：一个500MW的数据中心如果能做到一年99%以上的时间不拉闸，并网速度可以快3到5年。这就是「灵活性」（flexibility）的核心逻辑。

数据中心不再要求「随时给我满电」，而是跟电网商量：「我可以在用电高峰时少拿一点，你让我早点并网行不行？」

几家公司在做的事

Emerald AI的产品Conductor就是干这个的。它在2025年12月做了那个「英德足球赛」模拟：AI程序在几百万个电热水壶同时启动的瞬间，给数据中心发指令降速。CEO Josh Parker说：「AI工厂的灵活性，是AI需求和电网局限之间的桥梁。」

GridCare的思路更激进一些。这家硅谷创业公司用生成式AI给电网建「数字孪生」，把发电厂、输电线、变电站、家庭用电全部建模，然后找到在不牺牲可靠性的前提下解锁容量的方案。CEO Amit Narayan打了个比方：电网的平均利用率只有30%左右，如果你是个航空公司，飞机利用率30%，你不会去买新飞机。

灵活性并网的好处

• 电网更稳定。数据中心在用电高峰时让电，能避免拉闸限电。
• 少建电厂。如果现有容量能挖潜，就不需要为了AI狂建天然气电厂。
• 电费可能更低。Duke大学2026年2月的研究发现，灵活性能让电价降低0.5%到2.8%。

为什么科技巨头们还在搞燃气轮机？

听起来很美好，但为什么微软、Oracle、xAI还在搞离线电厂和燃气轮机？一个字：惯性。电网的设计哲学是「保守」——必须按照最高需求来建设，宁可闲置也不能掉链子。

数据中心的传统做法也是「我要全功率」，因为每一秒的算力都可能意味着钱。xAI在孟菲斯的做法就是典型案例：等不了电网扩容，直接把燃气轮机用卡车拉过来。结果？当地居民和监管机构不干了，排放和污染问题一堆。

但变化在发生。Emerald AI的首席科学家Ayse Coskun观察到一个趋势：「运营商越来越愿意用某种程度的灵活性，来换取更快的并网速度。」

这不是一个「技术能不能做到」的问题，而是一个「谁先迈出第一步」的问题。2026年，这笔账会被算清楚的。

AI帮人打官司，法院先迎来了「AI幻觉」洪水

科罗拉多州联邦地方法官Maritza Braswell，大部分时间在chambers里翻阅那些没有律师代理的当事人提交的文档。很多人请不起律师，还有些人的案子太弱或者太小，没有律师感兴趣。她仔细读每一份，知道独自走进法庭有多吓人。

最近，跟全美很多法官一样，她注意到这类申请明显增加了。一项研究了2005年到2026年450万联邦民事案件的研究显示，没有律师代理的人提起的诉讼占比从2022年的11%增加到了2025年的16.8%。

Braswell法官把这种跳跃归功于AI。”我确实把这归因于AI，因为我看到了AI的使用，”她说。作为一位懂技术的法官，她也用AI来审查法院文件，已经学会了识别大语言模型是怎么写作的。

“但我确实看到了起草得更好的诉状，”她说。”虽然AI似乎在扩大诉诸司法的机会，但它似乎并没有提高人们胜诉的机会。”

AI给诉讼踩了一脚油门

为了测试AI是否真的在推动没有律师代理的人提起诉讼，这项研究的作者将1600份随机抽样的法院文件喂给了Pangram——一个商业AI文本检测器。被标记为包含AI生成文字的份额从2023年的1%上升到了2026年的18%。

对Braswell法官来说，这不一定值得担心。虽然AI辅助申请的激增可能增加了法官的工作量，但她和许多其他法官发现，这些案件更容易裁决，因为AI正在帮助没有法律培训的人更好地阐述他们的论点。

没有律师的人写的法庭文件是出了名的难懂。有些是手写涂鸦，接近胡言乱语，法官要花一段时间才能解码。无论多么晦涩，法官都必须善意地阅读它们。

这些天，Braswell法官一直在比当事人自己写的申请更快地处理那些由AI起草的动议。”我必须非常小心，因为其中一些包含幻觉和错误，但有了他们的AI辅助，我通常能比没有时更好地理解他们在争论什么，”她说。

聊天机器人-客户特权

康涅狄格州联邦地方法官William Garfinkel，在法官席上已经30年了，思考过各种各样关于律师与客户关系的问题。最近，他一直在想，人们与提供法律建议的聊天机器人的对话是否应该享有特权，就像他们与律师的对话那样。

“你可以提出一个很好的论点……与Claude或ChatGPT或Grok等大语言模型的对话应该得到某种保护，”他说。

法院已经开始认真思考这个问题。今年2月，密歇根州的一家联邦法院裁定，一个没有律师代理的人为准备她的案件而与ChatGPT的对话是”工作成果”——受法律保护的、屏蔽对方获取的法律工作。

但在同一天，纽约的一家联邦法院认定，一名刑事被告使用Claude生成的文件既不享有律师-客户对话特权，也不享有工作成果保护。法院辩称，Claude不是律师，用户对它的通信”没有合理的保密期待”。

没有脉搏的 malpractice

一些法官也在想，聊天机器人是否像律师一样，有责任提供好的法律建议。加州联邦地方法官Allison Goddard注意到，没有律师代理的人在试图评估案件价值时，经常从ChatGPT那里得到错误的建议。

“你从哪里得到你想拿70万美元的想法？你去问ChatGPT了吗？”Goddard法官问一名在商店里滑倒的原告。然后她带着当事人过了一遍法律，解释为什么ChatGPT是错的，并建议一个更低的金额。

然后是当聊天机器人犯这种错误时该谁负责的问题。今年3月，日本生命保险公司起诉OpenAI，声称ChatGPT在无执照的情况下从事法律业务。

今年5月，OpenAI请求法院驳回此案，辩称ChatGPT不从事法律业务。”ChatGPT不是一个人，既没有也没有使用任何程度的法律知识或技能，”OpenAI在文件中说。此案仍在法院待决。

各州已经开始权衡立法，让AI公司对聊天机器人提供糟糕法律建议负责。纽约在今年3月引入了一项法案，将禁止聊天机器人冒充律师。在国会，一系列法案已经被提出，禁止聊天机器人冒充律师、医生和其他有执照的专业人士。

目前，人们将继续转向AI来做他们的律师。对他们很多人来说，回报大于风险。Braswell法官说：”这是一个真的很难 navigating 的系统。但有了AI，它变得不那么复杂了。”

一家迈阿密AI创业公司说它突破了LLM十年的数学瓶颈

一家叫Subquadratic的迈阿密AI创业公司，上个月从隐身模式走出来，扔了一颗重磅炸弹：他们说自己解决了一个卡了LLM近十年的数学瓶颈。

细节很少，很多人不信。但Subquadratic开始拿出证据了——他们公布了第三方公司Appen对他们的新模型SubQ的独立评估结果。结果看起来，这家公司的说法或许值得认真看待。

根据Subquadratic的说法，他们开发了一种全新的LLM，叫SubQ，比市面上任何其它模型都更快、更便宜、能耗也低得多。公司还声称，SubQ一次性处理的文本量是最其它大多数模型的12倍，可以执行分析数百份文档或者整个代码库这样的数据密集型任务。

SubQ在编码等关键任务上的表现基本上能跟Google DeepMind、OpenAI和Anthropic的最佳模型持平。

问题就在于，这家公司一开始除了少数几个自己发布的测试分数之外，几乎没提供什么证据。而且SubQ至今还没有广泛开放给公众试用。

所以Subquadratic的说法遭到质疑一点也不奇怪。AI工程师Dan McArthur在X上总结了很多人的反应：”SubQ要么是自Transformer以来最大的突破……要么它就是AI圈的Theranos。”

注意力机制

要理解为什么Subquadratic的说法很重要，我们需要深入了解一下大多数LLM是怎么工作的。LLM内部的核心机制是一种叫做”Transformer”的神经网络，它运行一个叫做”密集注意力”的过程。今天的LLM通常将多个Transformer串联在一起。

密集注意力的工作原理是这样的：当Transformer处理一段文本时，它首先将每个词编码成一个数字，然后将每个数字与那段文本中的每个其它数字相乘。一段10000个词长的文本会触发近5000万次单独的乘法运算。这是大量的计算，也是LLM以能耗巨兽著称的主要原因。

随着文本长度的增加，计算次数会急剧上升。词的数量翻倍，计算次数大致翻两番，这种增长速度被称为”二次方扩张”。

削减成本

Subquadratic的解决方案是抛弃密集注意力，转而使用”稀疏注意力”，这大幅减少了所需的计算次数。稀疏注意力不是将分配给每个token的数字与每个其它数字相乘，而是只选择其中一些数字来相乘。

“稀疏注意力说，不是所有那些关系都重要，因为它们本来就不重要，”联合创始人兼CTO Alex Whedon说。”如果你在读一本书，你不会去看第一个词和第二个词，第一个和第三个——那太疯狂了。”

这听起来简单，但Subquadratic也不是第一个尝试的。以前选择哪些数字相乘的技术，都没能产生一个能像密集注意力一样好地捕捉文档含义的机制。

Subquadratic声称终于破解了这个问题。他们将SubQ宣传为第一个在性能上能与主流密集注意力模型匹敌的稀疏注意力LLM。

“从历史上看，大多数机制都使用固定模式，”Whedon说。”这相当局限。我们的机制动态选择哪些是重要的，这是对每段文本即时计算的。”

测试结果

第三方公司Appen评估了SubQ。在一个纯粹的速度测试中，Appen发现SubQ比使用以前稀疏注意力技术的模型快56倍。在LiveCodeBench编码测试上，SubQ得分89.7%，跟其它顶级编码模型差不多。

成本方面，根据Subquadratic的说法，通过RULER 128测试，运行Anthropic的Opus 4.6要花费2600美元。SubQ花了8美元。

SubQ似乎确实能够处理非常大的数据集。该模型有一个长达1200万token的上下文窗口。今天大多数顶级模型的上下文窗口是100万token长。

尽管得分很高，在更多人亲自上手试用模型之前，一些质疑是有道理的。独立AI研究员Will Depue说：”他们可能做出了真实有用的东西。但公开证据还不足以证明他们解决了二次注意力瓶颈这一更强硬的说法。”

与此同时，Subquadratic联合创始人Whedon坚持认为，做出不同的东西是他唯一的选择。”如果你想构建一个有竞争力的模型，你必须要有新想法，”他说。