Latest / The Long View / 2026-08-28 · 深度｜AI 的物理账单：手工缠绕的电网、被拿下的教室、追上来的中国实验室

Transcript

2026-08-28 · 深度｜AI 的物理账单：手工缠绕的电网、被拿下的教室、追上来的中国实验室 · The Long View

0:07
欢迎收听The Long View。
0:08
今天我们花一整期，做一件事—把三篇很长的报道放在一起，
0:14
看它们其实在讲同一件事。
0:17
这三篇表面上看是三个完全不相干的题目：一篇讲电网安全，
0:22
一篇讲学校里的笔记本电脑，一篇讲中国的人工智能公司。
0:27
把它们放在一起的理由是这样一句话：我们现在天天在谈的这一轮人工智能扩张，
0:32
它真实的投入并不是抽象的算法，而是极其物理、
0:36
也极其制度性的东西。
0:38
今天要给你看三张账单。
0:40
第一张账单是物理的。
0:42
你要建数据中心，就要把高压电变成设备能用的电，
0:46
就要用到变压器。
0:47
而这个听起来像是十九世纪就该被解决掉的东西，
0:50
今天反而成了整个美国经济的堵点。
0:55
它是手工做的，几乎每一台都不一样，铜线要人一圈一圈绕上去，
1:00
绕几个星期；
1:01
它的钢芯用的是一种特殊钢材，全美国只有一家钢厂能轧。
1:06
第二张账单是制度的，而且是关于人的。
1:09
今天所有人工智能公司都在抢人，那么这些人是从哪来的？
1:14
过去十几年，美国的中小学被卷进过一场轰轰烈烈的「学编程」运动。
1:21
而这场运动的推动者、出资方、课程编写者、
1:24
教师培训方，还有在各州推动立法的游说者，
1:28
很大程度上就是同一批科技公司。
1:31
现在这批公司又回来了，这次推的是人工智能课。
1:35
第三张账单也是关于人的，但换了一个国家。
1:38
中国的人工智能实验室是从哪冒出来的？
1:42
答案不是一夜之间冒出来，而是一条延续了二十多年的人才管道，
1:46
起点集中在清华的少数几个实验室。
1:50
而且恰恰因为拿不到最先进的芯片、也拿不到美国那么多钱，
1:54
他们被逼着在架构上做出了几项真正的发明。
1:59
所以今天这一期的问题是：当「智能」的瓶颈变成了一颗钢和铜做成的法贝热彩蛋，
2:05
而供应人的那条管道又在被谁写着课程表，
2:09
我们到底该怎么理解这场竞赛。
2:13
三段依次是：变压器、教室、实验室。
2:17
先说第一张账单。
2:18
这一段的材料是《纽约时报杂志》这一期的封面调查，
2:22
而它的开头，是一个到今天都没破的案子。
2:26
二〇一三年四月十六号凌晨，加州圣何塞东南十五英里，
2:30
一座叫Metcalf的变电站外面。
2:34
狙击手已经射击了将近十分钟，才有人打了报警电话—一个开车路过的人告诉警察，
2:40
他以为那是放烟花。
2:43
本来可能还会有更多报警电话，但变电站通往电力公司P G and E，
2:49
也就是太平洋燃气电力公司的通信线路，
2:52
连同几条电话和网络电缆，已经先被人切断了。
2:57
开枪的人有两个，也可能更多。
2:59
他们在围栏外面三十到四十码的干燥灌木地里就位。
3:03
凌晨一点三十一分，一台监控摄像头拍到一个像是手电筒信号的闪光，
3:08
随后他们开始用高性能步枪向设施内射击。
3:13
子弹擦过铁丝网时会溅起火花，但大部分都精准命中了目标：一排卡车大小的电力变压器。
3:20
这里需要先说清楚变压器是什么，因为整篇报道都建立在这个东西上。
3:24
发电厂发出来的电，要走很远的距离才能到你家。
3:29
为了减少路上的损耗，输电线路用的是极高的电压，
3:32
美国有些输电线运行在七十六万五千伏。
3:36
而你家的烤面包机额定电压是一百二十伏。
3:40
中间那个把七十六万五千伏一级一级降下来的装置，
3:44
就是变压器。
3:45
变电站，就是这些变压器集中的地方。
3:48
因为这里是硅谷，Metcalf下游的客户里，
3:52
包括了世界上一些最大的科技公司。
3:56
袭击者做的事情特别专业。
3:57
他们瞄准的不是变压器本体，而是变压器的冷却系统—那是一排充油的散热片，
4:03
长得像汽车水箱的散热片，作用是把电磁铁芯发的热带走。
4:09
打穿冷却片之后，里面的五万两千加仑油会慢慢漏光。
4:12
慢，是关键。
4:14
如果变压器立刻失效，警报会立刻响；
4:17
慢慢漏，枪手就有的是时间。
4:20
大约一百二十发子弹之后，Metcalf的十七台变压器被打瘫了。
4:24
凌晨一点五十分，又是一次手电筒闪光，
4:28
枪声停止。
4:29
一分钟后警察赶到，人已经走了。
4:33
直到凌晨三点十五分一名电力公司工人到场，
4:37
损失的规模才被看清。
4:40
调查没有在弹壳上找到指纹，尘土里也没有脚印。
4:43
到今天，这个案子仍然没有破，没有人被逮捕。
4:48
修复变电站花了P G and E二十七天。
4:53
请注意这个数字的前提：这是一座变电站，
4:56
而且全国的电还开着。
4:59
事发之后，P G and E的总裁通报了联邦能源管理委员会，
5:03
英文缩写FERC。
5:05
这个机构你可能没听过，它的职责是保障「大宗电力系统」，
5:10
也就是电网骨干的可靠性。
5:13
当时FERC的主席是Jon Wellinghoff，
5:15
二〇〇六年由小布什总统任命进入该委员会。
5:20
Wellinghoff几天后飞到Metcalf，
5:22
带了另一名FERC官员和两位来自「联合作战分析中心」的基础设施专家。
5:28
他们在围栏外面发现了几堆小石头堆成的金字塔，
5:31
判断那是狙击手的射击位。
5:34
回到现场的拖车里，Wellinghoff问那两位专家怎么看，
5:37
回答让他发凉：「有人组织了一次计划非常周密、
5:43
执行非常精确的变电站袭击。
5:45
我们不知道他们是谁，但他们受过极高水平的训练。
5:49
」他们知道该切哪几根电缆，知道该打变压器的哪个部位。
5:54
而且用Wellinghoff的话说，
5:57
「他们精确地知道警察什么时候会到。
6:00
他们知道什么时候该停手，然后干干净净地走掉了。
6:04
」之所以这件事让他如此紧张，是因为就在几个月前，
6:08
他刚刚委托做过一项分析，而那项分析指出的薄弱环节，
6:13
和眼前这个犯罪现场几乎一模一样。
6:16
这里要补一段美国电网的历史，不然后面听不懂。
6:19
一百多年前，美国的供电模式是点状的：一座燃煤电厂供一家工厂或者一个街区。
6:27
后来工业界把它换成了高度集中的模式—巨型发电机组，
6:31
加上长距离输电线。
6:34
用户从此收到的是电子，而不是后院里倒下来的一斗煤。
6:39
这个转变让电气化以极快的速度铺满全国：一九〇八年，
6:44
大约百分之十的美国家庭有电；
6:47
到一九四九年，这个数字是百分之九十。
6:51
电网大概是人类造出来的最复杂的机器，
6:54
但它没有总体规划，而且和美国其他所有大工程一样，
6:58
被贪婪和地方性的各行其是扭曲过。
7:02
结果是：美国不是一张电网，而是三张—西部、
7:07
东部和德州互联电网。
7:09
每张网内部有数千家电力公司在发电和配电，
7:13
电力的流动由全美一百〇一个「区域平衡机构」之一来调度。
7:20
工程师们长期以来的假设是，这种拼布被子似的结构本身就是一种保护，
7:25
因为局部坏掉不会传染。
7:27
FERC做的那项分析叫「潮流分析」，
7:29
就是在模型里把每张互联电网中最关键的变电站—那些多条高压线汇集的节点—一个个敲掉，
7:38
看会不会级联失效。
7:40
「我们算出来一些非常惊人的数字，」Wellinghoff说，
7:44
「如果你在这三张网里一共敲掉九座变电站，
7:48
你可以让整个美国陷入黑暗。
7:50
」而且按他的说法，具体是哪九座并不重要，
7:53
只要每一座都属于它所在区域最重要的十座之一就行。
7:58
他的原话相当刺耳：要搞清楚每张互联网里最关键的十座是哪些，
8:02
「大概一帮十二岁的孩子上网就能查出来。
8:06
你只要看一张电网地图，找出大部分线路都汇进去的那些变电站，
8:10
那就是关键变电站。
8:12
」Metcalf告诉他的是：敲掉这些节点有多容易。
8:17
二十分钟，几把步枪，一个小队就有可能让全国断电。
8:24
他回到华盛顿，向白宫、国会和能源部作了汇报，
8:28
警告说因变压器损失造成的停电，可能持续十八个月甚至更久。
8:33
这里必须把报道自己保留的限定条件一起交代清楚，
8:37
因为这决定了你该多大程度上相信「九座变电站」这个说法。
8:42
第一，并不是所有人都认为FERC的潮流分析是准确的。
8:46
北美电力可靠性公司，英文缩写NERC，
8:50
是一个由行业主导的公私合营实体，受命保护电网。
8:54
它的总工程师Mark Lauby告诉记者，
8:56
电网的复杂性和内建冗余，使得FERC所预测的那种级联式大停电「不太可能」发生。
9:03
这是一个来自权威机构的、明确的反对意见，
9:06
报道把它原样保留了下来。
9:09
第二，这类预测本身就难做。
9:12
报道自己写道，对于如此精密的系统在协同攻击下会作何反应，
9:17
本来就难以给出确定性的判断。
9:20
第三，Wellinghoff因为这件事挨过处分。
9:24
当这份备忘录的部分内容被《华尔街日报》公开报道之后，
9:27
FERC的监察长办公室启动了调查，认定他在没有先审查这些结论是否应当定密的情况下，
9:35
就把它们分享给了业界和联邦官员。
9:38
他的辩解是：报告用的都是公开来源，所以他不认为结论需要保密。
9:44
但同时也要记住：Metcalf之后，
9:46
FERC一直把「保护变电站以防止级联停电」当作一个重大国家安全议题来对待。
9:53
现在说这篇报道最让人意外的部分：为什么变压器换不了。
9:58
二〇一三年更换变压器就很难，现在几乎不可能。
10:02
自二〇二一年以来，大型电力变压器—就是大变电站里那种、
10:07
能处理几万甚至几十万伏电压的型号—的平均等待时间，
10:12
从不到一年涨到了一百二十八周，某些型号的交货期已经拉长到五年。
10:18
能源分析师、前市政资源规划师Ajey Pandey对科技媒体ChinaTalk的形容是：「变压器短缺很糟。
10:27
是那种头发着火、咬指甲、睡不着觉级别的糟。
10:31
」为什么会这样？
10:33
报道给了四条并行的原因。
10:35
第一条是疫情。
10:36
西门子能源是全球最大的变压器生产商之一，
10:40
它负责电网技术的Tim Holt说，
10:42
短缺的急性期是从新冠疫情开始的。
10:46
供应链至少暂时性地断了，而电力公司对交货期变长的反应，
10:51
是工业版的「抢购厕纸」：「你看到交货时间变长，
10:55
然后大家当然就说：哦，那我得赶紧把我的供应锁住。
11:00
」于是排队的人更多，队更长，然后更多人来排队。
11:05
第二条是乌克兰战争，它进一步挤压了制造商—西门子能源的一家供应商在开战第三天就被炸了。
11:13
第三条是需求。
11:14
美国的总用电量开始增长了，这是二〇〇五年以来的第一次。
11:19
此前十几年，从家电到包装到照明，能效改善让美国经济可以在不增加发电量的前提下增长。
11:28
这个局面结束了，因为两件事：一是万物电气化，
11:32
二是像微软、Google这样的超大规模云厂商，
11:36
开始建设耗电量相当于一座小城市的数据中心。
11:40
预计二〇二七年的变压器需求，将是二〇二〇年的两倍多。
11:44
Holt的说法是：「未来十五年，我们在电网上要花的钱，
11:48
将相当于过去一百五十年花的总和。
11:51
」第四条是老化。
11:53
据一家制造商的说法，大约百分之七十五的配电变压器—就是街角那种蹲在地上的绿箱子，
12:00
和电线杆顶上那种灰色圆筒—已经超过了预期服役年限，
12:06
而这个年限最长也就五十年左右。
12:09
至于大型电力变压器，它们的寿命通常更短，
12:12
而十二年前的估算是，全美平均年龄已经三十八到四十年。
12:18
那么，为什么不能多造一点、快点造？
12:21
答案在于这个东西到底是怎么做出来的。
12:24
大型电力变压器长得基本上就像个集装箱，
12:27
上面伸出一些叫「套管」的疙瘩状尖刺—那是绝缘子，
12:32
常用陶瓷做，作用是让高压线穿进铁芯而不产生巨大的电弧火花。
12:37
而它内部的设计，自一八八六年 William Stanley Jr.造出第一台被广泛使用的商用变压器以来，
12:45
根本原理就没变过：两根铜线分别缠在一个环形钢芯的两侧，
12:51
增加第一根线的匝数，当电流开始流动时，
12:55
第二根线里的电压就会降低。
12:58
顺带一提，这位Stanley还创办了一家做保温杯的公司，
13:02
就是今天那个Stanley杯子；
13:05
而他的儿子，就是Morgan Stanley里的那个Stanley。
13:09
要让这个设计更高效、并且能够降下今天这种超高电压，
13:13
需要的是十九世纪的手艺，加上二十一世纪的材料科学。
13:18
先说材料。
13:18
变压器里的钢是一种特殊钢材，叫取向电工钢，
13:23
是一种硅铁合金，金属晶粒被全部排列到同一方向，
13:28
以减少能量损耗。
13:30
生产商要把它轧成薄至千分之九英寸的钢片，
13:33
再一层层叠起来做成铁芯。
13:36
这个工艺极其精细、极其耗时，以至于全美国只有一家钢厂能做。
13:42
再说手艺。
13:43
其余部件是手工装配的。
13:45
记者采访的制造商用了「art form」，
13:48
一门艺术，来形容其中的劳动。
13:51
「这不是在做一盒口香糖，」」Virginia Transformer r 公司的Kevin Lowery说，
13:56
「这是一件高度工程化的设备，有非常具体的要求。
14:00
」Wellinghoff第一次去变压器工厂时，
14:02
惊讶地看着一名技工用手缠绕铜线圈—这个过程可以花上几个星期。
14:09
绝缘纸和垫片要一片片摆到恰当的位置，
14:11
油箱和外壳需要大师级焊工，工人们用手把线束绑在一起，
14:17
像店员包圣诞礼物一样。
14:19
「我当时就明白了，」Wellinghoff说，
14:21
「那里有一个我们必须处理的脆弱点。
14:25
」还有一层：没法标准化。
14:27
因为每座变电站的要求都不一样，进出电压不同、
14:31
负荷不同、冷却需求不同。
14:34
变压器制造商Central Moloney的首席执行官Chris Hart告诉记者，
14:39
他的公司有超过一万一千种在用的不同设计。
14:43
「我们造的每一样东西都是按规格造的，
14:46
而每一份规格都完全不同。
14:49
」大型电力变压器尤其如此，它是一件彻底定制的产品，
14:53
价格也相称：一台最高可达一千四百万美元。
14:58
结果就是：美国本土制造商只能生产美国采购量的大约百分之二十，
15:03
其余由包括墨西哥、韩国和中国在内的六七个国家供应。
15:09
短缺已经严重到，超大规模云厂商开始花钱插队，
15:12
确保自己的变压器被排到下一个造。
15:16
即便如此，数据中心、工厂和太阳能电站，
15:20
都出现过因为等不到变压器而延迟投产的情况。
15:24
而Holt告诉记者，等待时间还在变长；
15:27
他的希望，是有朝一日能回到疫情前的交货水平—两到三年。
15:33
报道在这里给出了那句被拎出来做题图的话：我们不知怎的，
15:38
把一个工业版的法贝热彩蛋，变成了我们文明的关键零件。
15:42
那么，如果它们真的坏掉了会怎么样？
15:45
报道花了相当篇幅去写一件没有发生的事。
15:49
这部分要听得小心一点，它是基于政府报告和专家访谈的推演，
15:53
不是已经发生的事实。
15:56
最诡异的是开头：在灯熄灭后那安静的一刻，
15:59
我们甚至不会知道这次停电和以往有什么不同。
16:03
也许只是停几个小时，也许冰淇淋会化掉，
16:06
气氛一开始甚至可能是欢快的，就像二〇〇三年东部互联电网大停电时那样。
16:14
直到某个时刻，当局不得不告诉公众：电，
16:17
很长时间内不会来了。
16:20
第一阶段，社会会短暂地退回二十世纪初，
16:23
那个孤立设施靠自备电力运行的年代。
16:27
污水处理厂、自来水厂、医院，只要还有柴油或者天然气就能继续运转；
16:33
有应急收音机的人，可以收听全美七十三个配备了六十天发电机燃料的「主入口点」广播电台之一。
16:41
但柴油会烧完，天然气泵会停机。
16:45
第二阶段更难：恢复电网的希望会随着化石燃料耗尽而消退，
16:49
因为很多电力公司要靠它们给自己的发电机组做「黑启动」，
16:54
也就是在整个电网都没电的情况下，靠自身把机组重新点起来。
17:00
二〇一〇年一份由能源部和NERC共同准备的报告，
17:04
把后面会发生的整部灾难片压缩进了一段话：「食物、
17:09
水和燃料的供应将在几天内恶化。
17:13
手机、互联网和电视的丧失，将极大地增加向公众传递信息的难度。
17:19
经济将几乎完全停摆，因为电子交易无法再被处理。
17:23
数日之后，大规模的社会动荡和混乱将随之而来。
17:28
」而具体要多久？
17:29
报道给出的算术是：九座变电站、每座大约二十台变压器，
17:34
意味着大约一百八十台的损失。
17:37
如果只是冷却系统受损，像Metcalf那样，
17:40
一个团结的世界也许能较快做出替换件。
17:44
但如果需要整台更换，障碍会大到几乎无法逾越：每一台都要从零设计制造，
17:50
可能要几个月；
17:51
然后是几周跨洋运输，而且但愿港口已经想出了在没电的情况下怎么作业。
17:59
上岸之后，大型电力变压器重达八十万磅。
18:03
「你不能就这么把这些大家伙往平板车上一拍，
18:06
然后开着穿越全国，」Lauby说，「吨位太大了。
18:11
它们又极其脆弱又极其巨大。
18:14
」这类设备通常要用一种叫Schnabel的特种铁路车运送，
18:18
而整个北美只有屈指可数的几辆。
18:22
Lauby还有一句话值得记住：虽然能源只占美国经济的百分之七，
18:26
「但它是第一个百分之七，因为它之后什么都动不了。
18:31
」那有没有预案？
18:32
没有。
18:33
美国没有一份应对全国性停电的完整计划，
18:36
尽管有政府报告在呼吁制定一份。
18:39
二〇一五年，国会曾要求NERC研究建立「战略变压器储备」，
18:45
但这个设想被搁置了，取而代之的是一个自愿性的、
18:49
由电力公司主导的设备共享计划；
18:53
而且由于每台大型电力变压器都是独一无二的，
18:56
这种储备到底有多大用处本身就存疑。
18:59
NERC另有一个每两年一次的兵棋推演演习叫GridEx，
19:04
模拟各方如何应对范围较有限的停电，但参与同样是自愿的。
19:10
那么出路在哪里？
19:11
报道给出的解法有三条：在本土造得更多更快；
19:15
让电网不那么依赖变压器；
19:17
或者用更好的东西替代传统变压器。
19:20
记者去内华达州里诺，看的是第三条。
19:23
在一栋毫无特征的建筑里，一家叫Amperesand的公司正在组装它认为是自William Stanley时代以来变压器技术最重要的创新：固态变压器。
19:36
它不再是往一个巨大钢制容器里塞满取向电工钢、
19:39
手绕铜线和油，而是由一些小模块组成，
19:43
损坏了可以方便地更换；
19:45
它的输入输出电压，可以通过「功率电子学」，
19:49
也就是用半导体来操控电压和电流，来控制。
19:53
它的供应链也更稳健：关键材料铁氧体和碳化硅都比取向电工钢好生产，
20:00
而且因为电动车行业用得多，供应量更大。
20:04
NERC的Lauby把固态变压器称作「未来的电网」，
20:08
说它有朝一日或许能即插即用地接进变电站：「有了功率电子变压器，
20:15
你把它插进去，它自己就会琢磨出它该是个什么。
20:18
」但这里有个「首先」：Amperesand和它的竞争对手—加州的Heron Power、
20:25
北卡罗来纳州的DG Matrix—得先在更小的尺度上做出一台能用的。
20:31
眼下它们的市场，是服务超大规模云厂商。
20:35
这里有一个很能说明问题的细节：Amperesand的首席执行官Brian Dow来自特斯拉，
20:41
做过Megapack项目的功率电子和Model三的电池。
20:46
记者问他产线上有多少人也来自特斯拉，
20:48
他开始一个个指：他是，他是，他也是。
20:53
「我在Model三的量产地狱里和Elon合作了很多，
20:56
他教了我很多关于生产规模化的经验，」Dow说。
21:00
「举个例子：做一种尺码通吃的T恤。
21:03
别去做定制产品。
21:06
」他还引了另一条马斯克式的准则：把生产流程里所有能删的都删掉，
21:11
复杂性是你的敌人。
21:14
请注意这句话和前面的对照。
21:15
传统变压器行业的根本约束，恰恰是一万一千种规格、
21:20
每一份都不同。
21:21
固态变压器的赌注，本质上是用「一种尺码通吃」，
21:26
去替换「彻底定制」。
21:28
Heron Power的首席执行官Drew Baglino同样出身特斯拉，
21:32
他的说法是：「我们正处在一个支点时刻，
21:36
一大堆基础设施因为老化而需要被替换。
21:40
」转折点是什么时候到来的？
21:41
Dow说，他刚去Amperesand的时候，
21:45
和风投开会谈「颠覆变压器行业」，「人家看我们的眼神像看疯子」。
21:51
这一切在去年十月改变了—英伟达发布了它对使用其芯片的数据中心设计做「根本性架构转变」的方案，
21:59
围绕八百伏直流的新一代供电架构；
22:02
在那张示意图上，传统变压器的位置被换成了一台固态变压器。
22:09
此后，Heron Power完成了一轮一亿四千万美元的融资，
22:13
由 Andreessen Horowitz z 领投；
22:15
Amperesand拿到了西门子和高盛的资金。
22:19
现在说数据中心的第二重角色。
22:21
它们不只是在插队买传统变压器，它们还在扰动自己接入的电网。
22:27
当一个大语言模型—比如Google的Gemini或者Anthropic的Opus—处于训练状态时，
22:35
它会消耗巨量电力，五百兆瓦甚至更多。
22:40
而当模型退出训练状态时，用Dow的比喻说，
22:43
「那就像辛辛那提整座城市的灯瞬间全部关掉」。
22:48
电网不是为这种大起大落的负荷设计的，
22:50
但固态变压器可以扛。
22:53
这里还有一段关于如何让人关心基础设施风险的观察。
22:56
「韧性社会基金会」主席Thomas Popik告诉记者，
23:00
他最近发现，把变压器讲成一个人工智能建设的问题，
23:04
比讲成一个文明存续的问题更有说服力。
23:08
你要是说「美国需要更多变压器产能，因为哪天可能有人袭击我们」，
23:13
很多人会回答：「有很多坏事都可能发生，
23:17
我没法为每一件操心。
23:19
」但你要是说「美国十年后可能在人工智能上失去国际竞争力，
23:23
因为数据中心的真正瓶颈是变压器产能」，
23:27
人们就会说：「哦，等一下。
23:30
」如果你眯起眼睛看，数据中心甚至可以被看作是推动电网各种有益变革的载体。
23:36
清洁能源播客「Volts」的主持人David Roberts说：「这是当下最重要的故事。
23:44
」所有人都在饥渴地找容量，他说，「而这种需求正以一种无法抗拒的方式，
23:50
把他们推向那些脏兮兮的嬉皮士鼓吹了很多年的解决方案。
23:55
」其中最突出的，就是到处装电池。
23:58
电池反过来让我们能更好地利用电网上已有的电力：如果它们能在用电高峰时顶上，
24:04
我们就能全天候地贴近峰值运行。
24:06
储能规模预计将在二〇二五年到二〇二七年间翻一番。
24:12
诗人和环保主义者Wendell Berry写过一句话：「假定大问题需要大解法，
24:18
是我们这个时代压倒性的倾向。
24:21
」修复一张脆弱电网的最佳方案，也许恰恰是大量分布得很广的小干预。
24:26
Roberts说，那样的大宗电力系统会变得「无聊地坚韧可靠」。
24:31
如果备用电力足够充裕，拿掉一两座、三四座变电站，
24:36
也许就不会导致FERC所预测的那种级联失效。
24:41
政策这一侧的图景是混合的。
24:43
白宫的《人工智能行动计划》有一节专门讲电网建设，
24:47
但该计划的主要执笔人Dean Ball说，
24:50
他刻意避开了一些听上去过于「绿」的措辞，
24:54
比如特意写「储能」而不是「电池」。
24:57
不过他也说：「我认为他们的看法已经被物理学的硬现实软化了。
25:02
」在重建本土变压器产业这件事上，本届政府的手法要更对路。
25:08
今年四月，特朗普援引《国防生产法》—一部一九五〇年的法律，
25:14
允许联邦政府为国家安全需要直接干预和支持工业生产—让政府可以直接支持电网设备制造商，
25:21
包括电工钢生产商。
25:24
不过报道保留了一个重要的怀疑：这不是《国防生产法》第一次被用来鼓励变压器厂扩产，
25:30
拜登在二〇二二年做过一次，效果有限。
25:34
开一家新工厂的时间尺度，可能本来就长到行政命令起不了什么作用。
25:39
而且还有反向的产业政策—Central Moloney的Hart说，
25:44
铜和铝的关税正在伤害他的生意：「这不可持续。
25:48
成本涨了将近百分之二十。
25:51
」更难解的是人。
25:53
记者采访的几乎所有制造商都说，找到合格工人是个长期问题。
25:59
变压器最精细的部分需要工匠级别的技师，
26:02
但Hart说连最基本的技能都缺：「我们在一些厂区，
26:07
培训流程真的是从『左松右紧』开始教起。
26:10
」他还说了一句很重的话：「如果全球所有的变压器业务都转移回美国，
26:15
我不认为我们有人能配得上。
26:17
」他的公司已经向当地高中的焊接课程投了将近一百万美元；
26:22
西门子能源则在把一部分工人送到德国去培训。
26:27
但需求高到足以冲破这些约束。
26:29
过去四年，Virginia Transformer r 的员工从一千八百人增长到六千人；
26:35
日立能源正在投入超过十亿美元扩大美国产能；
26:39
西门子能源在过去两年里三次上调资本开支计划。
26:44
「市场直接把我们越过去了，」Holt说。
26:47
报道最终的判断相当冷静：很快我们会在国内造出更多、
26:51
更快的变压器，而这大概就是我们能最接近「解决变电站问题」的程度了。
26:57
一个准时制经济是高效的，但它是脆的。
27:01
而一张真正安全的电网，需要的是这套系统无法想象的投入：跨行业的协调与合作；
27:09
一支高薪、受过大量训练的蓝领队伍；
27:12
巨量的备件储备；
27:14
以及极可能永远用不上的安保升级。
27:17
高影响、低频率—这是一种和「照常做生意」不相容的风险。
27:23
报道的结尾，记者今年五月去了Metcalf。
27:26
他向P G and E申请参观被拒绝了，
27:29
发言人说，公司只和监管机构与执法部门共享安全信息，
27:34
「我们不会给任何人提供一张路线图。
27:37
」
27:38
于是他自己去看。
27:39
当年枪手射穿的铁丝网，已经换成了一堵高高的混凝土墙，
27:44
墙上每隔一段就有灯、传感器和摄像头。
27:49
但变电站建在一条小河旁边的低洼灌木地里，
27:52
四周是草丘。
27:55
于是他开车上了高地—从东北和西北的多个位置，
27:59
都能轻易看到里面排成一列的变压器，大约一百五十码远。
28:05
透过望远镜，他毫无遮挡地看到了那些像被雷劈过的头发一样支棱着的套管，
28:10
以及从侧身鼓出来的、脆弱的冷却片。
28:15
更荒诞的是，变电站周围的山丘里有五个靶场，
28:19
其中一个是两百码的高性能步枪靶场。
28:23
他用望远镜扫视设施时，能同时听见所有这些靶场的枪声。
28:28
而这十几年里，防护并非没有推进。
28:30
二〇一三年，国土安全部派出代表团巡访全国的电力公司，
28:36
敦促他们加强变电站安保。
28:39
「我们做了一次全国巡回，向所有者和运营者提示这些脆弱性，
28:43
」时任基础设施保护助理部长的Caitlin Durkovich告诉记者。
28:49
但全美有超过二十万英里的高压输电线和大约五万五千座变电站，
28:55
「大家心里有数，你不可能保护所有东西。
28:59
」第二年，NERC发布了一项「可靠性标准」，
29:02
要求电力公司评估自己的变电站、准备一份防御物理攻击的计划—但具体怎么做，
29:09
没有规定。
29:10
Wellinghoff说，无论电力公司做了什么升级，
29:13
都未必跟得上新威胁的演进：「我们面对的是一个全新的局面，
29:18
那就是这种非常非常成熟的无人机战争的出现。
29:21
」一位P G and E高管把那次枪击称为未来袭击的「彩排」。
29:27
事实也确实如此：过去十年里，从阿肯色到俄勒冈、
29:31
从佛罗里达到华盛顿，已有数十处设施被瞄准，
29:35
而且常常用的是二〇一三年那一招—打穿冷却系统，
29:40
让油慢慢流干。
29:42
其中最「成功」的一次发生在二〇二二年十二月的北卡罗来纳州，
29:46
有人用枪打瘫了杜克能源两座变电站的多台变压器，
29:50
四万五千人失去电力，有些人停了长达五天。
29:55
调查至今没有点名嫌疑人。
29:57
而在多起被挫败的变电站袭击图谋中，涉案的是右翼极端分子—在新纳粹和「加速主义」团体中，
30:04
Metcalf多年来一直被当作范本研究。
30:08
二〇二四年，一个被其成员称为「当代党卫军」的组织中的五名成员，
30:14
因密谋摧毁山区西部各处的变压器，被判处二十一个月到十年不等的刑期。
30:21
最后是国家层面的威胁。
30:22
报道的判断是：同时打瘫九座变电站，可能超出一个国内恐怖组织的能力，
30:28
但完全在一个国家行为体的能力范围之内。
30:32
多年来，情报分析人士一直警告，电网对包括中国、
30:37
朝鲜、俄罗斯和伊朗在内的对手来说，是一个诱人的攻击面。
30:43
报道提到，中国已被查出在一台运往科罗拉多州某联邦公用事业机构的大型电力变压器中植入软件后门。
30:52
五角大楼曾警告，中方可能专门瞄准关键基础设施，
30:56
以「削弱美国公众的意志」。
30:59
而Durkovich担心的是另一层：「美国实际上正在把攻击委内瑞拉和伊朗境内的关键基础设施常态化。
31:06
」她的意思是，这会让对手觉得，把变电站视为正当目标不再是禁忌。
31:13
报道的收束是冷的：对于合适的对手来说，
31:16
电网可能是更大的战利品—不需要一支军队、
31:21
一支轰炸机群或者一枚核弹，你就能让美国瘫痪数年。
31:25
我们把这一段的收获收一下。
31:27
美国人工智能扩张的物理瓶颈不在芯片，
31:30
而在一件十九世纪的手工艺品上。
31:34
它有三重脆弱：造得慢—一百二十八周、
31:37
一家钢厂、一万一千种规格、手工缠绕；
31:41
打得坏—冷却片一穿就慢慢报废，而且已被反复实践；
31:47
修不快—八十万磅、专用铁路车、没有全国预案。
31:52
而人工智能恰恰同时是这个瓶颈的加剧者和破局者：它一边插队、
31:57
一边用剧烈波动的负荷冲击电网，另一边又给了固态变压器和分布式储能一个无法拒绝的商业理由。
32:06
聊完钢和铜，我们把镜头转到教室。
32:09
第二张账单来自《纽约时报》记者Natasha Singer的一篇文章。
32:14
这一段要格外注意听的方式，因为它和上一段的性质不一样。
32:19
上一篇是标准的调查报道：记者去了现场，
32:22
采访了二十多位专家，把发现摆出来。
32:25
这一篇不是。
32:27
它是Singer从她正在写的一本书里抽出来的一篇文章，
32:30
一篇有明确立场的、以报道为支撑的论证。
32:35
她本人在文中以第一人称出现，做类比，
32:38
下判断。
32:39
所以正确的听法是：她的事实—她采访了谁、
32:43
看了哪些文件、哪些数字来自哪家研究机构—是新闻报道的事实；
32:50
而她的框架，也就是「大科技公司拿下了美国学校」这个论断本身，
32:56
是她的主张，不是中立共识。
32:59
这篇文章里也确实收录了持不同看法的当事人，
33:02
我会把他们的话原样带上。
33:04
她的证据基础是：为这本关于学校里的人工智能与计算机科学教育的书，
33:10
她采访了一百多位教育界和科技行业人士，
33:13
查阅了数百份学校、政府和企业文件。
33:17
她本人为《纽约时报》报道校园科技已超过十年。
33:22
开场是二〇二五年夏天一个闷热的下午，
33:25
曼哈顿市中心的一间会议厅。
33:28
大约两百名教师陆续进场，微软的代表在等他们。
33:33
微软团队介绍了自家的Copilot聊天机器人，
33:36
让教师们练习用它来做「给家长写邮件」「定制教案」这类任务，
33:41
还放了一段由其 Minecraft Education n 部门为儿童制作的科普动画，
33:45
有一个欢快的旁白和一只可爱的小鸭子。
33:49
一位微软工作坊主持人对在场教师说：即使有些学生年纪还小、
33:55
不能用人工智能，至少他们可以开始了解它。
33:58
这个会场是U F T，纽约市教师联合会的总部。
34:03
这里补一句背景：美国的教师工会主要有两大体系，
34:07
美国教师联合会A F T是其中之一，
34:10
拥有一百八十万会员；
34:12
U F T是它在纽约市的分会。
34:16
Singer说，她坐在那里，想起的是多年前她报道医疗行业时见过的场景：由制药公司组织的、
34:23
面向医生的研讨会，目的是让医生开出最新的品牌药。
34:27
她引用了乔治城大学医学中心研究药企如何影响医学的药理学教授 Adriane Fugh-Berman n 的一句话：「产业资助的是对产业有利的东西。
34:39
」然后她做了一件在方法上很关键的事—她先把对方的合理性说出来：这些工作坊有好处，
34:47
药企研讨会可以让医生跟上最新的疗法，
34:51
科技公司的工作坊同样可以帮助教师跟上最新的软件工具。
34:55
转折在下一句：但硅谷争夺教育从业者注意力、
34:59
提供学生培训材料的努力，也可以兼作营销或者灌输—它让地球上一些最强大的公司，
35:06
得以向管理者、教师和学生讲述美好的技术故事，
35:11
给他们一个被净化过的产业实践与产品风险的图景。
35:14
接着是全文最有力的一个修辞：很多家长大概会反对，
35:18
如果埃克森美孚来编写他们孩子的环境科学课程；
35:22
或者如果普渡制药来培训他们孩子的生物老师。
35:27
然而在过去十年里，学校常常以类似的方式拥抱科技行业，
35:32
而且几乎没人提问。
35:34
这里补一句为什么普渡制药这个例子这么刺耳：这家公司因在阿片类止痛药的营销中淡化成瘾风险，
35:43
被广泛视为美国阿片危机的核心责任方之一。
35:48
Singer举这两家公司，是在说：如果换成别的行业，
35:51
人们的直觉警报早就响了。
35:54
现在说事件本身。
35:55
微软主持的那场工作坊之后第二天，A F T宣布了一项重大计划：这个拥有一百八十万会员的全国性工会，
36:04
将启动一个雄心勃勃的项目，在全国范围内培训教师使用人工智能，
36:08
资金来自微软、OpenAI和Anthropic的两千三百万美元。
36:15
A F T主席Randi Weingarten当时公开表态是乐观的。
36:19
她说这个合作会帮助教育者学会「安全地、
36:24
明智地、合乎伦理地」使用聊天机器人，
36:27
同时也让教师在微软和OpenAI这类庞然大物开发人工智能产品时，
36:34
有一个坐在桌边的位置。
36:36
Singer在采访里向她指出：这笔交易对学校来说可能构成一个「让狐狸看鸡窝」的问题—因为她的组织一边在呼吁建立保护儿童免受人工智能风险的安全机制，
36:49
另一边，代表大科技公司的一些行业协会正在游说阻挠人工智能安全立法。
36:55
Weingarten承认了这个不协调：「我们做这件事是为了学生好、
37:01
为了国家好、为了家庭好，是为了确保教育者真正扮演他们应有的角色。
37:07
我们打交道的一些公司，做这件事是为了利润。
37:10
这是两个根本不同的目标。
37:13
」也就是说，当事人自己承认了张力，但她的立场是知其有张力仍然要进场。
37:20
工会宣布之后，一些教师和教授公开警告：人工智能聊天机器人的普及，
37:26
可能会通过外包和自动化「给学生作业提供反馈」这类核心任务，
37:32
而侵蚀教师这个职业本身。
37:35
其中言辞最激烈的一位，是新泽西城市大学的教育学荣休教授、
37:39
U F T退休会员Lois Weiner。
37:42
她对Singer说的那句话，大概是全文最刺的一句：「这不是一场结盟。
37:48
我们不是坐在桌边。
37:49
我们就是那顿饭。
37:51
」Singer的核心论证结构，不是「某家公司做了某件坏事」，
37:55
而是「一整条供应链的每一环都被影响了」。
37:59
消费科技巨头提供了学校赖以运转的基础脚手架—笔记本电脑和平板；
38:05
操作系统和设备管理软件；
38:07
学生用来写文章、分析数据的应用；
38:10
连接学生和教师的通信平台。
38:14
而其中一些公司，包括Google、微软和苹果，
38:18
还把自己作为课堂技术供应商的地位，当成了影响学生学什么、
38:23
怎么学的跳板。
38:25
具体手法有这么几种：资助全国性民意调查和研究报告，
38:30
以此把人工智能聊天机器人这类产品、计算机科学这类课程，
38:35
变成学区更紧迫的优先事项；
38:38
游说推动新法律，要求学校教授与产业方向一致的科目；
38:44
坐进委员会，参与塑造公立学校的学习标准；
38:47
提供或赞助教师培训和面向学生的免费课程材料；
38:52
资助全国家长教师协会、教师工会和其他有影响力的团体。
38:58
她给的最锋利的例子是A P课程。
39:00
这里需要背景：A P是 Advanced Placement t 的缩写，
39:04
是美国高中里的大学先修课程体系，学生修完可以考试换取大学学分，
39:11
是升学履历上很重的一块。
39:15
苹果提供一门免费的A P计算机科学课程，
39:17
教高中生用Swift写代码—而Swift正是苹果自己用来开发iPhone应用的编程语言。
39:25
微软提供一门竞争性的课程：A P计算机科学原理，
39:29
加上 Minecraft Education。
39:32
Singer的句子是这样收的：这些课程名听起来无害。
39:36
但是，并不存在一门雷神公司冠名的A P物理课，
39:40
一门杜邦冠名的A P化学课，或者一门辉瑞冠名的A P生物课。
39:47
她随后把这件事抬到了一个更大的层面。
39:50
她说，不管你是希望学校以技术技能为中心，
39:53
还是对此无所谓，这个故事都重要—因为近年的学编程热和当下推人工智能进校园的势头，
40:01
不只是关于学习，它们是硅谷权力运作的一部分。
40:06
公共教育系统渴求资源以改善学生的机会，
40:08
而它已经变成了万亿美元级公司推行其议程的一条通道。
40:14
而这触及的是美国人争论了一个多世纪的根本问题：公共教育的目的是什么？
40:20
是培养有批判力的独立思考者？
40:23
是训练学生掌握最新的职业技能？
40:25
是服务当下或者新兴产业的需要？
40:28
是造就有知识、能参与的民主公民？
40:32
还是以上全部？
40:34
必须把对方的话完整放上来，而Singer自己也确实放了。
40:38
微软副董事长兼总裁Brad Smith告诉她，
40:42
这个局面之所以形成，是因为公立学校常常显得没有能力教授关键的现代科目、
40:48
没有能力让学生为不断变化的就业市场做好准备。
40:52
他还建议她想一想：如果没有微软这类企业的支持，
40:55
学校会是什么样。
40:57
「私营部门的慈善之所以在做这项工作，
41:00
是因为公共部门未能做它本该做的事，」Smith说。
41:05
他也承认这个状况并不理想：「它是出于必要才填补了这个空缺。
41:10
这不是我们应该希望的公共教育运作方式。
41:13
」Google的企业捐赠部门Google点org的负责人Maggie Johnson提出了类似的论点。
41:20
她说，公司为数百万处境不利的学生—包括初中生和农村地区的学生—提供了编程、
41:28
数据分析等科目的免费教育材料和培训。
41:32
Singer自己对此的处理很诚实。
41:34
她写道：大科技公司在教育上的意图，可以既是善意的，
41:39
又是面向长期利润的；
41:41
你怎么看待其中任何一个项目，取决于你对科技行业更广泛的看法。
41:48
而公众对这些公司的情绪已经发生了深刻的转变—从二〇〇〇年代和二〇一〇年代初的普遍正面，
41:55
转向随着社交媒体的负面效应、强迫性屏幕使用和企业权力问题日益显现而增长的不信任。
42:03
她举了一个能看到这种张力的例子。
42:06
二〇一七年十二月，Google为「计算机科学教育周」推出了免费的编程练习，
42:11
教学生用简单的代码块，让Google标志里的字母变色、
42:15
旋转和弹跳。
42:18
Johnson说，这是让学生对编程产生兴趣的好办法。
42:21
Singer说：这是真的。
42:25
但同时，这些课程也有一种「品牌洗白」的味道—因为就在那前后，
42:30
记者们已经开始报道Google的YouTube Kids平台如何向儿童展示不当、
42:35
下流和暴力的内容，而公司也已经开始从YouTube上删除数千个被儿童性侵者盯上的儿童视频。
42:43
让五颜六色的Google标志跳跃旋转，
42:46
是对这些新闻标题的一种转移注意。
42:49
接下来这一节是全文最像纯报道的部分：Google是怎么拿下教室的。
42:55
Google之所以成为美国学校里的主导技术平台、
42:58
盖过苹果和微软，部分原因是它提供了一个方便的组合包：Gmail这类免费应用，
43:05
加上结实、低价的笔记本电脑Chromebook。
43:08
据市场研究公司 Futuresource Consulting g 的数据，
43:12
去年，Chromebook占美国学校采购移动设备出货量的百分之五十九。
43:18
它是怎么做到的？
43:18
二〇一〇年代初有一场叫「Gone Google」的营销活动。
43:23
当时Google刚开始说服大学和学区，
43:26
把昂贵的传统软件换成它免费的应用套件。
43:30
一份十九页的Google营销指南，把这个产品描述为「一场由好奇心驱动、
43:36
由技术赋能的学习的庆典」。
43:38
公司鼓励教育领导者宣传自己的迁移，很快，
43:42
全国各地的学区开始宣布自己「Gone Google」了。
43:46
Google卖Chromebook给学校领导的说辞同样是感觉良好型的：这些笔记本会赋能学生、
43:53
让学习民主化。
43:55
Singer举了一个很有说服力的细节：在堪萨斯、
43:59
密歇根、密苏里、纽约、俄亥俄、俄克拉何马、
44:04
田纳西、德克萨斯和威斯康星等州购买了Chromebook的学校，
44:10
在自己的网站或者学生手册上，都写了同一句话的不同变体—「Chromebook的个人使用，
44:16
是一种赋能学生最大化其全部潜能、并为大学和职场做好准备的方式。
44:22
」同一句话出现在九个州的学校文件里，
44:25
本身就是一个证据。
44:27
而学校的热情，掩盖了Google的一个长期目标：让学生尽早被Gmail、
44:33
Chrome这类服务勾住。
44:35
真正的收入—来自汇聚消费者数据、并基于其网上活动展示广告—在后面才来。
44:43
Singer还指出，用免费应用赢得学校和学生，
44:46
对Google而言也是一种在监管机构开始调查其数据实践时，
44:51
柔化自身形象的手段。
44:53
二〇一九年，Google同意支付一亿七千万美元，
44:57
了结监管机构关于YouTube非法收集儿童个人数据、
45:01
并据此向他们定向投放广告的指控。
45:04
而自那以后，数以百万计的学童试用过Google那套色彩明亮的动画课程，
45:10
它教学生如何保护自己的数据隐私、如何在网上友善待人，
45:15
同时把Google定位成一个友好、可信赖的隐私保护者。
45:21
然后是这一段最硬的一句结论：过去十年里，
45:24
学校在课堂技术产品上花了数百亿美元。
45:27
然而，笔记本电脑和学习应用，总体上并未被证明能显著改善学生的教育成果。
45:35
于是就有了反噬。
45:36
一些认为自己被行业过度推销了设备的家长和学校领导，
45:40
对校园里的屏幕失去了热情—Singer给这个现象起了个名字，
45:45
叫Chromebook悔意。
45:48
今年，美国第二大公立学校系统洛杉矶联合学区同意，
45:51
取消学前班到一年级学生使用学校配发的iPad和Chromebook。
45:57
家长团体「「Schools Beyond Screenss」的创始人Lila Byock在最近一次洛杉矶教育委员会会议上说：「十年前，
46:05
我们买了科技公司的那套说辞，说让学生为未来做好准备的唯一办法，
46:10
就是给他们每人发一台Chromebook或者iPad。
46:15
现在我们知道得更多了。
46:16
」甚至连Weingarten—二〇二五年为工会与微软和OpenAI的教师培训合作背书的那位A F T主席—也部分地掉了头。
46:27
随着人工智能政治环境的快速变化，她今年公开呼吁小学暂缓对学生使用人工智能。
46:33
接下来是这一篇里最完整的一条时间线：那场学编程运动是怎么来的，
46:38
又是怎么结束的。
46:40
二〇一一年，时任Google执行董事长的Eric Schmidt在苏格兰发表演讲，
46:45
严厉批评英国学校未能教授计算机科学，
46:48
也就是编程与算法这类概念的学习。
46:52
他暗示，如果没有更多孩子学会编程，英国将无法在全球竞争。
46:57
一年后，微软对美国发出了类似的公开告诫：科技公司找不到足够多有才能的软件工程师来维持其爆炸性增长，
47:06
而这种招聘短缺威胁着美国经济。
47:10
微软说，问题在于教计算的高中太少。
47:13
这条信息在二〇一三年真正引爆。
47:17
一个叫Code点org的非营利组织发布了一段YouTube视频，
47:21
主演是比尔·盖茨和马克·扎克伯格，把编程宣传为一项赋能且高薪的学生技能。
47:30
「我们的政策实际上就是尽可能多地雇用我们能找到的有才能的工程师，
47:35
」扎克伯格在视频里说。
47:38
「整个系统的限制在于，今天受过训练、
47:41
拥有这些技能的人就是不够多。
47:44
」视频病毒式传播，掀起了一场全国性的学校学编程运动。
47:49
在微软和Google的资金与专业支持下，
47:51
Code点org帮助说服了数十个州通过新的法律和政策，
47:56
推动公立学校的计算机科学教育。
47:59
二〇一四年，奥巴马总统还戴着一顶写着Code的棒球帽，
48:03
参加了Code点org的活动。
48:06
Singer对这些课程的评价是双面的：这些课确实有正面效果，
48:11
教会了学生逻辑、抽象和解决问题这些重要技能。
48:16
但其中一些课程也把科技巨头塑造成仁慈的、
48:19
改变世界的创新者，往往并不推动学生去思考这个行业的后果与危害。
48:26
她引了一句来自内部的话。
48:27
计算机科学教师协会，一个拥有近一万名教师会员的非营利组织，
48:33
它的副总裁Bryan Twarek对她说：「在其他学科里，
48:40
我们没有产业在驱动从幼儿园到十二年级的课程或者政策决定。
48:45
而我们大概也不该有。
48:46
」Singer加了一句评论：考虑到该组织最大的捐赠方包括亚马逊、
48:52
Google和微软，他的坦率显得令人吃惊。
48:56
而这个故事的结尾，是全文最有讽刺意味的部分：大科技公司需要一支程序员大军，
49:03
直到它不需要了。
49:05
软件工程师越来越多地转向用人工智能工具生成代码，
49:09
许多此前毫无编程经验的人也一样。
49:12
亚马逊、Google、Meta和微软正投入数十亿美元建设巨型数据中心来支撑人工智能服务，
49:22
与此同时却在裁掉数千名员工。
49:26
一些主修计算的应届毕业生，正在为找不到技术工作而发愁。
49:30
而现在，当初把计算机科学卖给学校的同一批公司，
49:34
又在推动学校教人工智能。
49:37
Singer给了一个特别说明问题的细节：今年，
49:40
Code点org把自己改名叫Code A I。
49:44
但Singer说，这一次学校里发生了一些不同的事：推回。
49:49
一批教师、家长、研究者和地方政府领导者说，
49:53
他们不接受把新的、教育效果未经证实的人工智能工具，
49:57
当作学习下一个支点的说法。
50:00
其中一些人正在拥抱一种更宽的技术教育路径：不只教算法和做应用，
50:06
也要求学生审视个人和社会如何被这个行业的颠覆所影响。
50:12
为了亲眼看看这种做法，Singer去了加州奥克兰的一所初中，
50:16
见了数学老师Alicia Streight。
50:20
除了教常规内容，Streight会让学生分析社交媒体网红如何操纵统计数据来传播虚假信息。
50:29
几年前，她还开了一门每周一次的课，鼓励初中生去审视他们生活中的各种「创新」—TikTok、
50:36
人造肉、ChatGPT。
50:39
她带学生思考的问题是：「这东西是从哪来的？
50:42
谁在造它？
50:43
谁在获利？
50:44
谁在受益？
50:45
这会怎么影响我？
50:47
会怎么影响我的家庭？
50:48
十年后会发生什么？
50:50
」Singer的总结句写得很漂亮：她的学生不是被产业编码，
50:55
而是在学习解码流行产品，并对背后那些强大的公司提出根本性的问题。
51:01
教育界给这种教学法起了个名字：技术公民课。
51:06
文章的落点是：公民课长期以来是公立学校的一门必修科目，
51:10
让学生理解并驾驭政府权力在他们生活中的作用；
51:15
而这门新学科，将帮助他们理解并驾驭大科技公司，
51:20
让他们为一个日益被机器塑造的世界做好准备。
51:23
这一段的收获，我分两层说。
51:26
当作事实清单来听，它给你的是一批扎实的数字和文件：百分之五十九的Chromebook份额、
51:34
两千三百万美元的工会培训资助、九个州学校手册里那句一模一样的宣传语、
51:42
Code点org改名Code A I、
51:44
洛杉矶学区对低年级设备的叫停。
51:47
当作论证来听，Singer的主张是：公共教育因为缺钱和缺能力，
51:52
把课程、教师培训和学习标准部分让渡给了有商业利益的一方，
51:57
而这在别的行业本来会立刻触发警报。
52:01
而Brad Smith的反驳必须并置—他说公共部门失败在先，
52:06
私营部门是出于必要填空的，而且这不是我们该希望的样子。
52:12
两句话并不互相否定：它们指向同一个空缺，
52:15
只是对「谁该来填」给出了不同答案。
52:20
聊完美国的教室，我们把镜头转到太平洋对岸的实验室。
52:24
第三张账单来自《华尔街日报》的一篇报道，
52:27
它的切口很小：两个人。
52:31
十多年前，Tang Jie和Yang Zhilin还只是师生，
52:34
梦想造一台能像人一样思考的机器。
52:37
今天，他们是让美国人工智能先行者们警觉地回头张望的中国人工智能大亨中的两位。
52:45
Tang，今年四十九岁，清华大学教授，
52:48
联合创办了Z A I—在能力和全球使用量上紧追Anthropic和OpenAI的公司之一。
52:56
Yang曾被Tang提名角逐清华的最高学术奖项，
52:59
如今领导另一家公司Moonshot AI。
53:03
两家公司的估值都在数百亿美元级别。
53:06
中国人工智能模型的快速崛起，在硅谷和华盛顿都引出了一堆问题：中国的实验室怎么会这么快走到这一步？
53:14
他们的模型是从哪来的？
53:16
是不是在窃取美国模型？
53:19
他们的产品是否该为保护美国国家安全而被禁？
53:23
这篇报道的第一个判断是：中国的人工智能推进一点也不突然。
53:28
Tang做机器学习已经做了大约四分之一个世纪。
53:33
十多年前，他就已经跻身中国人工智能专家的前沿—那时他们在做的，
53:38
就是让计算机完成理解语言、识别人脸这类类人任务。
53:43
Tang、Yang和他们的同行，其中很多人的起点是清华和另外少数几所院校，
53:50
构成了中国科技中心里的一个「虚拟硅谷」。
53:55
知识在他们之间流动得很容易，原因有两个：一种发表研究的文化，
54:00
以及中国开发者对开源技术的偏好—开源意味着大体可以免费下载和修改。
54:07
在生成式人工智能时代要追上来，中国公司依靠的是一套熟悉的组合：巧思与模仿。
54:13
这也是这个国家在电子、汽车和绿色能源上成功的背后逻辑。
54:19
中国的开发者把在美国受训的计算机科学家请回国，
54:23
并密切跟随美国的进展。
54:25
更有争议的是，一些公司看上去「蒸馏」了美国模型，
54:30
来更快地训练自己的模型。
54:33
这里要把「蒸馏」讲清楚，因为它是后面所有争议的技术底座。
54:37
报道自己的定义是：一个新系统通过向一个已有系统提出几十万个问题并分析其答案，
54:44
来向它学习。
54:46
你可以把它想成：一个学生没有导师的教材，
54:49
但可以无限次向导师提问，然后把导师的回答规律，
54:54
总结成自己的知识。
54:56
Anthropic已经指控包括Z A I和Moonshot在内的中国公司违反其政策、
55:02
进行大规模蒸馏。
55:04
两家公司都未就此置评。
55:07
而在中国模型开发商工作的人则表示，蒸馏在全球范围内都很普遍，
55:12
只是某些中国公司可能用得比美国同行更激进。
55:17
请注意这三层表述在认识论上的差别，报道把它们分得很清楚：第一层是Anthropic的指控；
55:27
第二层是被指控方的未予置评；
55:30
第三层是行业内部人士的说法，而这是一种把行为普遍化的辩解，
55:36
不是否认。
55:38
差距到底有多大？
55:39
报道给了几个坐标。
55:41
埃隆·马斯克在六月预测，中国不会在二〇二七年第一季度之前追上Anthropic的顶级Fable模型。
55:49
Tang在X上回敬：「用不了那么久。
55:53
」两国的行业领袖都表示，中国最好的模型的能力，
55:56
只落后美国最好的几个月。
55:58
本月，Z A I发布了最新的G L M五点三模型，
56:03
称其在网络安全能力上，已经追平Anthropic的Mythos五。
56:09
再说国家这一侧：钱、客户，和一句「人工智能时代的核武器」。
56:15
中国政府长期把人工智能和计算机科学视为经济增长与国家安全的重要驱动力。
56:21
它的追赶配方，是国家支持加民营竞争两条腿：国家向清华这类大学的研究注入资金，
56:28
也资助创业公司；
56:30
而中央和地方政府本身，又是这些创业公司服务的早期客户。
56:35
这最后一点常被忽略—一家做模型的公司最难的不是拿钱，
56:39
是拿到愿意付费的第一批真实客户，而政府直接扮演了这个角色。
56:45
今年春天Anthropic推出Mythos模型之后—那是一个能检测网络安全漏洞的模型—一些中国官员把它比作人工智能时代的核武器。
56:57
而由于意识到华盛顿可以阻止外国人获取美国顶级模型，
57:01
北京正在通过一只国家级基金支持本土开发者，
57:05
并放宽规则以帮助创业公司在公开市场上市。
57:09
钱的规模有多大？
57:10
根据中国中央企业投资协会的数据，今年上半年，
57:14
中国全部股权资本投资中，有近一半流向了人工智能，
57:18
其中大部分来自政府背景的基金。
57:22
这个数字值得停一下。
57:24
它说的不只是「人工智能拿到了很多钱」，
57:26
而是「一个国家把它的股权投资市场的接近一半，
57:30
压在了一个技术方向上」—而且主要不是市场化资本的选择，
57:35
是政策性资本的选择。
57:37
那么人才是从哪来的？
57:38
报道往回追溯，把这条管道的起点放在两千年代初。
57:43
那时中国的互联网产业起飞，数以百万计的用户开始在线购物、
57:48
搜索和交流，产生了海量数据。
57:51
公司开始投资机器学习，以提高电商效率、
57:55
分析用户的在线行为。
57:57
同时，政府在寻找监控人口、发现威胁的方法，
58:01
需要能识别人脸和声音的计算机程序。
58:05
于是中国的大学开始批量培养专攻计算机视觉的学生—计算机视觉是计算机科学的一个分支，
58:12
试图教机器像人一样「看」。
58:16
那个时代催生了所谓「人工智能四小龙」，
58:18
包括商汤在内的一批计算机视觉创业公司，
58:22
它们训练出了今天活跃在这个领域的许多工程师。
58:27
钱和人才涌进了清华，中国的理工科旗舰大学。
58:30
二〇〇五年，前普林斯顿教授、图灵奖得主姚期智在清华设立了精英化的「姚班」，
58:37
专门培养顶尖人才。
58:39
Tang从博士阶段起就一直在清华。
58:42
他学的是数据挖掘，一门试图从大数据集中提取隐藏模式的学科，
58:48
后来成为人工智能的基础之一。
58:51
据科技作家Mehran Gul在其著作《创新的新地理》中的记述，
58:55
Tang告诉他，拿到清华博士学位之后，
58:59
「我想我可以在中国做一些大事，而且那样也许我能更好地帮助中国。
59:03
所以我决定留下。
59:05
」关于他的实验室风格，报道用了一个很具体的细节：Tang喜欢跑马拉松和玩铁人三项来测试自己的耐力，
59:15
而他管实验室的方式也一样。
59:18
「Tang教授的团队是出了名的高强度，
59:20
」在清华读硕士期间曾短暂与他合作的Kevin Zhong说，
59:24
研究人员有时会在实验室待到凌晨三点，
59:28
把测试跑完。
59:29
Zhong还有一句评价，基本可以当作这条管道的注脚：「他们有一种一贯在顶级期刊上发表的本事，
59:37
而且他们非常懂得如何把自己的工作变现。
59:41
」到二〇一〇年代，Tang的实验室在有志于技术的年轻人中已经有全国性声誉，
59:48
而他此前的学生开始进入硅谷的顶级公司。
59:52
Yang，未来的Moonshot创始人，
59:54
十七岁开始接受高强度编程训练，参加中国的全国信息学奥林匹克竞赛；
1:00:00
在清华，他和Tang一起开发机器学习算法。
1:00:05
制度的闸门在什么时候打开的？
1:00:06
二〇一八年，北京为国家研究机构和大学的研究人员创办公司、
1:00:12
将其技术商业化扫清了道路。
1:00:15
第二年，Tang就把现在叫Z A I的公司，
1:00:18
从他的清华实验室里分拆了出来，部分资金来自他运营的一个数据分析平台，
1:00:24
该平台的客户包括Google和I B M。
1:00:28
早在中美人工智能之争成为头条新闻之前很久，
1:00:31
Tang就把自己视为在与OpenAI的Sam Altman竞争。
1:00:36
二〇二〇年OpenAI发布开创性的G P T三模型时，
1:00:40
Z A I的目标就是做出一样好的东西。
1:00:44
Yang在跟Tang学习之后，去卡内基梅隆大学拿了博士学位，
1:00:49
回国帮助前教授的研究，同时决定成立自己的公司。
1:00:54
他是个热心的摇滚鼓手，把自己的创业公司在中文里叫作「月之暗面」，
1:01:00
取自平克·弗洛伊德的专辑；
1:01:03
英文名他选了Moonshot。
1:01:07
在上海，另外两名清华出身的研究者，其中一位来自那个著名的「姚班」，
1:01:13
也创办了自己的模型公司。
1:01:15
最后一个入场者是DeepSeek。
1:01:17
创始人梁文锋二十年前从计算机视觉领域起步，
1:01:20
后来创办了一家围绕用人工智能分析金融市场的对冲基金。
1:01:25
二〇二三年，他把DeepSeek从对冲基金里分拆出来，
1:01:29
宣布了和Tang一样的目标：类人智能。
1:01:32
这些创始人来自中国各地，却聚集在少数几个城市，
1:01:37
主要是北京和杭州。
1:01:39
接下来是这篇报道技术含量最高、也最重要的部分：用更少做更多，
1:01:45
以及两项被逼出来的发明。
1:01:47
这些创始人清楚中国相对美国的短板：缺钱，
1:01:51
以及由于华盛顿的出口管制而拿不到最先进的人工智能芯片。
1:01:57
钱少到什么程度？
1:01:59
Tang到二〇二五年年中筹到了大约十二亿五千万美元，
1:02:03
投资方包括中国科技巨头和香港的风险投资家沈南鹏，
1:02:08
国家背景的基金也开了支票。
1:02:11
但这些数字与OpenAI和Anthropic拿到的数十亿美元相比，
1:02:15
依然相形见绌。
1:02:17
投资银行Jefferies后来计算，
1:02:19
这些年里中国科技公司的投入，不到美国同行的五分之一。
1:02:24
他们必须用更少做更多。
1:02:26
而梁文锋在DeepSeek的团队，拿出了其中一些最重要的变通方案。
1:02:32
第一项是「多头潜在注意力」，英文缩写M L A。
1:02:37
报道的解释是：这项技术通过为此前发生的内容创建一个速记版本，
1:02:42
来大幅削减模型的内存占用，比如在一段聊天机器人对话中。
1:02:48
用更少的内存，就省下算力和钱。
1:02:51
我把它讲得再具体一点。
1:02:53
大语言模型在生成每一个新词的时候，都需要回看之前所有的内容。
1:02:59
为了不重复计算，它会把之前每个词的「中间状态」存在内存里；
1:03:04
对话越长，这块内存越大，而且它是随长度线性膨胀的。
1:03:11
M L A做的事情，是把这些中间状态压缩成一个低维的「速记本」，
1:03:16
用的时候再展开。
1:03:18
内存降下来，单卡能同时服务的用户数就上去了，
1:03:22
成本就下来了。
1:03:23
在一个拿不到足够芯片的环境里，这不是优化，
1:03:27
这是生存。
1:03:29
第二项是「混合专家」，英文叫Mixture of Experts。
1:03:33
DeepSeek是中国最早采用这种模型设计的公司之一。
1:03:38
它的机制是：一个前置的路由机制，会把问题导向一个专门的「专家」子模型。
1:03:44
报道给的比喻是，像一位主厨把一份意大利面订单，
1:03:48
派给厨房里的意大利菜厨师。
1:03:50
它的价值在于：模型总参数量可以很大，
1:03:53
但每处理一个词，只有其中一小部分专家被激活。
1:03:58
也就是说，模型的「知识容量」和「单次计算量」被解耦了。
1:04:03
DeepSeek向中国产业界展示了一条可行的路径—在缓解芯片需求的同时提升模型性能。
1:04:11
这两项技术，就是二〇二五年一月「DeepSeek冲击」背后的东西。
1:04:15
当时梁的公司发布了一个强大而廉价的新开源模型，
1:04:20
美国股市因中国竞争者的意外崛起而短暂震荡。
1:04:24
OpenAI的Altman在X上称这个模型令人印象深刻，
1:04:28
说「有一个新的竞争者真是让人振奋」。
1:04:32
而对中国同行的冲击同样剧烈。
1:04:35
据知情人士说，在Moonshot，Yang接到了忧心忡忡的投资人的电话，
1:04:40
其中一位想知道，为什么Yang没有预见到DeepSeek的崛起。
1:04:45
接下来发生的事情，是理解中国这一轮生态的关键：Yang把DeepSeek发明或者验证过的技术，
1:04:53
吸收进了Moonshot后续的模型。
1:04:55
Moonshot的K二和K三模型，采用了混合专家设计，
1:04:59
以及多头潜在注意力的变体。
1:05:02
而DeepSeek反过来，用了一项由Moonshot优化的技术，
1:05:05
来提升训练效率和稳定性。
1:05:07
也就是说，这不是一条单向的抄袭链，而是一个双向流动的开源池。
1:05:13
关于这个池子的伦理，报道记下了一句很能定性的话。
1:05:17
今年五月的一次DeepSeek会议上，
1:05:20
一些投资人追问梁文锋：把秘密都送出去，
1:05:24
还怎么赚大钱？
1:05:26
他的回答捕捉了中国开源运动的精神气质：「我不担心竞争，
1:05:30
因为市场足够大。
1:05:31
」除了蒸馏美国模型，一些中国公司还通过雇用曾在美国人工智能领军企业工作过的中国籍人士，
1:05:39
来获取美国的专业能力。
1:05:41
中国互联网巨头腾讯雇了两名曾在OpenAI工作的清华毕业生。
1:05:46
TikTok的母公司字节跳动把一名Google研究员请回国，
1:05:50
并在一年内造出了一个强大的视频生成工具，
1:05:54
如今被内容创作者和好莱坞制片厂广泛使用。
1:05:59
那么差距的真实位置在哪里？
1:06:00
报道最后做的事情，是把「追平了没有」这个问题，
1:06:04
拆成几个可以分别回答的小问题。
1:06:07
资本市场层面：追上了。
1:06:09
今年一月，Tang的Z A I—当时还叫智谱—的高管在香港交易所敲锣，
1:06:16
成为第一家上市的中国人工智能模型创业公司。
1:06:21
到七月，Z A I的年度经常性收入，
1:06:23
也就是订阅制服务的一个关键指标，据知情人士说已升至十亿美元，
1:06:29
大约是DeepSeek的两倍。
1:06:31
收入层面：差得远。
1:06:33
据被公司作过简报的投资人说，Anthropic七月的年化收入达到了六百五十亿美元。
1:06:40
十亿对六百五十亿，六十五倍—而这两个数字之间的距离，
1:06:45
是能力差距无法解释的：那是产品、渠道、
1:06:49
企业客户和定价能力的总和。
1:06:52
算力层面：这是梁文锋自己指认的最关键差距。
1:06:55
在五月的那次DeepSeek会议上，
1:06:58
梁说，是计算机芯片，而不是人，构成了中美公司之间最关键的差距。
1:07:05
包括阿里巴巴和Z A I在内的顶级实验室的研究人员说，
1:07:09
他们分到的高端芯片，常常只有OpenAI和Google同行的五分之一。
1:07:15
研究范式层面：这里有一个来自外部分析师的、
1:07:18
值得认真对待的反面判断。
1:07:20
位于迈阿密的 Gavekal Technologies s 分析师Laila Khawaja说，
1:07:25
中国公司在追求「把成本效率做到极致」，
1:07:30
而「拥有更先进芯片、也愿意烧钱的美国公司，
1:07:34
在探索性研究上花得多得多，而这类研究有可能带来阶跃式的创新」。
1:07:40
这句话是对整个「用更少做更多」叙事的一个精准的反问：极致的效率优化，
1:07:45
本身可能是一种路径依赖。
1:07:48
当你所有的聪明才智都用来把成本压下去，
1:07:51
你就没有余裕去做那种九成会失败、但一成会改变范式的探索。
1:07:57
多头潜在注意力和混合专家是真正的发明，
1:08:00
但它们都是在约束下的发明。
1:08:03
规模层面：数字在同一个量级上了。
1:08:06
好几家中国开发商正在构建五万亿到十万亿参数的模型，
1:08:11
参数量是模型能力的一个简写指标。
1:08:14
而业内人士估计，Anthropic最新的模型参数超过五万亿。
1:08:19
下一步呢？
1:08:20
Tang正在训练Z A I的下一个旗舰模型，
1:08:23
据知情人士说，他的团队希望它能够执行跨越数周的复杂研究任务。
1:08:28
Tang在七月给员工的一份备忘录里写：「谁能第一个把技术极限往上推哪怕一英寸，
1:08:34
谁就将重新定义每一个行业的可能性。
1:08:37
」这一段的收获是：中国人工智能的速度不是一次突袭，
1:08:41
而是一条从两千年代初的数据、监控需求和计算机视觉热潮开始，
1:08:47
经由清华的少数几个实验室，在二〇一八年政策松绑后集中释放的人才管道。
1:08:54
方法有四条：国家的钱和国家的订单；
1:08:57
开源与发表带来的知识快速流动；
1:09:00
从美国回流的人；
1:09:02
被芯片管制逼出来的架构发明。
1:09:05
而报道很小心地保留了三个未解决的问题：蒸馏的指控没有被承认也没有被否认；
1:09:11
收入差距是六十五倍；
1:09:13
而最关键的差距，按梁文锋自己的说法，
1:09:17
是芯片。
1:09:18
最后，我们把这三件事接起来。
1:09:21
回到开头那句话：这一轮人工智能扩张的真实投入，
1:09:25
是物理的和制度性的。
1:09:27
第一条线是「物理」。
1:09:28
我们习惯把人工智能的瓶颈想成芯片。
1:09:31
但再往下一层，瓶颈是一台需要人手缠绕几个星期的机器。
1:09:36
所谓「智能」的地基，是钢、铜、油和纸做的。
1:09:41
而当Popik说「把它讲成人工智能的问题，
1:09:43
人们才会听」的时候，他其实说破了一件事：人工智能的商业热度，
1:09:49
正在给一批被忽视了几十年的物理基础设施买单。
1:09:53
这是这个故事里少见的好消息。
1:09:56
第二条线是「人从哪来」，而后两篇从两端夹住了它。
1:10:01
在美国这一端，培养技术人才的路径，很大程度上是由需要这些人才的公司自己设计的：民调、
1:10:09
州立法、标准委员会、A P课程、教师培训、
1:10:13
家长组织和工会资助。
1:10:16
在中国那一端，设计管道的是国家和产业需求：监控与电商数据把大学推向计算机视觉，
1:10:23
姚班批量产出尖子，二〇一八年政策允许教授带着技术下海，
1:10:29
国家资本占了上半年股权投资的近一半，
1:10:32
政府自己当第一批客户。
1:10:34
差别在于做这件事的主体：一边是私营公司，
1:10:37
于是Singer整篇文章都在追问它的正当性—公共教育的目标该由谁来定？
1:10:44
另一边是国家，而这在那个体制里不构成一个需要辩护的问题。
1:10:49
有意思的是，双方的辩护词其实是同一句。
1:10:52
Brad Smith说：私营部门在做，
1:10:55
是因为公共部门没能做它该做的事。
1:10:59
而中国的模式恰恰从反面印证了这句话—当公共部门决定亲自去做时，
1:11:04
它确实做得出来，只是代价和权衡完全不同。
1:11:09
第三条线是「约束会生出什么」。
1:11:11
变压器行业的约束是彻底定制化，而Amperesand从特斯拉带来的答案是「一种尺码通吃，
1:11:19
删掉一切能删的」。
1:11:21
中国实验室的约束是芯片只有五分之一，
1:11:24
而它们的答案是多头潜在注意力和混合专家，
1:11:28
两项真发明。
1:11:29
但Khawaja的提醒同样成立：在约束下做出的发明，
1:11:34
和在余裕中做出的发明不是一回事；
1:11:37
前者优化已知的路，后者才可能撞见新的路。
1:11:42
这个张力，值得你在听任何一方的胜利叙事时都放在心里。
1:11:47
最后留给你三个值得记住的判断。
1:11:49
第一，基础设施的脆弱性，常常不在最贵的那一环，
1:11:53
而在最不起眼、最难替代的那一环。
1:11:57
全美国只有一家钢厂能轧取向电工钢；
1:12:01
整个北美只有屈指可数的几辆能运八十万磅变压器的特种铁路车；
1:12:08
真正精细的缠绕工序需要工匠，而一家厂商的培训得从「左松右紧」教起。
1:12:15
这些都不是资本能在一个季度内解决的东西。
1:12:18
当一家公司说「我们扩产是为了巩固美国在人工智能前沿的位置」时，
1:12:23
它同时也在告诉你，这个前沿的地基有多薄。
1:12:28
第二，当某个行业出钱设计培养自己人才的课程时，
1:12:32
它同时也在设计学生对这个行业能提出什么问题。
1:12:36
这是Singer全文的核心主张，也是「技术公民课」这个概念的由来。
1:12:41
她的那个类比—不存在雷神冠名的A P物理课—之所以有力，
1:12:47
是因为它把一个我们已经习惯的安排，放回到别的行业里去看，
1:12:52
于是那个安排突然就显得不正常了。
1:12:55
而反方Brad Smith的话必须并置着记：他说这是出于必要填补的空缺，
1:13:00
而且这不是我们该希望的样子。
1:13:03
两句话指的是同一个洞。
1:13:06
第三，追赶者和领先者的差距，要分层看，
1:13:09
不能只看一个数字。
1:13:11
按行业领袖的说法，中国最好的模型在能力上只落后几个月；
1:13:16
按参数规模看，已经在同一量级；
1:13:19
按收入看，是十亿对六百五十亿；
1:13:23
按芯片看，是五分之一；
1:13:25
而按研究范式看，一方在把成本效率做到极致，
1:13:29
另一方在烧钱做探索性研究。
1:13:32
这五个数字指向五个不同的结论，任何一个单独拿出来讲的人，
1:13:37
都在讲一个不完整的故事。
1:13:39
这三篇报道之所以值得放在同一期里，不是因为它们讲了同一件事，
1:13:44
而是因为它们都在做同一个动作：把一个被抽象讨论的东西，
1:13:49
按回到地面上。
1:13:51
我们谈人工智能的时候习惯谈能力、谈模型、
1:13:54
谈估值；
1:13:55
而这三篇长报道分别告诉你，它要用的电，
1:13:59
得先穿过一台有人用手绕了三个星期铜线的机器；
1:14:04
要用的人，是十几年前被一场由产业出资推动的课程改革筛出来的；
1:14:10
而在太平洋另一边，同样一批人是被另一套完全不同的制度安排筛出来的。
1:14:16
下一次你再听到「瓶颈」这个词的时候，
1:14:18
值得多问一句：是哪一层的瓶颈？
1:14:22
钢的，人的，还是课程表的？
1:14:26
今天这一期就到这里，感谢收听The Long View，
1:14:28
我们下次再见。