美团旗下 LongCat API 开放平台于 9 月 25 日正式上线新一代大模型 LongCat-2.5-Preview。该版本主打“长程任务”与多模态能力，并同步开放了 API 与网页端体验入口，开发者可通过平台直接调用。

补齐多模态短板

新版本最核心的变化是补齐了多模态理解能力。官方更新日志显示，LongCat-2.5-Preview 新增图片理解功能，能够解析图像内容，并支持跨模态问答、内容摘要与复杂视觉推理。这意味着模型不再局限于纯文本输入，可以处理包含图表的文档、截图，以及需要图文结合分析的复杂场景。

强化编程场景

在代码能力方面，新模型在代码生成、代码理解与自动化编程任务上表现突出。同时，它深度适配 Claude Code、Hermes、OpenClaw、OpenCode、Kilo Code 等主流开发环境，能够与这些工具高效协同，面向实际工程工作流提供支撑。

1.6 万亿参数的混合专家架构

据官方公布的信息，LongCat-2.5-Preview 延续了混合专家技术路线，总参数量约为 1.6 万亿，每次推理激活的参数约为 480 亿。该模型原生支持 100 万词元的上下文窗口，适合处理超长文档、大型代码库、系统日志，以及需要多轮交互的复杂任务。

如何体验

LongCat-2.5-Preview 已通过 LongCat API 开放平台提供 API 与网页端体验入口，有需要的开发者可前往平台接入试用。随着多模态与长上下文能力的补齐，该模型在智能体、自动化办公与软件开发等场景的可用性进一步提升。

9 月 15 日，苹果向 iPhone 用户推送 iOS 27 正式版更新。从 WWDC26 初亮相到历经 8 个 Beta 版测试，这一代系统相较 iOS 26 在流畅度、视觉与人工智能能力上均有明显提升。IT之家汇总了 iOS 27 的 60 项升级点，覆盖系统、功能、应用与 AI 四大板块。

性能与液态玻璃调优

日常操作响应速度整体提高，应用启动最高提速 30%，照片图库中新照片载入最高提速 70%，隔空投送传输最高提速 80%。视觉层面，”液态玻璃”（Liquid Glass）材质经过精细调校，折射更均匀、对比度更高，下层内容的透显效果更强。设置中新增透明度调节滑块，可在”更透明、默认、色调更深”之间自定义外观。

图标设计融入多层液态玻璃，叠层之间产生折射效果，轮廓更鲜明；Safari、Siri、设置、App Store、遥控器、预览、指南针、提醒事项等应用图标焕然一新。状态栏的 WiFi 与蜂窝信号图标更加圆润，电量图标改为无边框设计。

锁屏新增”更小更靠边”的时钟选项，并支持滑动清除”正在播放”卡片；主屏幕引入 4×6 超大号小组件。音量调节拆分为三组：铃声音量、闹钟与计时器音量、提醒与系统声音音量。设置中的”辅助功能”更名为”无障碍”，搜索与 Siri 索引新增”正在优化搜索和 Siri”的说明入口。

功能与交互升级

儿童安全方面，家长可精确选择孩子能使用的应用，访问新网站需逐一批准，并可为娱乐、游戏和社交媒体类应用设定使用时长边界。RCS 对话新增行内回复功能，表情回应显示更接近 iMessage。Genmoji 支持根据描述生成自定义表情，并能从照片中选择人物。

输入法新增中文标点建议，拆字逻辑优化，可通过输入两个字根的拼音查找生僻字。AirPods 新增自定义均衡器与”自适应”降噪强度滑块，可在通透与降噪之间自由调节。

原生应用焕新

时钟新增支持全年节假日和调休工作日的闹钟；日历与提醒事项支持用自然语言创建日程与待办，系统自动提取时间、日期与内容。信息 App 可根据聊天内容给出建议并提示创建提醒；电话引入 Call Context 上下文功能，拨打商家电话后自动浮现关联信息。

相机 App 的模式切换改为视频 / 照片 / 人像，文件格式与快捷项集中在顶部中央；照片 App 的”相机胶卷”以筛选形式回归，新增”将视频帧保存为照片”、身份证件聚合相册与星级评分。备忘录支持导出为 Markdown 并借助快捷指令导入；”查找”共享位置最短可设定 15 分钟。

健康 App 的经期追踪新增围绝经期与绝经期支持；地图”飞行俯瞰”功能升级，并引入基于交互数据的”本地榜单”餐厅推荐；钱包支持创建票证与用 Apple Cash 分摊账单。

Siri AI 成为核心入口

iOS 27 的最大变化来自人工智能。全新 Siri 以”Siri AI”为名，拥有独立 App 可查看历史对话，并能在 iPhone、iPad 与 Mac 间接续。Siri 支持理解个人情境、执行应用操作、感知屏幕、理解图像并调用世界知识；屏幕感知加强后，可将自然语言指令映射为具体操作，所有上下文菜单常驻”询问 Siri”入口。

基于 Siri AI，系统级自动校正可检查拼写与语法错误；输入法在编辑后提示”Write with Siri”，用自然语言生成或改写文本。Siri 还集成进相机 App，可识别所见画面、分析食物营养成分，并提供 AI 消除、AI 扩展图像与空间构图能力。文件 App 支持 AI 驱动的重命名，可读取 PDF、识别图片内容。

需要说明，iOS 18.2 起加入的 ChatGPT 扩展在 iOS 27 中仍保留，但入口更深，系统更倾向优先使用自家的 Siri AI 路径。

安全与其他更新

iOS / iPadOS 27 安全公告显示，本次共计修复 126 个安全漏洞，其中包含多个涉及系统内核的高风险问题。CarPlay 允许开发者制作视频浏览应用，但仅限车辆停稳时播放；iPhone 新增接力功能，可在两部 iPhone 上共用同一号码，美国 T-Mobile 与德国电信率先支持。iCloud 支持从安卓、Windows 10 与 Windows 11 设备添加照片到共享相册，并支持全分辨率共享。

微信等未主动适配液态玻璃的应用，系统会对使用到系统控件的部分自动套用液态玻璃效果。整体来看，iOS 27 在性能、视觉与 AI 上的进步明显，但中国市场版本的 Apple 智能功能仍未上线。

争议焦点：代码被指「逐字一致」

Minitap 联合创始人兼首席执行官尼古拉·德汉舒韦克表示，谷歌用于 Artemis 的相关内容，来自 Minitap 开源的 mobile-use 项目。mobile-use 是一项允许 AI 通过自然语言控制真实 Android 设备的开源项目。

Minitap 称，谷歌在 Artemis 中采用了其为 Android 设备连接、Hopper 智能体指令以及 WhatsApp 消息任务编写的具体实现，两边代码「甚至逐字一致」。更引人注意的是，Artemis 软件包中原本列有 Minitap 作者皮埃尔-路易·法夫罗、让-皮埃尔·洛与尼古拉·德汉舒韦克姓名的文件，在 8 月通过强制推送被替换。

事件受到质疑后，谷歌在代码中补上了来源说明：「本项目包含由 Minitap 公司开发的源代码。」

许可证层面：开源不等于可随意取用

报道指出，开源并不意味着可以不受限制地直接取用代码，使用者仍必须遵守相应许可证的条款。这部分代码采用 Apache 2.0 许可证，派生项目必须保留版权声明，并注明对代码所作的修改。

与此同时，Minitap 一直要求更新 AndroidWorld 排行榜上已经过时的基准测试成绩，但迟迟没有得到处理；而谷歌的 Artemis 却位列第二，且成绩刚在 8 月更新。值得注意的是，AndroidWorld 基准测试本身由谷歌维护，这进一步放大了外界对排名公允性的疑问。

背景：从开源到闭源的分野

Minitap 在编写上述开源代码后，转而使用闭源代码支撑其现有产品。尼古拉·德汉舒韦克表示，今天的 Minitap 已经是「完全不同的存在」，并认为谷歌在相关技术进展上已经「落后了 7 个月」。

行业启示

这起纠纷为依赖开源项目的企业敲响警钟：即便代码以宽松许可证发布，署名与修改声明等合规义务依然不可回避。对于在产品中集成第三方开源组件的公司而言，建立许可证审查与溯源机制，正从「最佳实践」变为「必选项」。对普通开发者来说，在贡献或使用开源代码时保留完整的版权与修改记录，既是法律要求，也是在争议发生时自我保护的关键证据。

无界动力创始人兼 CEO 张玉峰近日在 2026 年亚布力论坛夏季年会上表示，如果将具身智能与智能驾驶行业做类比，当前具身智能大约处于 2019 年前后的自动驾驶阶段。

张玉峰预判，具身智能将在 5 年后有机会达到一个成年人”面向劳动、能思考会劳动”的水平，并且可依赖、可信赖。

进家庭不需要等满五年

在家庭场景方面，张玉峰认为机器人达到成年人的综合能力大约需要 5 年时间，但这不意味着机器人要等到 5 年后才能进入家庭。他举例称，扫地机器人早已进入家庭并把单一任务做得很好，接下来只需在泛化能力上延伸——近期业界正尝试让扫地机”长出一个手臂”，去泛化物体、捡袜子、捡积木。

他判断，人形与半人形机器人有望在未来 2 至 3 年左右尝试走入家庭，但前提是具备 3 到 5 个”杀手级技能”，例如把脏衣服放进洗衣机、把干净衣服拿出来晾好，或者倒掉残食、把盘子放入洗碗机。在他看来，3 到 5 个高频刚需任务，大概率在两三年内就能实现。

创始人背景

公开资料显示，张玉峰曾任地平线副总裁、智能汽车事业部总裁，主导构建了智能驾驶业务体系，并推动车规级 AI 芯片的商业化应用。正因这段经历，他习惯用自动驾驶的演进节奏来参照具身智能的发展路径。

OpenAI 于 9 月 3 日发布新一代人工智能模型 GPT-6 Astra，并将其称为”全球最聪明、也最对齐的模型”。这是自 GPT-5 系列发布一年多以来，ChatGPT 与 Codex 迎来的首次重大升级。据 9to5Mac 报道，发布次日 GPT-6 Astra 已向每月 100 美元与 200 美元档位的 Business 和 Pro 用户推送，Plus 用户随后获得访问权限。

能力边界全面拉满

OpenAI 表示，GPT-6 Astra 在计算机操作、网页浏览、软件工程、网络安全、科学研究与专业工作等领域均达到当前最先进水平。在多项关键评测中，模型在衡量高阶数学的 FrontierMath Tier 4 取得 98% 分数，在陌生环境学习与抽象推理测试 ARC-AGI-3 中得分 99.9%，在漏洞利用测试 ExploitBench 中取得 100% 满分。

模型上下文窗口达到 105 万 token（约可处理 1500 页 A4 纸文本量），最大输出长度 12.8 万 token，知识截止时间为 2026 年 4 月 30 日。它支持文本与图像输入、文本输出，并集成了网页搜索、文件搜索、代码编写与执行等工具链。

能自己操控电脑干活

GPT-6 Astra 的核心突破在于计算机操作能力。模型可自主操控浏览器、办公软件与开发工具，独立完成资料检索、表格处理、演示文稿制作、代码开发等完整工作流。用户只需给出目标指令，模型会自行拆解任务、调用不同工具并持续执行。据 OpenAI 介绍，ChatGPT 的计算机操作速度比上一代快近 2 倍，既有 GPT-5.6 Sol 模型也因此项优化提速约 60%。

在 Codex 中，Astra 引入了一项实验性功能：当上下文窗口填满时，模型可跨窗口保留”笔记”而非反复压缩摘要，从而不丢失此前的调试细节与测试结果。该功能将于未来数周成为 Astra 的默认行为。

首个触及”关键”级网络安全门槛的模型

OpenAI 将 GPT-6 Astra 称为”网络安全能力的重大跃迁”，并称其首次达到公司 Preparedness 框架下的”关键”（Critical）门槛。这意味着在有适当工具与权限的情况下，模型可在防护严密的系统中发现此前未知的安全漏洞并开发利用方法。内部测试中，Astra 曾发现并利用两个零日漏洞，因此最先进的网络安全能力暂不全面开放。OpenAI 在发布前加强了针对网络滥用与模型越权行为的防护与监控。

API 定价涨至 2.5 倍

GPT-6 Astra 已通过 OpenAI 自营 API 与亚马逊 Bedrock 上线。API 定价为每百万输入 token 10 美元、每百万输出 token 50 美元，约为上一代旗舰 GPT-5.6 Sol（5 美元/30 美元）的 2.5 倍。OpenAI 总裁格雷格·布罗克曼（Greg Brockman）在发布时表示”欢迎来到 AGI 时代”。

苹果在环保领域的成绩长期被视为行业标杆。绿色和平对其环保举措的称赞已持续十余年，早在 2015 年就曾在报告中肯定苹果使用可再生能源为数据中心供电的努力。去年，绿色和平东亚分部还因苹果在供应链中引入更多可再生能源，给予其 B+ 评级。

然而，随着苹果在下月正式推出 Siri AI 等 Apple Intelligence 功能，局面可能生变。尽管苹果宣称尽可能在设备端完成运算，但更复杂的任务仍依赖大规模数据中心，而这些设施消耗大量电力与水资源。

绿色和平发言人 Avex Li 向《The Verge》表示：“AI 将是苹果气候承诺的决定性考验。若要守护蒂姆·库克留下的环保遗产，苹果必须证明，AI 的增长能够容纳在既有气候承诺之内——通过绝对减排、追加可再生能源投资，以及延长产品寿命来实现。”

针对质疑，苹果向《The Verge》援引了最新的环保进展报告及过往声明作为回应。

对关注可持续发展的中国用户而言，这场争论触及一个普遍议题：当终端设备的 AI 能力越来越强，背后的算力与能耗成本该如何被公开、可持续地管理。苹果能否在 AI 时代延续其环保口碑，仍待时间检验。

非营利组织 Fermi Explorer Mission 于 2026 年 9 月 1 日宣布，计划在 2029 年底前发射一艘飞往半人马座α星（Alpha Centauri）的航天器。这趟旅程堪称人类最野心勃勃的太空计划之一：半人马座α星距地球约 4.4 光年（约 25 万亿英里），航天器抵达时可能需要长达 8 万年。

真正引人注目的是这趟航线的来历——它不是由任务团队的工程师算出来的，而是由一家名为 Physical Superintelligence（PSI）的 AI 物理研究实验室开发的系统发现的。

一个开源 AI 系统”自己搞定了”

PSI 与 Fermi Explorer Mission 在同一天对外亮相。PSI 由微软联合创始人比尔·盖茨创办的气候投资机构 Breakthrough Energy 领投，首轮融资 5800 万美元。其推出的开源软件”Get Physics Done”会把一个物理学研究问题拆成若干子任务，并自行决定该运行哪些仿真，底层调用了包括 Anthropic 的 Claude、OpenAI 的 GPT 在内的 AI 模型。

Fermi Explorer Mission 联合创始人兼总裁 Philip Johnston 表示，团队此前花了一年时间尝试，却始终找不到一条能让这艘造价仅 1500 万美元、靠太阳能供电的小型航天器真正飞抵半人马座α星的路线。他们反复卡在一个棘手问题上：既要给航天器足够动力，又不能让它太重，否则燃料消耗会失控。

Johnston 在一次由 PSI 联合创始人、物理学家 Alex Wissner-Gross 主持的播客中提到了这个难题，后者主动提出用实验室的系统跑一遍。一周后，AI 给出了一条让团队意外的全新轨道。

贴近太阳的”借力”轨道

根据一份尚未经过同行评审的论文，这条轨道以一种 Fermi 团队未曾考虑过的方式，组合了已知的轨道机动动作：航天器会先减速，让轨道摆向比水星更靠近太阳的位置；在每一次近距离掠过时点燃发动机，此时太阳能板能接收到四倍的日照，而高速下的那一下推进能比在别处同样点火换取更多能量。由于发动机只在靠近太阳时工作，太阳能板可以做得很小，航天器也能保持轻巧。

PSI 联合创始人兼 CEO Matt Pines 介绍，该系统基本自主工作了三天，消耗了约 10 亿 token 的算力；实验室一名天体物理学家负责把它引向任务要求、要求补充成本分析和更清晰的图表，并核查输出中的错误。

Pines 也指出，模型缺乏人类研究者的判断力与品味，不清楚哪些问题有趣、哪些路径值得追，因此常会钻进死胡同或遗漏其他思路。”我们还没想清楚这些模型要如何内在地表达这类判断。”他说。

比”突破摄星”更想真正上天

Fermi Explorer Mission 把低成本本身当作目标，正是对此前方案的回应。2016 年，投资人 Yuri Milner 宣布”突破摄星”（Breakthrough Starshot）计划，打算用强激光把微型探测器推到五分之一光速，争取 20 年内抵达半人马座α星，并承诺投入 1000 万美元做概念验证；但十年过去，仍无一艘探测器升空。

“我们不想再做一个’突破摄星’，”Johnston 说，”我们铁了心要做成一桩真正能发射的事。”为把成本压到约 1500 万美元，团队主动放弃了”在有生之年抵达”的约束——”先想办法到另一颗恒星就行”。作为参照，人类发射过最快的航天器之一”旅行者 1 号”自 1977 年飞行至今，才走过不到 1% 的路程；以它的速度，单程要 7 万年以上。

这艘探测器将携带至少 1 公斤载荷，包括艺术与科学载荷、信息，以及一张”金唱片”的复制品——那是 NASA 在 1977 年随两艘”旅行者”探测器附上的镀金唱片，记录着地球的声音与影像。

启示：AI 正在进入科学发现核心

把 AI 从”数据处理工具”推到”航线规划者”，这项案例折射出”AI for Science”方向的进展：当系统能自主分解问题、跑仿真、并给出人类未想到的方案，它开始触及科学发现的核心决策环节。PSI 方面也坦言，当前模型仍依赖人类专家把关，远未到可以独立信赖的程度。

在深空探测与 AI 辅助科研领域，中国同样持续投入：从”天问”系列行星探测到各类 AI for Science 研究计划，国内团队也在探索把大模型与仿真用于轨道设计与科学发现。这类跨国探索共同说明，AI 与基础科学的结合正在从辅助走向更前端的位置。

谱系动力学的瓶颈不在数据，在算力

过去 25 年，谱系动力学（phylodynamics）一直在改写流行病学的工作方式。它的基本思路是用病原体的基因序列反推传播过程：把序列组织成系统发生树，每条分支代表一条传播链，每个叶节点代表一次感染；分支长度反映突变数量，分叉点则揭示不同病原体之间的亲缘关系。顺着这棵树，研究者可以把某个毒株一路追溯到它的亲代毒株，再比较两者的序列差异。

树本身由算法根据现有基因数据推断出最可能的形态，在此基础上可以估计一系列参数——病原体的传播速率、感染持续时间、地理起源等等。问题在于，要让这些估计足够稳健，需要分析的序列数量很大，还要把结果与基于人群观察的常规流行病学数据交叉验证。这意味着数学模型必须继续放大，而模型放大恰恰卡在两个地方：数据复杂度（基因序列还要叠加采样日期、流行率、地理位置等信息）和待处理的数据量。

从天体物理搬过来的方法

INRAE 的研究者用的方法叫神经后验估计（neural posterior estimation，简称 NPE），此前主要出现在神经科学和天体物理学领域。团队用 2014 年塞拉利昂埃博拉疫情的 72 个基因组作为数据集，验证了这套方法的稳健性：从系统发生树中估计出的参数，与传统推断方法（如马尔可夫链蒙特卡洛方法）得到的结果相近。

这是该方法第一次被用于遗传数据的谱系动力学分析。研究团队强调的价值不只是精度持平，而是效率：NPE 让数学模型的校准速度快得多，并且能纳入体量更大、类型更杂的数据——潜在规模可达数千条序列。

对疫情应对来说，这个差别很实际。传统推断往往要等数据攒够、算完一轮才能出结论；而校准足够快之后，模型可以在疫情进行中随时加入新数据、当场推演不同情景。研究团队还公开了详细的在线教程，让其他机构能够复现同类分析，而不是把方法锁在一篇论文里。

另一条路线：多源信号加大模型

用 AI 处理疫情数据的路线不止一条。谷歌研究院近期公布的行星预测引擎（Planetary Prediction Engine）走的是另一个方向：融合流行病学信号、人口动态嵌入和自动筛选的地理空间协变量，对疫情热点做实时预测。在 2026 年刚果（金）本迪布焦型埃博拉病毒疫情中，该系统连续五周预测的 Recall@10 达到 83.3%，在 18 个新出现传播的卫生区中正确识别出 15 个，相比已发表的贝叶斯建模基线（约 73%）绝对提升 10.3 个百分点。

还有一类系统专门做信号汇总。波士顿大学新发传染病中心运行的 BEACON 平台，把多个来源的预警合并起来，再用大语言模型生成仪表盘，为刚果（金）和乌干达的埃博拉疫情提供风险评估。项目负责人的说法是，这是 AI 与人类专家的组合，输出的是带上下文的深度风险判断，而不是单纯的告警条目。

本地语言决定信号能不能被看见

一个容易被忽略的变量是语言。2026 年发表于《Journal of Medical Systems》的一项研究测试了 AI 疫情情报平台 EPIWATCH 在尼日利亚的表现，研究者把尼日利亚皮金英语加入系统，使其能识别当地网民描述疾病的表达方式。改造之后，该系统在 2024 年 3 月检出 112 条疫情报告，而此前五年同月的中位数为 27 条，检出量增加 315%，拉沙热、脑膜炎、白喉、黄热病相关信号同步上升。

需要说明的是，这个数字并不意味着尼日利亚的疫情增加了 315%，它只说明——当 AI 监测系统能读懂本地语言时，被捕捉到的潜在公共卫生信号会显著增多。对语言多样性高的国家和地区，这一点的意义相当直接。

边界同样清楚

技术侧的乐观需要配上限制条件。首先，信号不等于疫情：大量线上讨论没有流行病学意义，AI 的作用是帮助公共卫生部门更早发现异常模式、判断哪里需要进一步调查，而不是替代实验室确诊与现场调查。其次是数据质量问题——有专家指出，预测能力最终取决于可用于训练的数据的质量与广度，直接照搬其他国家训练出的模型往往并不适配本地的疾病谱与环境条件。

伦理层面的担忧也已经被提出。《自然》的相关报道指出，流行病学家与社会人类学家担心，如果社区成员的实际经验、本地知识和现场情况没有被纳入模型，AI 偏差就可能出现，低收入和中等收入国家和地区受影响尤为明显。

对中国读者而言，这批研究的参考价值主要在方法层面：基因组测序数据、常规监测数据与网络信号如何在同一套模型里被高效整合，以及模型校准速度提升之后，疫情研判能不能真正做到边走边算。这些都是可以独立于具体疫情去讨论的工程问题。

《卫报》（The Guardian）记者 Hettie O’Brien 于9月1日发布视频报道，记录伦敦东部砖巷（Brick Lane）居民对一处拟建数据中心的抵制。这处规划中的设施占地约5200平方米，当地居民正试图通过规划程序阻止其落地。

报道将 AI 数据中心描述为“几乎普遍不受欢迎”：它们噪音大、外观突兀，消耗环境资源，而大部分利润最终回流到建造它们的美国公司。卫报称，反对数据中心的声音正在“越积越多”。

英国的“数据中心之争”

这则报道折射出英国围绕 AI 数据中心的更广泛争论。据 BBC 报道，英国目前约有477座数据中心，且高度集中在伦敦及英格兰南部——而这些地区眼下正经历官方认定的干旱。数据中心约占英国电力消耗的2.5%，且需求预计到2030年将增长至当前的四倍。

水资源是另一大争议点。英国咨询机构今年2月估算，英格兰的数据中心每年消耗约19亿升饮用水，约占非家庭用水市场的0.2%，且呈明显上升趋势；环保机构估计，大型数据中心单日耗水可达150万升。目前英国并未强制数据中心披露用水量。

绿党呼吁“暂停”，政府拒绝

今年8月，英国绿党领袖 Zack Polanski 呼吁对英格兰新建大型数据中心实施建设暂停，称其为“耗能又耗水”，并在四分之三国土处于干旱之际，不应被列为关键基础设施。他表示，关键基础设施在民众心中意味着医院、供水与电力，“而不是人工智能”。

政府于2024年将数据中心列为关键国家基础设施，并设立 AI 增长区，目前已划定五个区域，吸引约282亿英镑投资、创造超过1.5万个就业岗位。政府明确拒绝暂停新建，称此举会把投资与就业推向海外，并使英国在医疗、国防等敏感数据的处理上依赖境外算力，“对就业与国家安全都将是灾难”。

从电力侧看，英国国家电网运营商数据显示，开发商到2039年申请的数据中心电力连接容量高达72.8吉瓦，接近去年英国峰值电力需求的1.6倍。无独有偶，美国西雅图也已于今年6月对数据中心实施建设暂停令。

另一面的声音

数据中心行业人士并不认同“用水大户”的标签。行业组织数据中心联盟的 Mark Acton 指出，数据中心的用水量其实少于休闲中心与高尔夫球场，且社交、银行、医疗等现代社会系统都依赖数据中心运转。在他看来，获取规划许可本就“非常困难”。

对中国的参考意义

中国市场同样处于数据中心建设的高峰期。自2022年启动的“东数西算”工程，正把算力设施向西部可再生能源富集区域布局，以缓解能耗与用水压力。如何平衡算力增长与社区、环境诉求，是各国共同面对的课题。对普通读者而言，AI 应用的背后，是实实在在的电力与水资源账单。

OpenAI 首席执行官萨姆·奥尔特曼近日在一档播客中坦言，人工智能至今仍未迎来属于自己的「iPhone 时刻」，行业——包括他自己的公司——还没找到把这项技术真正带入普通人日常生活的「魔法公式」。

智能手机诞生前的类比

奥尔特曼把当下类比为 iPhone 问世前的智能手机年代。他在 David Senra 的播客节目中回忆，自己在 2003 年前后用过 Palm Treo 这样的设备，当时技术零件都已齐备，却始终缺少那个「彻底改变人与技术交互方式」的引爆点。他的原话是：我们已经拥有了所有的技术拼图，但还没有迎来那个彻底改变人们与技术交互方式的 iPhone 时刻。

在他看来，今天各家 AI 公司卡在同样的位置——模型能力很强，却还没转化成大众每天离不开的产品。这与 2007 年之前智能手机的处境类似：Windows CE、诺基亚、PalmOS 等设备早已存在，是 iPhone 把它变成了面向大众的消费电子产品。

向苹果学的一课

奥尔特曼特别提到史蒂夫·乔布斯的一个判断：苹果成功的关键之一，是公司敢于对上千个好点子说「不」，从而把资源集中到极少数真正重要的产品上。他承认，自己不擅长砍掉好想法去保护真正伟大的想法——这正是他认为行业需要从苹果身上补的课。

他还修正了自己早先过于乐观的预期。奥尔特曼承认，此前对 AI 多快能颠覆经济「想得太激进」，但他话锋一转提出一个看似矛盾的观点：这项技术反而会为那些不使用 AI 的企业创造新机会。

最大的小创业潮

他预测，未来将出现「人类历史上规模最大的小创业潮」——一方面因为 AI 降低了开公司的门槛，另一方面则是一个不那么直观的结果：部分生意会成功，「恰恰因为它们与 AI 毫无关系」，人们反而会渴望真实、非技术化的体验。

这番「iPhone 时刻」的论述，放在中国市场同样成立。过去两年，豆包、Kimi、DeepSeek 等国产 AI 助手快速积累起数亿级用户，手机厂商与超级 App 也在把大模型塞进系统底层。谁能率先把能力做成「每天自然就用上」的产品，谁就更接近那个被等待的引爆点。