标签： AI基础设施

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。

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。

印度在全球AI竞赛里想当选手，不想只做观众。这话说了好几年，但真正有大动作的人，是那个控制着全印度最大移动网络的亿万富翁。

Mukesh Ambani上周在Reliance年度股东大会上宣布了一整套AI新计划。Jio Call Agent——一个可以直接加入电话通话的AI助手——能帮用户记录对话、生成摘要，还能顺手帮你叫车、订餐、预约餐厅。说一声”Hey Jio”就能激活，预计今年晚些时候向Jio的5亿多用户开放。

不是做一个App，是把AI塞进电话本身

Jio的思路和硅谷不太一样。他们不打算做一个独立的AI助手App跟ChatGPT抢用户，而是把AI直接嵌进电信网络。电话打通的那一刻，AI就已经在后台待命了。这种方式让Reliance在一个越来越拥挤的AI市场里拿到了一个很扎实的发行优势——用户不需要额外下载任何东西。

除了通话助手，Reliance还推出了AI版的MyJio应用，用户可以用自然语言激活eSIM、选择漫游套餐。他们还发布了TeleFrame——一款用AI主动推送信息和建议的家庭显示屏，功能类似亚马逊和谷歌都在押注的”环境AI助手”方向。

“印度不应该只是别处创造的AI的消费者。它必须成为AI的创造者、采用者和全球领导者。”——Mukesh Ambani，69岁

110亿美元的赌注

Reliance去年推出了”Reliance Intelligence”，目标是为消费者、企业和政府开发AI基础设施和服务，支持22种印度语言。今年早些时候，公司宣布计划投资1100亿美元建设AI基础设施。他们还跟谷歌、Meta、英伟达结成了伙伴关系。

上周，Reliance还宣布跟Meta合作，在古吉拉特邦建立一个AI数据中心。这个合作建立在Meta早些时候对Jio平台和去年成立的合资企业的投资基础上——那个合资企业的目标是为印度和国外的企业客户开发AI解决方案。

Reliance并不是唯一一个在AI领域押注的印度巨头。Tata咨询服务、Infosys和对手Adani集团都在扩大自己的AI计划，跟Anthropic、谷歌和OpenAI等全球玩家建立合作。但Reliance的赌注尤其高——它正在准备Jio期待已久的股市亮相，需要新的增长引擎。

---

数据隐私的问号

Reliance的AI野心也带来了关于数据处理的问题。公司说这些服务会在用户同意的情况下运行，但没有回答这些数据是否会被用来训练AI模型，或者是否会跟技术伙伴共享。当一个公司同时控制着你的电话网络、你的应用和你的智能家居设备时，它能看到的用户画像比任何硅谷巨头都要完整。

最近美国政府对Anthropic最新型号的限制，反而让印度公司更加意识到依赖外国AI模型的风险。决定是在海外做出的，但受影响的是在印度做AI产品和服务的创业公司——这类供应链风险正在推动印度大企业走向自建技术栈，而不是租别人的。

四月的时候，Allbirds宣布转型AI，很多人都觉得这是个玩笑。就是那种硅谷梗剧看多了会心一笑的玩笑——一家卖舒适鞋履的DTC公司，在股价跌跌不休之后，突然说要去做人工智能了。

但这次不是玩笑。公司以4300万美元卖掉了鞋履业务，又从股市融了1亿美元，把名字改成了Smartbird。昨天，新CEO Nadia Carlsten正式上班了。

从鞋履到算力，这一步跨得有多大

Carlsten不是随便什么人。她有工程学博士学位，之前在AWS（亚马逊云科技）任职，最近一份工作是欧洲计算公司DCAI的负责人。她从阿姆斯特丹接受TechCrunch采访时说得很直白：团队要从零开始招，办公场地也要去搞定，鞋履业务昨天正式结束了。

她的任务是把Smartbird做成一家AI基础设施提供商。方向是那些需要对自己模型运行环境有完全控制权的客户——通常是因为政治原因或者商业模式原因。这类客户看重的不是公有云能扩到多大，而是数据主权。

Carlsten说她的潜在客户需要的芯片数量在”几百到几千”这个范围，重点不是规模有多大，而是集群的灵活度，是对整个基础设施栈的控制力。

这生意到底成不成

Smartbird的对标不是超大规模云厂商，也不是那些拼命压价的新兴云（neocloud）。Carlsten说他们竞争的是企业内部的IT项目——那些大公司自己搭的私有算力池。

但这个市场到底有多大，其实没人说得清。Carlsten自己也没给出估算，只说这个市场还非常早期，很多企业还在试点AI工具的阶段。对比一下，另一家做推理云的公司General Compute上个月才出stealth，直接宣布了3000亿美元的芯片采购订单。

Carlsten拿到的薪酬包是：70万美元年薪，外加约900万美元的股票。Allbirds转型AI这件事，从叙事角度已经赢了一次——股价因为”AI概念”涨过一波。现在的问题是，Carlsten能不能把故事变成真实的收入。

---

还有一个值得玩味的细节。Allbirds转型的同时，放弃了它的公益企业（PBC）资质。这个资质原本是用来固化公司的可持续发展承诺的——毕竟”环保鞋履”是Allbirds起家的故事。现在这个故事换成了AI基础设施，PBC资质也就不要了。

这件事其实提出了一个挺有意思的问题：一家公司的”使命”到底能有多大的约束力？答案似乎是，当股价和生存压力来了，使命声明也就是一张纸。