AI数据中心成为美国政坛新焦点，但批评可能偏离了关键问题
本文由Nathan E. Sanders合著，最初发表于《卫报》。在美国政坛，反对AI数据中心已成为一个罕见的跨党派主题。我们乐见公众就任何议题展开建设性辩论，也认同社区需要评估这些数据中心带来的经济利益是否值得其代价。然而，我们担忧对数据中心的关注掩盖了AI对人们生活的更大影响：AI公司权力的集中，及其广泛的政治与金融影响力。地方对数据中心的反对基于合理关切，例如在住房紧张时土地资源错配、给本已高昂的能源价格带来压力以及局部的环境影响。与其它消耗资源或造成污染的工业设施不同，数据中心创造的就业岗位极少。美国低收入社区对数据中心的反对最为激烈，这反映了对不公平交易——科技公司利用开发当地资源获利却回报甚微——的合理愤怒。在全球范围内，若AI使用加速，其碳足迹可能变得不可持续。这一切都是为了支持一项许多人担心会传播虚假信息、夺走工作岗位甚至对人类构成生存风险的技术。对一些人来说，反对数据中心可能是他们表达对AI担忧、不满甚至愤怒的唯一具体途径。问题在于，这或许正是AI公司所指望的。他们可以在必要时克服抗议，并接受相当一部分提案被否决。更重要的是，将政治对手的焦点引向数据中心问题，掩盖了他们真正追逐的更大目标。仅今年一年，美国公司在数据中心基础设施上的支出就高达惊人的7500亿美元，但这笔投资需要放在更广阔的背景下看待。例如，企业软件市场的规模大约是它的两倍。与这些公司真正想要的东西相比，这还算小。AI公司的目标是攫取整个行业创造的所有价值。该技术可以说已经征服了客户服务和消费销售。但地平线上还有更大的目标，比如企业软件开发、创意设计、管理甚至法律服务。在AI公司及其盟友的未来愿景中，AI将取代教师和医生。他们宁愿花时间对抗建设计算基础设施速度受到的阻力，也不愿处理其产品应如何在这些领域使用，或这些领域应如何免受其产品影响的问题。尽管反对数据中心的运动在赢得广泛支持方面取得了成功，但在美国其效果好坏参半。当组织起来反对投机性的、早期阶段（实现可能性较低）的数据中心提案时，这些运动似乎最为成功。与此同时
本文由Nathan E. Sanders合著，最初发表于《卫报》。在美国政坛，反对AI数据中心已成为一个罕见的跨党派主题。我们乐见公众就任何议题展开建设性辩论，也认同社区需要评估这些数据中心带来的经济利益是否值得其代价。然而，我们担忧对数据中心的关注掩盖了AI对人们生活的更大影响：AI公司权力的集中，及其广泛的政治与金融影响力。地方对数据中心的反对基于合理关切，例如在住房紧张时土地资源错配、给本已高昂的能源价格带来压力以及局部的环境影响。与其它消耗资源或造成污染的工业设施不同，数据中心创造的就业岗位极少。美国低收入社区对数据中心的反对最为激烈，这反映了对不公平交易——科技公司利用开发当地资源获利却回报甚微——的合理愤怒。在全球范围内，若AI使用加速，其碳足迹可能变得不可持续。这一切都是为了支持一项许多人担心会传播虚假信息、夺走工作岗位甚至对人类构成生存风险的技术。对一些人来说，反对数据中心可能是他们表达对AI担忧、不满甚至愤怒的唯一具体途径。问题在于，这或许正是AI公司所指望的。他们可以在必要时克服抗议，并接受相当一部分提案被否决。更重要的是，将政治对手的焦点引向数据中心问题，掩盖了他们真正追逐的更大目标。仅今年一年，美国公司在数据中心基础设施上的支出就高达惊人的7500亿美元，但这笔投资需要放在更广阔的背景下看待。例如，企业软件市场的规模大约是它的两倍。与这些公司真正想要的东西相比，这还算小。AI公司的目标是攫取整个行业创造的所有价值。该技术可以说已经征服了客户服务和消费销售。但地平线上还有更大的目标，比如企业软件开发、创意设计、管理甚至法律服务。在AI公司及其盟友的未来愿景中，AI将取代教师和医生。他们宁愿花时间对抗建设计算基础设施速度受到的阻力，也不愿处理其产品应如何在这些领域使用，或这些领域应如何免受其产品影响的问题。尽管反对数据中心的运动在赢得广泛支持方面取得了成功，但在美国其效果好坏参半。当组织起来反对投机性的、早期阶段（实现可能性较低）的数据中心提案时，这些运动似乎最为成功。与此同时
数据与AI峰会2026亮点
在2026年数据与AI峰会上，Databricks发布了一系列重大更新，核心亮点包括突破性的超快数据读取能力和全栈平台战略。该公司演示了从云存储读取数据仅需7毫秒的惊人速度，这一能力目前仅在预览版中对特定客户开放，但其目标明确：通过超快读取使开放格式能直接用于服务终端用户应用，这被视为构建混合数据库的关键一步。与此同时，Databricks推出了Lakebase，实现了对开放格式的快速写入，将分析型与操作型工作负载统一在同一平台之上，标志着其正式迈向全栈数据平台。这一系列更新预示着数据应用开发的重大变革，使实时数据处理和应用的直接构建成为可能。 #数据与AI峰会 #Databricks #全栈平台 #快速读取 #混合数据库 #Lakebase #数据应用
在2026年数据与AI峰会上，Databricks发布了一系列重大更新，核心亮点包括突破性的超快数据读取能力和全栈平台战略。该公司演示了从云存储读取数据仅需7毫秒的惊人速度，这一能力目前仅在预览版中对特定客户开放，但其目标明确：通过超快读取使开放格式能直接用于服务终端用户应用，这被视为构建混合数据库的关键一步。与此同时，Databricks推出了Lakebase，实现了对开放格式的快速写入，将分析型与操作型工作负载统一在同一平台之上，标志着其正式迈向全栈数据平台。这一系列更新预示着数据应用开发的重大变革，使实时数据处理和应用的直接构建成为可能。 #数据与AI峰会 #Databricks #全栈平台 #快速读取 #混合数据库 #Lakebase #数据应用
AI架构债务
当Palantir CEO Alex Karp在CNBC上直言企业客户为没有价值的Token支付数百万美元时，他道出了企业AI支出飙升背后的真相。尽管每百万Token的批发价在过去三年暴跌约98%，但企业AI总支出却在2024至2025年从115亿美元猛增至370亿美元，增长超过三倍。Karp称当前定价模式为“财富税”，但更深层的问题在于企业自身糟糕的架构设计。许多企业误将炫目的界面当作系统架构，将API调用等同于智能，把工作流当成推理引擎。这种“被动消费者心态”导致企业烧钱速度远超创收，其核心不是AI基础数学的缺陷，而是实施方式的根本性幼稚与错误。 #AI架构 #企业AI #Token税 #Palantir #AI投资 #架构债务 #科技新闻
当Palantir CEO Alex Karp在CNBC上直言企业客户为没有价值的Token支付数百万美元时，他道出了企业AI支出飙升背后的真相。尽管每百万Token的批发价在过去三年暴跌约98%，但企业AI总支出却在2024至2025年从115亿美元猛增至370亿美元，增长超过三倍。Karp称当前定价模式为“财富税”，但更深层的问题在于企业自身糟糕的架构设计。许多企业误将炫目的界面当作系统架构，将API调用等同于智能，把工作流当成推理引擎。这种“被动消费者心态”导致企业烧钱速度远超创收，其核心不是AI基础数学的缺陷，而是实施方式的根本性幼稚与错误。 #AI架构 #企业AI #Token税 #Palantir #AI投资 #架构债务 #科技新闻
微软CEO提出AI专利新概念，应对企业知识产权泄露担忧
微软CEO萨提亚·纳德拉在社交媒体上发文，探讨企业使用AI模型时面临的知识产权泄露风险。他提出，大型语言模型可能成为“特洛伊木马”，从企业客户那里窃取知识产权。尽管OpenAI和Anthropic等顶级AI提供商制定了严格政策，防止在受版权保护的内容上进行训练，但Palantir CEO亚历克斯·卡普近日指出，越来越多的企业担心使用这些模型会泄露自己的知识产权，同时还需支付高昂使用费。纳德拉认为，AI创造了“逆向问题”——买家在使用购买的产品时可能泄露自己的知识。他建议建立AI版本的专利制度，保护披露想法时的发明者权益，防止侵权。这一担忧可能影响企业级AI服务的需求，推动企业转向开源模型。 #AI #知识产权 #微软 #纳德拉 #专利 #企业服务 #数据安全
微软CEO萨提亚·纳德拉在社交媒体上发文，探讨企业使用AI模型时面临的知识产权泄露风险。他提出，大型语言模型可能成为“特洛伊木马”，从企业客户那里窃取知识产权。尽管OpenAI和Anthropic等顶级AI提供商制定了严格政策，防止在受版权保护的内容上进行训练，但Palantir CEO亚历克斯·卡普近日指出，越来越多的企业担心使用这些模型会泄露自己的知识产权，同时还需支付高昂使用费。纳德拉认为，AI创造了“逆向问题”——买家在使用购买的产品时可能泄露自己的知识。他建议建立AI版本的专利制度，保护披露想法时的发明者权益，防止侵权。这一担忧可能影响企业级AI服务的需求，推动企业转向开源模型。 #AI #知识产权 #微软 #纳德拉 #专利 #企业服务 #数据安全
AI若发现青霉素？好奇心驱动或成关键
在芝加哥大学SciFM26会议上，AI+科学领域的讨论聚焦于自动化实验室的局限性。假设一个尖端自动化实验室能自主完成细菌培养、质粒工程等操作，并通过强化学习优化质粒基因代码以提高某种生化产物产量。然而，一个“失败”的质粒无意中编码了强力抗生素，杀死了所有细菌，导致产量为零，算法直接舍弃了这一设计，未能像亚历山大·弗莱明偶然发现青霉素那样注意到意外现象。这揭示出自动化系统隐含的两个假设：存在特定的数值信号要优化，以及目标仅限于现有工具可探测的范围。要捕捉这种“偶然发现”，可能需要好奇心驱动的学习——系统持续预测实验结果并对比，当预测错误时，内在好奇心驱动其探索原因。此外，如果意外产物需要特殊仪器才能检测，而实验室未配备，则根本无法察觉。因此，AI要真正实现像青霉素那样的突破，必须超越单一优化指标，具备开放式的异常检测和探索能力。 #AI #科学发现 #自动化实验室 #好奇心驱动 #青霉素 #强化学习 #偶然发现 #UChipBooth
在芝加哥大学SciFM26会议上，AI+科学领域的讨论聚焦于自动化实验室的局限性。假设一个尖端自动化实验室能自主完成细菌培养、质粒工程等操作，并通过强化学习优化质粒基因代码以提高某种生化产物产量。然而，一个“失败”的质粒无意中编码了强力抗生素，杀死了所有细菌，导致产量为零，算法直接舍弃了这一设计，未能像亚历山大·弗莱明偶然发现青霉素那样注意到意外现象。这揭示出自动化系统隐含的两个假设：存在特定的数值信号要优化，以及目标仅限于现有工具可探测的范围。要捕捉这种“偶然发现”，可能需要好奇心驱动的学习——系统持续预测实验结果并对比，当预测错误时，内在好奇心驱动其探索原因。此外，如果意外产物需要特殊仪器才能检测，而实验室未配备，则根本无法察觉。因此，AI要真正实现像青霉素那样的突破，必须超越单一优化指标，具备开放式的异常检测和探索能力。 #AI #科学发现 #自动化实验室 #好奇心驱动 #青霉素 #强化学习 #偶然发现 #UChipBooth