从 AI 到算力，再到能源与稀土——读谷歌与华为未来报告的一些思考

最近我仔细读了两份报告，一份是由 Epoch AI（Google DeepMind 委托）完成的 “AI 2030 — 量化未来” 报告，另一份是华为战略研究院发布的 《智能世界 2035》。在交织这些前瞻预测的过程中，我忽然意识到：那些看似遥远的技术走向，其实在我国已经在布局，从雅江集团的大水电工程，到最新的稀土资源管控，都像是一条隐藏的脉络，把 AI 的“虚拟世界”拉向了现实的地面。（关于AI 与雅江集团和稀土资源相关联系后面会有具体介绍）

雅江集团成立介绍

10 月 9 日的稀土物项出口管制的决定

在 AI 技术演进的框架里，我们常讲“三驾马车”——数据、算法、算力。但在学界、产业界的许多前沿观点中，越来越多人把算力摆在三个要素中的核心位置。为什么？不仅因为算力是“能跑起来”的基础：它还背负着看不见却极为真实的变量 —— 电力 / 能源、稀土 / 材料、基础设施建设与国家战略控制权。换句话说，算力是通向未来的那条杠杆杆臂，而那根杆臂的另一端正压在物质世界之上。

首先，我们要弄清楚这三者在“技术”层面各自是什么：

• 数据：是 AI 模型“学习”的原材料，是现实世界的样本、观测、记录。没数据，模型无源；有了数据，模型才有基础去拟合世界。
• 算法：是模型“思考”的规则，是从数据中提取模式、做推理、生成结果的方法论。好的算法能压缩复杂性，提高效率、降低错误。
• 算力：是让算法在数据上跑起来的那个能力，是硬件（GPU、TPU、定制芯片、集群）与网络、内存、存储、通信这些配套部分的总和。再优秀的算法、再丰富的数据，没有算力也只能是“纸上谈兵”。

按这个顺序看，数据告诉 AI “学什么”，算法告诉 AI “怎么学”，而算力告诉 AI “能不能学、学得多快”。用一个厨房比喻你会觉得更加直观：

• 数据是食材—— 要做菜必须有菜、有肉、有调料；
• 算法是菜谱和厨艺—— 有菜、有肉，但不知道如何调味、控制火候、不懂焖炒顺序，这锅菜也做不出好味道；
• 而算力就是那口灶火—— 再多食材、再好菜谱，如果灶火不给力、火力不够，做出来的菜要么没熟、要么焦糊、要么没有香气。

正因为这个逻辑关系，由 Epoch AI 受 Google DeepMind 委托完成的《AI 2030》和 华为发布的《智能世界2035》两份报告都把 算力设为未来的发展核心节点。那是因为，算力在那条三因素链条中，是最能被扩张、最容易被资本化、也是最容易受资源制约的那一环。

再往下看，你会发现这不是孤立的预测，而是一条从虚拟走向物质的链条：

• 要让算力持续扩张，你必须有稳定而充足的电力支持；
• 要制造强大的算力设备，你需要稀土与关键材料的保障；

同时我常对比自己和身边朋友的经历：几年前，你填本科志愿，很多人还看重土木、建筑、传统工程类学科，那时候计算机相比并没有如此火爆。但近几年，计算机系、电子系的专业分数一路飙升，而传统工程专业有些却渐渐被动。更有意思的是，现在电气、能源类专业的分数有时反超计算机，甚至部分专业竞争比计算机还激烈。作为电子与计算机工程方向的硕士研究生，我看到这样一个动态转变：社会对“能算”的能力需求在实实在在地拉动资源倾斜。

在这种大背景下，我希望用一条贯通 AI → 算力 → 能源 + 稀土的脉络来贯穿整篇文章。未来十年，真正决定谁能跑在前头的，不只是谁有好算法、谁掌握数据，而是谁掌握那根杠杆 —— 那根杆臂末端压在“能源 + 材料 + 基建 + 战略”上的那根——算力。

01 · 一. 数据与算法为何存在天然边界

为什么算力才可能是那根杠杆

在推动 AI 发展的三大驱动力里，数据和算法虽然不可或缺，但它们各自固有的局限性决定了：在未来的竞争中，它们不太可能像算力那样无限扩张。这些边界既来源于现实资源的稀缺，也来源于算法本身的性质。下面，我分别来展开。

• 数据的边界：从公共语料到专业深耕的鸿沟

在 AI 早期阶段，公共文本（如新闻、开源语料库）曾是数据模型训练的沃土。很多模型都是靠这些公开语料进行预训练的。可问题在于，正如 《AI 2030》 报告 所指出，这类人类原创文本数据的增长正在放缓，很多高质量语料正在被“吃光”，公共数据这条“流水线”逐渐变得不那么充裕。

但这并不意味着“数据枯竭”就是终局。报告也指出，未来数据的增长动能正在向 多模态数据和 合成数据转移。多模态数据指的是图像、音频、视频这些非文本形式的数据，它们为 AI 提供了新的素材；而合成数据则意味着让模型自己“造数据”——通过控制分布、模拟边缘场景、增强稀缺样本来扩充训练集。许多研究甚至预测，到 2030 年，合成数据在许多 AI 模型训练中将占有显著比例。

不过，在这些方向之外，报告特别强调：真正稀缺且价值极高的，依然是那些 可验证、强经济耦合的专业数据。比如在医药研发里，临床实验记录、医学影像加诊断标签、基因组与病例数据；在工业领域，是设备故障日志、传感器数据、生产线异常记录；在能源领域，是电网运行日志、负荷曲线、发电/储能数据等。这些数据往往来自物理实验、真实设备、管制流程，生成成本极高、获取难度巨大。因此，谁掌握这些专业数据，谁就可能在某个垂直赛道上获得极大优势。

此外，还有三大制约因素进一步加剧数据边界：

• 同质化、垄断效应：大公司或平台掌握着用户入口与数据流量优势，新进入者难以积累差异化、广覆盖的数据；
• 隐私、合规、数据主权壁垒：医疗、金融、政府等领域的数据流通受到法规限制，去标识化、联邦学习虽能缓解，但并不万能；
• 跨域、跨组织的数据孤岛：行业壁垒、数据格式差异、信任机制缺失等，使得数据不能自由流通或联合建模。

因此，“数据是 AI 的食料”这句话固然成立，但在未来十年之内，数据的可扩展性、可获取性和可工业化能力都将受到多重限制。

• 算法的边界：优化为主、突破代价高

算法进步历来被视为 AI 的核心驱动力之一：更精巧的网络结构、压缩、蒸馏、量化、神经架构搜索等等，都可以在一定范围内提高效率、降低算力消耗。但它们的本质，多属于“在现有框架下的优化 / 压缩 / 加速”范畴。这类进步固然重要，却很难开拓一个全新能力边界。

更核心的是，真正的 颠覆性算法突破是高度不确定的：它可能几年就来，也可能十年都看不到。这种突破往往具有黑天鹅性质，无法作为可靠的预测变量去押注未来。我们不能把未来能力提升完全寄托于某个奇点式算法革命。

另一方面，算法创新本身并不是脱离算力的孤立变量——很多新架构、超参数搜索、网络搜索、模块组合的验证，都依赖于高算力平台才能高频试错。如果没有足够算力支撑，算法试验空间收敛得很慢、设计自由度大打折扣。换句话说，算法的成长实际上是深植在算力平台之上的。

而当数据与算法都逐渐触顶，AI世界真正的增长引擎，其实早已转向那台能量巨兽——算力。

• 算力：根基定位 + 连接“虚拟”与“物理”骨干网络角色

在“数据、算法、算力”三者驱动中，两大报告——AI 2030 和 智能世界 2035——分别从技术路径和国家愿景的高度，为算力赋予了根基性地位；在这个基础之上，我们又能看出算力如何自然演化为连接“虚拟”与“物理”的那根骨干。

02 · a.《AI 2030》：算力作为能力增长的主干脉

这份报告的特色在于采用“基线预测”的方法：在假设较为稳定（无重大算法革命与社会剧变）的前提下，勾画一个可度量、可规划的未来路径。算力在该路径中被视为 AI 能力演进的核心支撑，AI 的能力提升将主要依靠 算力的指数级扩张，其定位理由包括：

• 报告假设，若按当前趋势推进，未来大模型训练所需的算力，比现在大致要 增加千倍。也就是说，若今天一个前沿模型用算力 X，到了 2030 年，同样水准或能力上更强的模型就可能需要 1000×X 的算力支持。
• 为支撑这种规模扩张，硬件资本支出将十分庞大。报告估算训练最前沿模型的集群可能花费数百亿美元乃至上千亿美元。
• 报告进一步指出：算力是算法与数据发挥作用的“平台”。即使有好的算法、优质数据，若没有足够算力去验证、训练、迭代，很多创新无法转化为实际能力。算力于是成为算法创新与数据价值落地的“放大器”。
• 它还强调训练与推理之间存在协同关系：更多算力可使模型在推理阶段效率更高，而推理阶段的输出反馈又能用于生成新数据或优化下一轮训练，形成一个闭环机制。
• 最后，报告强调这是一个“保守的基线预测”——意在把算力扩张从模糊的愿景变为可讨论、可测算的工程变量。

在《AI 2030》 中，算力被看作连接能力、算法与数据的那根杠杆：它是最稳定、最可调控、最能支撑其他变量发挥的那根主干脉。

03 · b. 《智能世界 2035》：算力作为国家或社会的基础设施

如果说《AI 2030》是从内部技术路径看算力的重要性，《智能世界 2035》 则从国家、社会与基础设施的高度，将算力上升为未来社会的根基资源。

• 报告明确预测，到 2035 年，全社会算力总量可能比 2025 年增长约 10 万倍。这个数字虽极端，但正是用以凸显算力在智能社会中的基础性角色。
• 在报告的十大技术趋势里，“突破传统计算架构”被列为趋势七。报告认为，仅靠“堆机器”无法支撑如此规模的算力扩张，而必须在计算架构、材料器件、工程工艺、计算范式上做根本变革。也就是说，算力增长不是简单量的堆叠，而是算力体系的升级。 这里举个例子：
• 想象你有一个食材极其丰富的厨房（数据）、很好的菜谱（算法），但你做菜的锅炉（算力）是用传统煤火炉子做的。你现在如果只是想让更多菜同时煮熟，你就只能加大火力、堆更多锅子。但随着锅子越来越多、火苗越来越大，炉床供氧、烟道、燃料输送、散热通道都会成为限制因素。
• 此时，你不是再去加更多锅子，而是要升级炉子本身：建火箭炉、太阳能炉、感应电炉、微波炉，把火锅“架构”整体变革。而“堆锅子”那条路就越来越走不通了。
• 在 AI + 算力体系里也是同理：一开始扩张算力可以通过加机器、并行扩展，但当规模达到万亿级别，“搬数据代价”“通信、链路延迟”“热传导、散热瓶颈”“电源、供电路径局部瓶颈”都会阻碍继续扩张。这个时候，就要在“炉子的构造”上做根本变革——也就是突破传统架构与范式。
• 在愿景表达层面，报告将算力比作“如水电般的基础资源”，希望算力做到普惠化、社会化，而不仅仅被少数科技巨头垄断。如果只有少数科研机构或科技巨头能掌握极强算力，那么许多中小企业、学术团队、地方政府、医疗单位、教育机构就可能被排除在先进 AI 应用之外。让算力“像水电一样普惠”可以让更多主体参与进来，推动智能应用在更广范围落地。
• 报告还把算力与“万物智能”“万物融合”“万物互联”并列，强调未来物理世界的感知、连接、交互都离不开强算力做支撑。每个智能设备、传感节点、控制器都要在现场做决策、推理，这些都不是云端训练的任务，而是要靠落地算力来实现。 这里可以再稍微多说一点： 首先，在未来的智能世界里，几乎每个“智能点”都要能够实时推理与执行任务——无论是在家里、工厂、街道、车辆、机器人还是各种设备。这些传感器、控制器不断地接收数据、判断、行动，这就是推理与应用阶段的算力负载。报告把算力与“万物互联”并列，正是要强调：设备之间的联通、感知与控制，都离不开算力支撑。 其次，在这个完整生态中，还存在训练阶段：模型不断迭代、能力不断优化，新的结构、新的算法要靠训练算力来验证与提升。未来算力扩张必须兼顾训练与推理：训练推动能力演进，而推理负责落地与交互。报告中提到，将来全社会算力规模要扩大约十万倍，正为了既能支撑庞大的训练，又能覆盖海量应用端的推理负载。 再者，从整体投入比例来看，随着 AI 应用的广泛扩散，推理阶段在算力消耗中的占比会越来越高。今天训练端可能是主要消耗者，但未来设备端、边缘端、云端的部署与实时推理任务将成为新的主力。这也意味着，如果把算力视为生态骨干，那么网络化、分布式的算力布局将成为常态。 此外，报告也强调算力和“万物融合”“万物互联”之间密切的耦合关系：通信、连接质量、网络带宽、实时响应能力，这些都属于算力网络的一部分。未来的智能世界，不是简单地“每个设备连接互联网”那么简单，而是要求设备、系统之间在算力与数据处理层面可以跨节点协同。这就要求一个遍布各地、高效连接、低延迟、分布式部署的算力网络，而不仅仅是集中式算力。 所以，从报告视角看，算力不再是“算模型的工具”，而是承载未来智能生态的骨干网络。只有当算力网络足够强大、覆盖足够广、资源相对可及，才能真正让万物智能“动起来”、让万物融合“落地”、让万物互联“实时”。 为实现这一愿景，算力网络必须与通信网络协同（这其实隐含着 华为在未来智能基础设施格局中的野心。毕竟华为本身是通信出身，在网络层面对带宽、延迟、连接质量、协作协议都有天然优势与核心能力。把算力网络与通信网络捆绑一起，就为它在智能时代从“通信设备商”切入“算力与智能基础设施服务商”打开了一条路径），要求分布式部署、网络化架构、低延迟链路、边缘协作。算力不应都集中在超级云端，而要由骨干 + 边缘 + 终端协同运作。

所以，在《智能世界 2035》文件里，算力被定位为国家资源、社会基础设施、未来能力落地的“底座”。

04 · c.从技术路径到战略坐标：算力的双重身份

把两份报告放到一起看，我们可以发现它们在算力定位上的互补与支撑关系：

• AI 2030 提供了一个有温度、有数字、有预算的算力扩张路径，让“要增长多少算力”“要投入多少钱”成为可以讨论的工程问题。
• 智能世界2035 则提供了算力在国家层面的假设：未来社会将把算力纳入基础设施范畴，让它不再只是技术工具，而是公共资源、战略资源。

正是这两个视角的交汇，使得算力从 “跑模型的资源” 上升为 “国家竞争力、资源配置、基础设施布局”的核心变量。

有了这个双重定位，算力在三驾马车中才真正获得“最关键”的地位。我们可以更清晰地看到：算力不是可有可无的“加法”，而是数据与算法能否真正落地的那根支柱。

如果说算力决定了AI的‘肌肉’，那电力和材料就是它的‘血液与骨头’。

05 · 二. 算力的“物质代价”：

06 · 为什么算力扩张离不开电力

要理解算力的真正代价，先从一个基本问题说起：为什么算力必须“要电”？

想象一个超级计算中心：成千上万块芯片同时运算、存储、通信、读取数据。每一个运算、每一次内存读写、每一次数据搬运，都要消耗电能。这不是小范围设备，而是大规模、长期、高负载的运行。正因为如此，随着算力扩张，电力需求也会被拉得越来越高。

下面我从三个层面说这个代价，并带上几条现实的例子与建议。

• 电力需求的爆炸式增长：算力扩张就是拉电网

要撑起规模庞大的算力系统，电力需求只增不减，数字极其惊人：

• IEA（国际能源署）预测：到 2030 年，全球数据中心的电力需求将接近 945 TWh，约占全世界电力需求的 3%。
• 在专用 AI 加速器（GPU、NPU、专用芯片）服务器方面，其电力需求年增长率可能达到 ~30%，将成为数据中心电力需求增长的主力。
• 有研究估计：到 2030 年，一个前沿 AI 训练任务可能需要 千兆瓦级（gigawatt 级别）的功率支持，极端情况下更高。
• 美国的研究还预测：到 2030 年，AI 数据中心可能需要额外新增约 14 GW 的供电容量。
• 投行 Goldman Sachs 也估算：2030 年数据中心的用电将比 2023 年增长 165%。

这些数字告诉我们：算力越大，电力需求越高，对电网、变电站、输配电线路、供电稳定性的考验就越严峻。

• 基础设施与绿色电力的制约：不是随便拉根电线就能搞定

电力需求高了不只是“买电”这么简单，还需要在电网能力、能源结构、供电稳定性上做很多配套准备。

• 电网瓶颈：线路载流能力、输电能力、区域供电稳定性、峰谷负荷调度能力，这些在很多地区已经达到或接近极限。要新建算力中心，电网改造、输电线路扩容、变电站升级等成本非常高。
• 绿色、可再生电力：如果算力扩张仍主要靠火电、化石能源，那碳排放将暴增。很多国家面临碳中和约束、碳税 、碳排放限制。为了可持续发展，算力增长必须与绿色电力扩张同步，比如风电、太阳能、水电、核能等。
• 我前一段时间刷视频看到：波场创始人孙宇晨“开玩笑”说，未来若科技或者AI 公司想在算力赛道上立足，就干脆自己建或者买下电厂或者核电站。这样的设想虽然听起来极端，但从技术与商业逻辑上看，也并非没有道理：因为对于算力中心而言，电价成本和供电稳定性正是基础成本变量。若能锁定电价、掌控供电，就意味着抵御外部电力波动、压低长期运营成本的能力。

• 雅江集团与水电战略：国家层面的能源底座布局

在中国背景下，雅江集团的成立和规划恰恰是对算力能源问题的一种“底层布局”。雅江集团于 2025 年 7 月成立，承担雅鲁藏布江下游水电工程（即“雅下工程”）的建设与运营。该工程设想建五个梯级电站，装机容量可达 6,000多万千瓦，年发电量约 3,000 亿千瓦时，堪比三个三峡工程规模。

其战略意义不只是水电发电：雅江工程被视为“西电东送”战略的关键节点，有意向把大量清洁电力输送至东部高负荷区域，为未来产业（包括高耗电算力中心）提供稳定基础电源。

在能源 + 电力底层布局上，这样的国家工程可以成为算力密集产业的电力后备保障。也就是说，算力扩张不是完全靠市场去买电，而是在国家能源战略层面就预先布局电源、输电、配电等基础设施。

总之，电力是那条承载算力扩张的现实“钢轨”。要让算力规模化扩张，就必须面对电力这一看似“地面”的约束。无论是国家级水电工程（如雅江项目），还是未来可能的企业自建或者买下电厂（甚至核电站）设想，本质都是试图为算力扩张铺设可靠的电力“钢轨”。

如果没有能源基础的支撑，算力体系将很容易被电网瓶颈、供电不稳、成本飙升拖住脚步。未来的算力竞争，不只是芯片比拼、系统设计竞争，更是 谁能在能源或者电力基础设施层面抢占主动权的竞争。

说完电力，我们再往下看算力的另一层代价——材料。

07 · 三. 算力的“材料代价”：

08 · 稀土与关键金属的隐形枷锁

当你听到“算力中心”“AI 数据中心”“超大规模模型”这些词时，很容易联想到芯片、服务器、冷却系统这些硬件设施。但你可能没意识到，这些硬件背后还有另一条看不见却极其重要的链路：稀土 / 关键金属 /材料的供给与制约。如果说电力是“让算力动”的能量，那材料就是“让算力有硬件可用”的基石。下面我们就讲这个代价，以及国家层面的动向。

• 为什么算力必须消耗稀土 / 关键金属？

硬件不是硅 + 铜那么简单。要把算力硬件做得高性能、低功耗、稳定，还要用到很多“化学配方”：

• 稀土元素（像钕、镝、铽等）常用于制造高性能永磁体、磁性材料、电机、控制器等，这是很多服务器、电源模块、风扇、电机控制系统里不可替代的材料。
• 在芯片与半导体制造、封装、光学器件里，也可能用到稀有金属、掺杂元素或特殊合金。
• 散热、导线、连接件、电磁屏蔽、精密器件里还需铜、铝、钼、钴、钽等关键金属。随着硬件复杂度提升，材料用量与品质要求都在上升。

简而言之，算力硬件并不是“买芯片 + 装机箱”那么简单，它深度依赖一系列材料，而这些材料有很强的稀缺性与技术门槛。

这里举一个例子：算力硬件就像“高端汽车”，稀土是那辆车的钛合金零件

可以这样想：你要造一辆高性能跑车，不仅要发动机、车身、油料，还要钛合金、碳纤维、精密传感器等高端零件。这些零件可能只有少数工厂能做、成本高、但不能省略。硬件也是如此：要跑得快、跑得稳，就必须用好材料。

算力扩张就是造“更强、更密集、更高速运算”的“跑车群”。而钕、镝、稀土合金这些材料，就是这些“跑车”的钛合金零件。缺了它们，算力硬件可能就无法达到设计性能，乃至停滞。

• 我国在稀土与加工链条上的主导地位：优势显著、布局先行

有材料供应并不等于你国外巨头随便能买得到，尤其在高端赛道上，供给链、政策红线与地缘博弈越来越重要。

中国在稀土与加工链条上的主导地位，集中度极高

• 全球稀土矿石 /氧化物产量：2023 年全球稀土氧化物（REO）产量约 350,000 吨，中国产量约 240,000 吨，占比接近70%。
• 精炼 /深加工 /分离能力：在稀土开采之外，中国在加工 /分离 /精炼能力上占绝对主导——据多方估算，中国控制90% 以上的稀土精炼能力。
• 重稀土处理 /精炼：在重稀土（如镝、铽）处理能力方面，中国几乎拥有全球垄断地位——有资料称到 2023 年，中国在重稀土处理 /精炼能力方面达 99%。
• 矿产储量与资源产权：根据 USGS 与其他公开资料，中国稀土氧化物（REO）储量约 44,000,000 吨，占全球总储量的近48%。
• 精炼 /加工利润链：很多国家即便有矿山资源（如澳大利亚、美国），其矿产原料也往往被出口为原矿 /粗料，再送往中国进行精炼 /分离 /深加工。也就是说，这些国家被动地依赖中国来完成价值链后半端。

政策干预与出口管控趋紧

• 2025 年 10 月，中国宣布扩大稀土出口管控，将更多元素、磁体、合金、加工 /冶炼 /磁体制造技术纳入出口许可制度。
• 这些限制不只是管原材料，还管生产设备、磁体制造技术、加工技术。国外厂商若要从中国获取这些材料或技术，要先申请许可。
• 在 2025 年 6 月，中国还暂停了部分稀土合金 /磁体出口，引发汽车、半导体、工业装备等领域供应链危机。
• 此外，中国在出口许可上的灵活度也在变化：据报道，中国对美方稀土出口许可设定了 6 个月有效期，以在贸易紧张局势中保留控制权。

这些政策动作给一个信号：材料供给不再完全由市场驱动，而可能被贸易博弈所操控，成为战略杠杆。

国家战略与产业政策的混合博弈

在中国背景下，这个“材料代价”比其他地方更紧张、更政策化，因为中国一向将矿产、稀土视为战略资源。

• 中国早就在国家层面把矿产 /稀土列入战略资源，在国土 /矿产 /出口 /国企 /政策支持层面都有布局。
• 最近的稀土出口管控就是一个典型信号：从“放开出口”走向“出口许可 + 技术管控 +配额制度”，就是把材料供给从市场变量变成政策变量。
• 在这种背景下，未来算力或者硬件厂商不仅要买芯片、买设备，还必须考虑“材料链条的安全权利”——谁能进入矿产开采？谁有冶炼与精炼能力？谁有出口许可？谁能加入许可清单？这些都关乎项目能否开展、成本能否可控。

电力是“让算力跑起来”的基础能源，但材料（稀土 /关键金属 /合金 /精密材料）是“让硬件有可能存在”的前提。没有材料链条的稳定支持，再厉害的设计、再高效的系统，也可能被卡在“没材料用”的瓶颈上。

未来的算力竞争，不仅是芯片工艺、系统架构、算法优化的比拼，更是一场关于 材料可得性、安全性、政策控制权 的竞赛。谁能在这条链上掌握主动权，谁就能把 “算力扩张”变成更可靠、更可控、更可持续的路径。

09 · 结语

当我们讨论 AI，不该只看到代码、模型、参数，而要看到那些埋在地底、架在高原、流经江河的能量。

算力听起来是一个“虚”的词，但它的根是“实”的——它吃电、耗材、建在土地上，也牵动国家的战略、安全与发展节奏。

从雅江的水电站，到稀土的出口管控，再到华为提出的“智能世界 2035”，中国的布局其实在告诉我们一件事：未来的竞争，不只是算法的较量，更是能源、材料与基础设施的全面协奏。

这也许正是一个新的范式：科技的未来，不再漂浮在云端，而要重新落地——落在电网、落在矿山、落在每一台服务器闪烁的微光之中。

当我们仰望星空、谈论 AGI 时，也别忘了脚下的土地。因为所有的“智能”，最终都要靠那片土地的能量去驱动。