MIT 科技评论 - 本周热榜

4.3亿听障人士的福音，哥大团队研发脑控助听器，最高增益12分贝

落花 — Tue, 12 May 2026 10:02:46 GMT

在嘈杂的鸡尾酒会上，我们总能从交织的人声中精准捕捉到好友的低语。这种大脑与生俱来的选择性听力，被科学界称为“鸡尾酒会效应”，是人类听觉系统最神奇的能力之一。

然而，对于机器而言，从混杂声音中分离并识别单一声源非常困难，这就是“鸡尾酒会问题”。比如传统的助听器只会无差别放大所有声音，杂音与对话同步放大，导致用户在复杂环境下依然听不清、听得累。

近日，来自哥伦比亚大学、加州大学旧金山分校等机构的联合团队，成功研发了一套实时闭环脑控听力系统，直接通过解码大脑注意力信号，实时放大目标人声、压制杂音，让人在嘈杂环境中想听谁就听清谁，彻底打破传统助听器的技术瓶颈。研究成果发表于 Nature Neuroscience 期刊。

通讯作者尼玛·梅斯加拉尼（Nima Mesgarani）长期致力于解析人类大脑处理复杂声音环境的神经机制，其研究的核心贡献在于揭示了大脑如何在“鸡尾酒会”场景下有选择性地重构目标谈话者的声谱特征。

他此前的研究不仅证实了听觉皮层会为关注的声音产生独特的“标签”，还开发了一系列先进的语音分离算法和刺激重建模型，奠定了从微弱神经活动中还原清晰语音波形的理论基石。

（来源：上述论文）

听力障碍是全球最常见的感官缺陷之一，世界卫生组织数据显示，全球超 4.3 亿人存在不同程度的听力损失。

传统助听器的核心逻辑很简单：麦克风收集所有声音并统一放大，然后再传入耳朵。这种放大模式忽略了人类听觉的核心需求，选择性关注。大脑天生会筛选声音：你关注的人说话，大脑会强化其神经信号；无关杂音，大脑会自动抑制。但传统助听器把目标对话、旁人闲聊、餐具碰撞、环境噪音全部放大，原本微弱的目标声音被杂音淹没，用户只能费力分辨，久而久之产生听觉疲劳、焦虑，甚至放弃佩戴。

多年来，科学家一直尝试破解这一难题：能否让助听器像大脑一样，只放大用户想听的声音，自动过滤杂音？

早在 20 世纪 50 年代，科学家就发现 “鸡尾酒会效应” 背后的神经机制：人类听觉皮层会对关注的声音产生独特的神经信号，就像给目标声音打上专属标签。基于这一发现，“听觉注意力解码（AAD）” 技术应运而生：通过分析人脑的电生理信号（如脑电图 EEG）来识别用户当前正关注哪个说话者或声音源。

在运作流程上，系统首先通过高分辨率电极，从患者大脑皮层实时采集低频与高频信号，这两者共同构成了捕捉注意力特征的高清数据源；随后，利用线性回归模型，根据这些大脑信号还原出患者正在关注的那段声音的波形。

判定阶段，系统会将这段由大脑信号复刻出的波形，与环境中捕获的多个竞争音源进行相关性比对，相关性数值最高的音源即被判定为当前的注意力焦点；最终，系统自动将目标音源的音量提升最高 9 分贝，同时压低另一方。为了让音量过渡自然，团队还引入了马尔可夫模型进行平滑处理，避免音量突变带来的不适感。

为了验证这套系统是否好用，研究人员招募了 4 名癫痫患者进行了三项测试。这类患者因治疗需要，颅内已植入高精度电极，直接贴合大脑听觉皮层，能采集到最清晰、最精准的神经信号。所有患者自述听力正常，确保实验不受原有听力障碍干扰。

第一项测试，模拟嘈杂环境下的基础聆听场景。患者同时听两段对话，系统在中途开启。结果显示，系统开启后，患者对目标语音的理解准确率显著提升，信噪比平均改善了 12 分贝。高达 75% 到 95% 的试次中，患者明确表示更喜欢系统开启后的听觉体验。

更重要的是，生理指标也给出了证据，患者的瞳孔扩张程度显著降低。在神经科学中，瞳孔变小意味着大脑不需要费那么大劲去处理信息，这证明系统确实让听力变得更省劲。

图 | 实时、脑控听力增强技术可提高语音感知能力并减少听力努力（来源：上述论文）

第二项测试，验证注意力切换灵敏度。现实中，我们会随时切换谈话对象。实验中，当患者收到指令把注意力从左侧发言者转到右侧时，系统表现出了极高的灵敏度。系统能在平均 5.1 秒内识别出这种转变，并自动切换放大对象。

第三项测试，模拟最真实的自主聆听场景。不给任何外部指令，让患者随心所欲切换关注对象。即便如此，系统依然能稳定捕捉这种自发的注意力转移，精准放大目标声音，完美适配真实多变的生活场景。

有人会好奇：为什么不直接给助听器装摄像头，靠眼神追踪判断关注对象？研究团队明确指出，脑控听力比眼神追踪靠谱太多。

一方面，当两个说话人距离很近，或是听广播、公开演讲时，眼神根本没法区分目标；另一方面，人常出现“眼神看 A、耳朵听 B”的情况，比如开会时盯着同事，其实在听邻座聊天，眼神根本不能真实反映听觉注意力；更重要的是，靠眼神、转头判断，长时间下来会非常疲劳，而脑波解码是全自动、无感的，全程不用任何额外动作。

此外，研究团队还进行了一项极具人文关怀的额外测试：他们邀请了 40 名真实的听障患者，让他们听这套系统处理后的音频。结果显示，相比于听力正常者，听障人群从这套系统中获得的理解力提升更为巨大。这证明了该技术不仅在实验室里有效，在临床应用上也具备巨大的应用潜力。

参考链接：

1.Choudhari, V., Nentwich, M., Johnson, S. et al. Real-time brain-controlled selective hearing enhances speech perception in multi-talker environments. Nat Neurosci (2026). https://doi.org/10.1038/s41593-026-02281-5

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成

波士顿初创靠铝厂废液提镓，意图改变美国半导体供应链

胡巍巍 — Tue, 12 May 2026 09:59:28 GMT

对于美国来说，镓是国防、半导体和能源领域的战略性材料。为此，美国麻省理工学院博士毕业生皮特·戈达特（Peter Godart）创立的 Found Industries 公司研发出了两项技术。第一项是把废铝变成零碳燃料，第二项是从铝厂废液里提取战略金属镓。

2022 年，他在自己家地下室成立了这家公司，后来搬到波士顿查尔斯顿一个两万平方英尺的厂房。Peter 之前在 MIT 拿的是机械工程和电气工程双学位，在 MIT 读博时研究用铝做燃料，在 NASA 造过机器人。他的团队现在有二十多人，团队成员包括电化学家、工业流程工程师、控制工程师，很多团队成员来自壳牌、洛克希德·马丁和挪威海德鲁这样的老牌工业公司。

Peter 的铝燃料技术原理是这样的：普通铝遇水会立刻生成一层氧化膜把自己包住，反应瞬间停止。他在铝里掺了一种液态金属催化剂，铝遇水时催化剂让铝块像爆米花一样炸开，暴露出新鲜表面继续反应，直到整块铝全部烧完。

反应温度轻松超过 1,000 摄氏度，产出的蒸汽可以驱动机器，氢气和蒸汽混合燃烧能加热到 1,300 度，这个温度是足够炼钢使用的。反应后的铝氧化物可以卖回给铝厂，或者用绿电电解重新变回铝形成一个闭环。

他的公司已经建成 100 千瓦级演示装置，准备明年在一家工厂落地运行。全世界每年有超过 300 万吨回收铝最终无人处理，Peter 想把这些废物变成能源。不过相比全球每年 4,300 万吨的回收铝总量，这个数字还不到十分之一。因此，Peter 的目标是想把整个铝工业变成一个巨大的储能网络。

做铝燃料需要催化剂，催化剂的原料包含一种叫镓的金属。Peter 在开发燃料业务时发现，全球 99% 的镓供应来自美国以外。他买不到某些关键设备，所以自己从头研发提取技术，这个技术后来成了他公司的第二张王牌。其技术可以直接从铝厂的拜耳液（一种强碱性工业液体）中连续电解回收镓，不需要进口任何有机化学品或树脂。

图 | 皮特·戈达特（Peter Godart）（来源：JAMES DINNEEN）

前不久，美国政府给了他 540 万美元，支持他把这项技术推向商业。对于美国来说没有镓的话，雷达、卫星、5G 基站里的氮化镓芯片都造不出来。Peter 的公司计划 2027 年底开始量产镓、铟、锗等金属，在为自己的燃料业务保供的同时，也希望能给美国的工业链补上一块短板。

铝的能量密度很高，每升是锂电池的 40 倍左右。铝是地球上最常见的金属，每年已经有 7,000 万吨在全球运输，如果能把它当燃料用，能源存储和运输的问题就解决了一大半。而 Peter 的发动机技术本质上是一个催化铝水反应器，把催化剂处理过的铝和水喂进去，出来的是高温蒸汽和氢气的混合气，可以直接供热，也可以推动汽轮机发电。

这个反应器的工作原理有点像高压锅，铝燃料被做成小颗粒，通过一个活塞装置定量推入反应室。水泵同时注入常温水，水和铝在催化剂作用下剧烈反应，瞬间产生大量蒸汽和氢气。

反应室内的压力随之升高，高温混合气从出口喷出，进入散热器或涡轮。反应完的固体残渣是氢氧化铝和催化剂的混合物，通过底部的排渣口收集起来。其中，催化剂不参与消耗，可以被回收再利用。而氢氧化铝则可以卖给建材厂或氧化铝厂。

Peter 的团队在实验室里用这台装置做了上千次测试，反复优化了反应参数。铝颗粒的尺寸太大反应不彻底，太小又容易堵塞进料口。同时，水温和流速也会影响反应的剧烈程度。经过不断调试，他们找到了一个稳定的操作窗口，目前这台 100 千瓦级的装置现在已经可以连续运行数小时，不需要人工干预。

（来源：https://found-industries.com/）

铝燃料的闭环循环是 Peter 的远期目标，反应出来的氢氧化铝运回铝厂，用水电或太阳能电解，重新变回铝然后再做成燃料。整个链条不排放二氧化碳，用的全是已有的工业基础设施。

铝厂是该公司最大的潜在客户，它们需要大量热能来熔炼铝，同时又能产出废铝和回收氧化铝。据了解，一家中等规模的铝厂每天消耗的热能相当于几千吨煤炭，如果用铝燃料替代一部分碳排放会显著下降。

当然，铝燃料不可能完全取代化石能源，不过对于那些没法进行电气化的工业环节来说，比如水泥窑、化工厂、炼钢炉，它提供了一个当下就能用的低碳选项。目前，Peter 的公司已经拿到了美国能源部的支持，也在和日本、欧洲的企业洽谈合作。

（来源：JAMES DINNEEN）

提取金属镓的业务也在同步推进，Peter 的团队在实验室里搭建了一个小型电解槽，用拜耳液做原料连续运行了几周，证明了技术的稳定和可靠。他们下一步要在一个真实的铝厂里做中试验证，如果成功这将是美国本土第一条从工业废液中回收镓的生产线，这种方法的成本比传统工艺低不少，因为不需要采购昂贵的树脂和化学品，电耗也更低。

对于未来计划，他告诉一家美国媒体：“眼下的核心战略是攻克关键金属，这既是（美国）国家战略所需，也是我们的立身之本。我们正致力于实现供应链的纵向一体化，力求实现自给自足。在实体产业掌控进料端已是竞争的入场券，唯有扼住原材料的咽喉，我们的铝燃料业务才能走得更远。”

参考资料：

1.https://news.mit.edu/2026/found-industries-aims-to-strengthen-americas-industrial-supply-chains-0503

https://www.linkedin.com/in/petergodart/

https://found-industries.com/

https://found-industries.com/boston-based-found-energy-wins-prestigious-international-competition-at-hello-tomorrow-global-summit/

https://found-industries.com/found-energy-wins-inaugural-boston-climate-leader-award-for-green-energy-innovation/

https://www.technologyreview.com/2025/10/23/1126397/startup-aluminum-zero-carbon-fuel/

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成

自动化替掉的不是低效员工，而是工资最高的那批

麻省理工科技评论 — Tue, 12 May 2026 05:13:00 GMT

（来源：麻省理工科技评论）

提到“自动化”和“用 AI 取代工作”，人们脑海里浮现的画面往往是一场技术海啸，以效率之名席卷所有劳动者。但 MIT 经济学家参与的一项研究发现，1980 年以来，美国企业搞自动化的首要目的往往不是提高效率，而是替掉那些工资偏高的员工。

企业搞自动化，很多时候并不是为了追求最大化的生产力，而是为了替掉一群特定的员工，尤其是那些拿着“溢价工资”的人。在实践中，这意味着自动化经常打击的是那些没有大学学历、但凭经验或技能拿到了比同类员工更好薪水的工人。

这个发现至少有两层重要含义。第一，自动化对美国收入不平等的推动作用，比很多人意识到的更大。第二，自动化带来的生产力提升相当平庸，原因很可能是企业把自动化当成了压工资的工具，而不是用来寻找更高效、更有利于长期增长的技术路径。

“自动化存在低效的靶向问题。”MIT 的达隆·阿西莫格鲁（Daron Acemoglu）说，他是这篇论文的合著者。“某个行业、职业或任务中工人的工资越高，自动化对企业就越有吸引力。”他指出，理论上企业可以高效地运用自动化，但实际上它们没有——它们更多地把自动化当作削减薪酬的手段，这在短期内好看的财务数字，却没有为企业铺设出一条最优的增长路径。

这项研究估算，1980 年到 2016 年间美国收入不平等的增长中，52% 可以归因于自动化，其中约 10 个百分点专门来自企业替换那些拿着工资溢价的员工。这种低效的靶向替换，抵消了同一时期自动化带来的 60% 到 90% 的生产力增益。

“这可能是美国生产力增长一直不温不火的原因之一。我们有大量的新专利、大量的新技术，数量惊人，”阿西莫格鲁说，“但你再看看生产力数据，相当惨淡。”

这篇论文题为《自动化与租金消散：对工资、不平等和生产力的影响》（Automation and Rent Dissipation: Implications for Wages, Inequality, and Productivity），发表在《经济学季刊》（Quarterly Journal of Economics）5 月的印刷版上。作者是阿西莫格鲁（MIT 院士教授）和帕斯夸尔·雷斯特雷波（Pascual Restrepo），耶鲁大学经济学副教授。

不平等的含义

从 2010 年代起，阿西莫格鲁和雷斯特雷波就合作开展了大量关于自动化及其对就业、工资、生产力和企业增长影响的研究。总体而言，他们的发现表明 1980 年后自动化对劳动力市场的影响，比许多学者此前认为的更加显著。

在这项新研究中，研究人员使用了来自多个来源的数据，包括美国人口普查局的统计数据、美国社区调查数据、各行业数据等。阿西莫格鲁和雷斯特雷波分析了 500 个细分人口群体，按五个教育水平以及性别、年龄和族裔背景进行划分。研究将这些信息与美国 49 个行业的变化分析相对照，对自动化如何影响劳动力进行了精细的观察。

最终，这套分析让学者们不仅估算出了自动化总共消灭了多少工作岗位，还测算出其中有多少是企业非常有针对性地在削减某些员工的工资溢价。

研究还发现，在受自动化影响的工人群体中，冲击最大的是薪资分布在第 70 到 95 百分位的员工。这说明在这个过程中，收入偏高的员工承受了主要打击。

分析表明，美国收入不平等总增长中约五分之一可以归因于这一个因素。

“我认为这是一个很大的数字，”阿西莫格鲁说。他与长期合作者、MIT 的西蒙·约翰逊（Simon Johnson）和芝加哥大学的詹姆斯·罗宾逊（James Robinson）共同获得了 2024 年诺贝尔经济学奖。

他补充说：“自动化当然是经济增长的引擎，我们会继续使用它。但它确实在资本与劳动之间、以及不同劳动群体之间制造了巨大的不平等。因此，在过去几十年美国不平等的加剧中，自动化扮演的角色可能比很多人以为的要大得多。”

生产力之谜

这项研究还揭示了企业管理者面前一个基本的选择，但这个选择往往被忽视。想象一种自动化技术——比如呼叫中心系统——对企业来说实际上可能是低效的。即便如此，管理者仍然有动力去采用它：压低工资、管理一个生产力更低但净利润更高的企业。

放大到整个经济层面来看，1980 年以来美国似乎一直在发生某种版本的这件事：更高的盈利能力并不等于更高的生产力。

“这两件事是不同的，”阿西莫格鲁说，“你可以在降低生产力的同时降低成本。”

阿西莫格鲁和雷斯特雷波的这项研究不禁让人想起已故 MIT 经济学家罗伯特·M·索洛（Robert M. Solow）1987 年写下的那句名言：“技术铺天盖地，但生产力没怎么涨。”

沿着这个思路，阿西莫格鲁指出：“如果管理者能通过降低 1% 的生产力来增加利润，很多人可能乐于这么做。这取决于他们的优先级和价值取向。所以我们论文的另一个重要含义是：好的自动化和不那么好的自动化正在被打包在一起。”

需要说明的是，这项研究并不意味着自动化越少越好。某些类型的自动化确实能提升生产力，形成良性循环——企业赚更多的钱，然后雇更多的人。但阿西莫格鲁认为，目前人们对自动化的复杂性认识还不够清晰，而也许看清 1980 年以来美国自动化的大历史规律，有助于人们更好地理解其中的取舍。

“重要的是这些认识能否进入人们的思考，以及我们在对自动化进行全面评估时，最终会得出什么结论，尤其是在不平等、生产力和劳动力市场影响方面。”阿西莫格鲁说。

如果我们更审慎地调整自动化的类型和程度，以更有利于生产力的方式来推进，我们可能还能收获更大的生产力增益。这完全是一个更好的选择。

原文链接：

https://news.mit.edu/2026/study-firms-often-use-automation-control-certain-workers-wages-0507

孙正义的物理AI帝国：机器人产业的每一层，他都想吃下

加洋 — Tue, 12 May 2026 02:30:49 GMT

2026 年 1 月 14 日，匹兹堡的机器人软件公司 Skild AI 完成 14 亿美元 C 轮融资，估值 140 亿美元，是七个月前 B 轮的三倍多。领投方是软银。

再往前三个月的 2025 年 10 月 8 日，软银和瑞士 ABB 集团签下另一份合同，以 53.75 亿美元收购 ABB 工业机器人部门。这个部门有 7,000 多名员工，2024 年收入 23 亿美元，EBITA 利润率 12.1%，与发那科、安川、库卡同列工业机器人四大家族。

签下 ABB 那天，孙正义在公告里说，“SoftBank's next frontier is Physical AI”（软银的下一个前沿是物理 AI）。

过去 18 个月，软银在物理 AI 这条产业栈上几乎每一层都签下合同：从机器人基础模型到工业机械臂，从仓储拣选到 Arm 指令集和数据中心 CPU，再到 2026 年 4 月底刚被披露的新公司 Roze AI，用自主机器人来建数据中心。

机器人的大脑

Skild AI 由前卡内基梅隆大学副教授 Deepak Pathak 和 Abhinav Gupta 在 2023 年创立，做的是机器人基础模型 Skild Brain。

和多数为特定机器人形态训练的控制模型不同，Skild Brain 的设计目标是一个模型适配所有形态：四足、人形、桌面机械臂、移动操作机器人。遇到训练数据中没见过的形态或环境，模型靠 in-context learning 在场景中现学现调，而不是回去重新训练。其训练数据来自三处：互联网上数十亿条人类动作视频、物理仿真，以及遥操作数据。Pathak 在 C 轮公告里把这套思路解释成“模型被迫去适应，而不是去记忆”。

图丨SkildAI团队（来源：SkildAI）

商业化方面，Skild 把模型部署在安防、建筑、配送、数据中心、仓储和工厂装配等场景。Pathak 告诉彭博社，2025 年公司收入从零增长到约 3,000 万美元。

从 A 轮开始，软银就持续参与对 Skild AI 的投资，并且三轮都是领投方，不过他对 Skild 的处理方式和它对其他硬件资产的处理方式略有不同。

Berkshire Grey 是直接私有化退市，AutoStore 是 40% 股权大单，ABB 是 53.75 亿美元全资收购；Skild 走的是少数股权连续加注的路径，让 Skild 保留独立的产品、品牌和技术决策，软银通过三轮领投锁定核心模型层的资本结构。2025 年下半年软银设立 Robo HD 控股公司时，Skild 被列入这家控股公司的资产组合，和 ABB 机器人、Agile Robots、AutoStore 等硬件资产并列。

机器人的身体

Skild 是大脑。ABB 是软银打算装进这个大脑的第一具大型工业身体。

ABB 工业机器人部门是行业四大家族之一，客户包括宝马等汽车厂商。53.75 亿美元的交易终结了 ABB 原本把机器人业务分拆独立上市的计划，ABB 选择直接卖给软银，把约 53 亿美元的现金留给自身利润率更高的电气化业务，OpenAI、Meta 们建数据中心拉动的电气化需求，对 ABB 来说增长比工业机器人更快、利润更高。不过这笔交易尚需要欧盟、中国、美国监管批准，预计 2026 年中后期完成交割。

图丨ABB 工业机器人（来源：ABB）

软银在工业机器人之外的本体公司上也下了多笔注。德国宇航中心衍生的思灵机器人（Agile Robots）是其中一家，2018 年成立，总部在慕尼黑和北京，做力控机器人。2021 年 9 月，软银愿景基金二期领投它的 C 轮 2.2 亿美元融资，把它做成了德国第一家机器人独角兽。到 2025 年，公司员工超过 2,300 人、营收约 2 亿欧元；当年 11 月，Agile Robots 新全球总部在慕尼黑揭幕，巴伐利亚州州长 Söder 出席。

人形机器人方面，软银与亚马逊共同投资美国公司 Agility Robotics，这家做 Digit 仓储双足机器人的公司在 2025 年 3 月完成 4 亿美元融资，估值 21.2 亿美元。中国机器人公司傅立叶也在软银愿景基金的投资组合里，该公司 2025 年 5 月估值 11 亿美元，产品从康复机器人扩展到了 GR-1、GR-3 人形系列。

仓储与芯片

在机器人硬件和模型之外，仓储自动化和芯片是软银另外两块物理 AI 资产。2021 年 4 月，软银以 28 亿美元从美国私募 THL Partners 和瑞典 EQT 手中买下挪威公司 AutoStore 40% 的股权，对应估值 77 亿美元。

AutoStore 1996 年成立于挪威西海岸小村 Nedre Vats，做的是“立方仓储”，用在铝制网格上跑的机器人小车在三维空间里抓取货箱，为 HMart、H-E-B、Ahold Delhaize 等零售商搭建店内或微型履约中心。

2023 年 3 月，软银以每股 1.40 美元、总价约 3.75 亿美元的代价完成对 Berkshire Grey 的私有化退市。这家位于马萨诸塞州 Bedford、做 AI 拣选系统的公司当时面临纳斯达克退市风险。软银从 2019 年起就是它的股东，这一次完成全资收购。

芯片这一层的布局更早、规模也更大。Arm 自 2016 年被软银以 320 亿美元收购、2023 年在纳斯达克重新上市以来，软银始终保持约 90% 持股。Arm 指令集架构占全球智能手机处理器 90% 以上的份额，近年向数据中心服务器和 AI 加速器领域延伸；截至 2026 年五月，Arm 市值约 2,200 亿美元。

服务器 CPU 层面，2025 年 3 月，软银宣布以 65 亿美元全资收购 Ampere Computing。这家 2017 年成立于加州圣克拉拉的公司做的是基于 Arm 架构的高性能、低功耗数据中心 CPU，原主要股东是凯雷投资和甲骨文。美国 FTC 在 2025 年 11 月 17 日批准了交易，年底完成交割。孙正义在收购公告里说：“人工超级智能的未来需要突破性的计算能力。”

除此之外，软银 2025 年 8 月还对英特尔做了 20 亿美元的小份额投资，并联合 OpenAI、甲骨文等启动了规模 5,000 亿美元的 Stargate 数据中心项目。

第二次布局机器人

说起来，这已经是孙正义不是第一次大规模布局机器人产业了。

2014 年 6 月 5 日，他在东京亲手揭幕 Pepper，这是一台 120 公分高、带“情感引擎”的人形机器人，由软银 2012 年以 1 亿美元收购的法国 Aldebaran Robotics 制造。Pepper 上市第一批 1,000 台 60 秒内售罄；到 2018 年 5 月，软银在欧洲共售出约 12,000 台。

图丨Pepper机器人（来源：RobotsGuide）

但 Pepper 始终没有找到稳定的商业用例，2020 年 8 月停产，累计制造约 27,000 台。2022 年，软银把 SoftBank Robotics Europe 卖给德国 United Robotics Group，公司改回 Aldebaran 的旧名；2025 年 6 月，巴黎一家司法机构裁定 Aldebaran 进入破产管理。

波士顿动力也曾是他手下的资产。2017 年，软银从 Alphabet 手中收购这家做四足和双足机器人的公司；2020 年 12 月，又以 8.8 亿美元把 80% 股权转让给现代汽车，保留 20%。

第一轮押注从消费场景、情感交互、本体硬件这一侧切入。Pepper 停产、波士顿动力转手、Aldebaran 破产管理，是这一轮的结果。这次的 Physical AI 押注切换到了软件大脑、工业部署和算力底层；规模上，单笔 ABB 的 53.75 亿美元已经超过软银上一轮所有机器人投入的总和。

把它们装进同一个壳

2025 年下半年，软银做了两件事，关系到这些资产怎么被使用。

第一件是设立 Robo HD 控股公司。软银把现有的机器人资产，包括SoftBank Robotics 集团、Berkshire Grey、AutoStore、Agile Robots、Skild AI，连同未来交割完成的 ABB 机器人部门，全部纳入这家新设立的控股公司。彭博分析师 Kirk Boodry 在 ABB 交易当天评论说，这笔交易“能帮助软银从过去做的那些机器人投资里挖掘价值”。

另外，2026 年 4 月底，FT 和华尔街日报先后披露，软银正在组建一家新的美国机器人加 AI 公司，名为 Roze AI，专门用自主机器人来建造数据中心。建一座大型数据中心传统上需要 18 到 24 个月，而 AWS 2026 年单年的资本开支预计就超过 1,000 亿美元，速度跟不上需求，Roze AI 试图做的就是加速这一过程。软银希望 Roze AI 在 2026 年下半年完成美股 IPO，目标估值 1,000 亿美元。FT 同时引述软银内部人士，称有部分高管对该估值和上市时间表持怀疑态度。

孙正义那句“SoftBank's next frontier is Physical AI”的完整版本是：“Together with ABB Robotics, we will unite world-class technology and talent under our shared vision to fuse Artificial Super Intelligence and robotics.”（我们将与 ABB 机器人业务携手，在融合人工超智能与机器人的共同愿景下，汇聚世界一流的技术和人才）按他的定义，ASI 是比人类更强大的人工智能。要实现这种融合，需要的产业层级包括基础模型、工业机械臂、本体公司、仓储拣选、芯片架构、数据中心和部署场景。而如今，软银正把这份清单上的每一项都一一纳入手下。

参考资料：

https://new.abb.com/news/detail/129685/abb-to-divest-robotics-division-to-softbank-group

https://group.softbank/en/news/press/20251008

https://www.bloomberg.com/news/articles/2025-10-08/softbank-to-buy-abb-s-robotics-arm-in-5-4-billion-deal

https://www.supplychainbrain.com/articles/42635-softbank-to-buy-abbs-robotics-arm-in-54b-deal

https://interactanalysis.com/insight/softbank-abb-robotics-ai-investment/

注：封面/首图由 AI 辅助生成

两个博士、10亿次抓取：这家公司盘活了德国工业4.0十年的家底

加洋 — Mon, 11 May 2026 10:29:01 GMT

最近，德国斯图加特一家成立不到五年的公司 Sereact 宣布完成 1.1 亿美元 B 轮融资，Headline 领投。两位创始人 Ralf Gulde 和 Marc Tuscher 是斯图加特大学机床控制工程与制造装备研究所（ISW）的博士同窗，2021 年用毕业论文的研究方向开了公司。

到这次融资为止，他们的产品 Cortex 已经部署在宝马、奔驰、戴姆勒卡车、百事可乐等 200 多个真实工位上，完成超过 10 亿次抓取。每 53,000 次抓取才需要一次远程人工干预，作为对照，汽车工业供应链对零部件的一般质量要求约为 50 PPM（每百万件 50 个缺陷,即每 20,000 件一次），Sereact 这个数字比汽车工业链的常见门槛还要严格。

CTO Marc Tuscher 给了 Cortex 一句口号：“机器人在 latent space 里做梦。”也就是机器人在动手前先在隐空间里把接下来几步的物理后果跑一遍，挑出最稳的路径再去执行，这种结构在学术上叫 world model（世界模型），目前已经有不少公司正在推进这一路线，但真正跑在宝马工厂产线上的，目前应该只有 Sereact 一家。

跟它同台竞争的硅谷玩家，融资额要大得多。匹兹堡的 Skild AI 2026 年 1 月完成 14 亿美元 C 轮，估值 140 亿美元，累计融资 18.3 亿美元，是 Sereact 的十倍以上。旧金山的 Physical Intelligence 累计融资约 10 亿美元。

两家公司都公开承认，训练数据主要来自大规模仿真和互联网视频，真机数据只是补充。Skild 在公司博客里非常直接地表示，绝大多数同行的“机器人基础模型”其实是“披着马甲的视觉－语言模型”，缺少真正的物理常识。

Sereact 这边的逻辑则相反。CEO Gulde 在 B 轮公告里提到：“我们五年前就赌了一把，你不可能在实验室里训出真实世界的机器人 AI。”这场赌的关键变量是数据来源：Sereact 的 10 亿次抓取全部来自欧洲二十几家工厂的实际生产工位，夜班、高峰期、长尾形状的怪异 SKU，全部入模型。

而说起这些数据资产，我们就不得不提到德国过去十五年最有名的一项工业战略——“工业 4.0”（Industrie 4.0）。

屡屡受挫十年的工业 4.0

德国 2011 年汉诺威工博会第一次提出“Industrie 4.0”，当时的目标是建立一个由德国主导的工业操作系统。十年里，这个目标的执行屡屡受挫过很多次。SAP 之外，德国没跑出过有全球影响力的消费互联网或云服务公司；德意志银行的数字化转型反复折腾；Gaia－X 这个被宣传为“欧洲云替代”的项目，落地几年后业内基本默认它是个 PPT 工程。

图丨工业4.0（来源：SAP）

德国制造业这几年并不好过。以 2024 年为例，德国全年 GDP 收缩 0.2％，机床业和汽车业的产出明显下滑。各大制造商也纷纷裁员，西门子、博世、蒂森克虏伯、德意志铁路等十余家上市公司在 2024 年前 10 个月合计裁员超过 6 万人；博世仅 11 月一个月就宣布削减 7,000 个岗位。德国经济专家委员会（GCEE）在 2024 年报告中判断：德国制造业的衰退不仅是周期性的，跟全球经济出现了结构性脱钩。

不过这些坏消息盖过了工业 4.0 这十年另一面的成果：它的物理底座。

工业 4.0 的口号是“智能工厂”，但最难做、最不好讲故事的部分，是协议、传感器、控制器之间的标准化。这部分工作过去十几年通过几个并不有名的组织悄悄完成。

OPC UA 是核心。这是一套机器对机器通信的国际标准（IEC 62541），2008 年发布，2016 年德国联邦信息安全局（BSI）出具正面安全评估，2018 年德国机床制造商协会（VDW）正式选定它作为机床互操作的核心协议。

VDMA（德国机械设备制造商协会）十几年来一直在制定行业版的 Companion Specifications，简单说就是给“塑料注塑机怎么报数据”、“机床怎么报数据”、“包装机怎么报数据”建立统一格式。这套标准在德国机械装备和工厂里渗透得比任何其他国家都深。

机器人保有量是另一个底座。国际机器人联合会（IFR）2024 年的数据显示：德国每万名制造业工人对应 449 台工业机器人，排全球第三，落后于韩国（1220）和新加坡（818），领先美国（307）和意大利（244）。德国 2024 年新装机 26,982 台，继续是欧洲最大机器人市场。这些机器人也大多接入了 OPC UA 协议下的数据采集体系。每一个抓取动作发生时，传感器读数、机器人状态、夹爪反馈都被同步记录下来。

因此，工业 4.0 没建成“德国主导的工业操作系统”，但它在过去十年里建成了一个分散在数千家工厂里、用统一协议联通的工业数据池。这个池子在过去并没有显示出特殊价值，因为没有什么模型能消化它。

但具身智能改变了这件事。

斯图加特的两个博士、BMW 的产线

Sereact 的两个创始人在 ISW 做博士的几年，刚好赶上工业 4.0 数据基础设施成熟的窗口期。Gulde 在 2025 年的一次校友访谈里说，在 ISW 最重要的收获是“质疑深度学习模型怎么训练这件事的自由”。意思是，他们在一个全德最好的工业控制实验室里，手边就是真实的产线数据，可以反复尝试用机器学习去消化它。这种条件在伯克利或斯坦福的机器人实验室里基本不存在，因为那些实验室没有真实产线给他们测试。

图丨Sereact 的两个创始人 Ralf Gulde 和 Marc Tuscher（来源：Sereact）

2021 年公司成立。前两年，Sereact 把产品推到欧洲二十几家客户那里部署：单臂拣选工位、双臂退货分拣站、Sereact Lens（基于 Cortex 视觉感知拆出来的 3D 库存与质检系统）。每一台机器人同时是工作站和数据采集器。每一次抓取，成功也好、失败也好、需要远程干预也好，都被同步记录：摄像头观测、机器人本体状态、夹爪力反馈、最终结果，一整套打包上传。

这些数据不是全部入模型，而是先过一层新颖度和不确定度的过滤，系统优先用最有信息量的样本去更新策略。更新后的模型通过自动回归测试，确认没有性能回退，再下发到整支机队，由此形成闭环

Cortex 的第一代是一个 VLA 模型，看到什么就抓什么，采取典型的反应式策略。如果一次抓取失败，反应式策略往往会重复同样的错误动作，失败叠加失败。这次 B 轮发布的 Cortex 2.0 在 VLA 之上加了世界模型：从当前状态出发，生成一组候选未来轨迹，放进一个学过物理和物体行为的模型里跑一遍，按稳定性、风险、效率给每条轨迹打分，机器人只执行得分最高的那条，执行过程中场景变化会实时更新预演。从“试了再看”变成“看了再试”。

图丨Cortex 2.0 的架构（来源：Sereact）

这便是 Tuscher 所说的“机器人在 latent space 里做梦”。

在 Cortex 2.0 还有一个比较特殊的工程取舍：推演用多少算力是可调的。包裹打包、kitting、易碎品摆放这种失败代价高的任务，多花算力多推几步；漏抓重抓一次就能解决的任务，少花算力直接动手。这条设计是把世界模型从研究 demo 推到产线可用的关键。

另外，Cortex 模型的规划层跑在视觉隐空间，而不是机器人关节空间。关节命令绑死在某个机器人的运动学结构上，像素层面的物体、接触、运动规律则是跨硬件通用的。所以同一个 Cortex 大脑可以驱动单臂拣选、双臂退货、人形机器人、固定工作单元等不同硬件形态。

到这里，工业 4.0 这十年攒下的标准化基建，通过两个 ISW 博士的创业，被打包成了一种全新的资产形态：可训练的真实工业数据，加上能消化这些数据的模型架构。

2025 年 A 轮 2,500 万欧元，Creandum 领投。2026 年 4 月 B 轮 1.1 亿美元，Headline 领投，Bullhound、Daphni、Felix Capital 跟进。累计融资到 1.4 亿美元出头。

Tuscher 还有一句话：“硬件即将商品化，模型不会。我们不造机器人，不卖服务，只发一种东西：可以跑在任何机器人上的模型。”A 轮领投方 Creandum 的 Johan Brenner 把 Sereact 类比 Mobileye 之于自动驾驶、Nvidia 之于通用算力。这个类比指向同一个判断：产业链里最高利润的位置不是终端硬件，是跑在硬件上的智能层。硬件标准化，软件成差异化，数据决定软件优劣。

Sereact 的下一站是制造业精细装配。Tuscher 在公告里点了几个具体场景：有张力的零部件组装、雨刷不刮花玻璃地装到位、kitting 工序里零件必须以正确朝向落进下一道工位。这些比仓储拣选难得多，容错率也低得多。Cortex 2.0 的可调算力预演加世界模型设计，瞄的就是这一层市场。

一家好公司，救不了一个大盘子

具身智能在 Sereact 一家公司身上，确实让工业 4.0 十年的基建价值兑现了。两个 ISW 博士、一个完整的数据飞轮、20 多家欧洲客户、1.4 亿美元融资，加上即将进军的美国市场。这是一份不错的回报。

不过我们目前尚不能就此认定“具身智能＝工业 4.0 救星”。

工业 4.0 当年的目标是建立“德国主导的工业操作系统”，一个对外授权、收取使用费的全球级标准。Sereact 的模式跟那个目标差着一个量级。它是在德国工厂里训模型，然后把模型卖到全世界，这是一家不错的公司，但不是当年构想的“德国版 Microsoft”。

更难解决的问题在下游。Sereact 的客户里有宝马、奔驰、戴姆勒卡车，但这三家自己 2024 年都在严重收缩。德国汽车业在中国市场份额下滑、电动化转型迟缓、本土能源成本居高不下，这些结构性问题不是机器人产线灵活一点就能解决的。Sereact 让宝马工厂的拣选效率提升 30％这件事是真的，但宝马卖不出车的时候，工厂效率的高低就变得不那么重要。

工业 4.0 没能救活德国制造业的整体颓势，在汽车、化工、机床这些大盘子里，衰退仍在继续。但它意外救活了 Sereact 这样的公司，以及它们身后那条“数据基建－软件层－高利润位置”的产业链。

至于这条产业链能不能再向外延伸，成长为当年默克尔时代设想的全球性技术主导权，恐怕并没有太大悬念。

参考资料：

1.https://sereact.ai/posts/series-b

2.https://www.destatis.de/EN/Press/2025/01/PE25_019_811.html

3.https://ifr.org/ifr-press-releases/news/robot-density-surges-in-europe-asia-and-americas

4.https://opcfoundation.org/news/press-releases/german-machine-tool-manufacturers-vdw-rely-opc-ua/

5.https://www.uni-stuttgart.de/en/university/news/all/Alumni-thrive-with-AI-powered-formula-for-success/

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成

汉坦病毒事件是怎么回事？

麻省理工科技评论 — Mon, 11 May 2026 02:47:57 GMT

（来源：麻省理工科技评论）

一艘悬挂荷兰国旗的邮轮上，有 8 名乘客感染了一种汉坦病毒（hantavirus），这种由老鼠传播的罕见病毒，已经导致其中 3 人死亡。目前这艘船正准备在加那利群岛靠岸，让剩余乘客和船员安全下船的方案正在最后敲定中。

这种病毒的致死率看起来很高，以至于引起了一定程度的社会担忧。但情况比我们想象中的乐观，卫生专家为什么认为新冠那样的大流行不会重演。以下是围绕这次疫情的关键问题和解答。

什么是汉坦病毒？

汉坦病毒是一组通常感染啮齿类动物的病毒，可以通过接触这些动物或其粪便、尿液、唾液传播给人类。这类病毒似乎不会让啮齿动物生病，但能让人病得很重，而症状取决于感染的汉坦病毒类型：在美洲发现的一些毒株会引发汉坦病毒心肺综合征，影响肺和心脏，致死率最高可达 50%。

这种疾病去年就上过新闻，演员吉恩·哈克曼（Gene Hackman）的妻子、钢琴家贝琪·荒川（Betsy Arakawa）就因此去世。

目前有多少病例？

4 月 6 日，MV Hondius 号邮轮上一名男性乘客出现呼吸系统症状，病情迅速恶化，仅五天后就去世了。他的妻子在圣赫勒拿岛下船后也出现了症状，在飞往南非约翰内斯堡的途中病情急转直下，次日（4 月 26 日）去世。南非国家传染病研究所对从这名女性身上采集的样本进行了检测，确认她感染了汉坦病毒。

船上第三位出现症状的乘客于 4 月 28 日发病，5 月 2 日去世。另外四名患病乘客被紧急转移，一人送往南非，三人送往荷兰。

还有一名乘客在圣赫勒拿岛下船后，抵达瑞士苏黎世后报告了类似症状。日内瓦大学医院的团队确认他感染的是安第斯病毒（Andes virus）——汉坦病毒的一种，也是唯一已知可以在人与人之间传播的类型。

这会是下一场大流行的开端吗？

卫生专家认为不会。他们强调当前情况与 2020 年新冠病毒出现时完全不同：

首先，安第斯病毒并不是一种神秘的新病毒，科学家对它已经有了解，阿根廷也在分享已有的诊断试剂盒。

传播方式也不一样。世界卫生组织（WHO）官员强调，汉坦病毒的传播需要密切接触——比如伴侣之间、家庭成员之间或与医护人员之间的那种接触。

WHO 卫生应急计划的警报与应对主任阿卜迪拉赫曼·马哈穆德（Abdirahman Mahamud）周四在一场新闻发布会上说，这次邮轮疫情爆发主要是由于“一个特定的封闭环境，人们在其中长时间密切接触”，而“凭借各成员国已有的经验和已经采取的行动，我们相信这不会导致后续的传播链。”

船上其他人的情况如何？

所有留在船上的乘客已被要求待在各自的舱房里，WHO 表示这些舱房正在进行消毒。来自 WHO 和欧洲疾病预防与控制中心的医生和公共卫生专业人员已经登船，正在对所有人员进行评估。

WHO 流行病和大流行病管理代理主任玛丽亚·范·科霍夫（Maria Van Kerkhove）在新闻发布会上说，目前船上没有其他人出现症状。这是“一个好的信号”，但她也提醒说安第斯病毒的潜伏期很长，大约六周。建议乘客离开房间时佩戴医用口罩。

WHO 总干事谭德塞（Tedros Adhanom Ghebreyesus）在同一场发布会上说，他一直与船长保持联系，船长报告称自从邮轮启程前往加那利群岛以来，“船上士气已经明显提升”。

关于安第斯病毒我们知道什么？

安第斯病毒是目前已知唯一能在人与人之间传播的汉坦病毒，这种传播依赖长时间的密切接触。

大约八年前，阿根廷曾爆发过一次安第斯病毒疫情。2018 年 11 月至 2019 年 2 月间确诊 34 例，11 人死亡。谭德塞说，那次疫情的起因是一名有症状的感染者参加了一场社交聚会。“我们现在面临的是类似的情况，”他说，“密闭空间中、有密切接触的一次聚集性感染。”

2018 年那次疫情最终被限制在了 34 例，他暗示这应该让人稍感安心。“如果各国落实公共卫生措施并展现出团结精神，我们相信这将是一次有限的疫情。”他说。

汉坦病毒怎么治疗？

遗憾的是，我们目前没有针对汉坦病毒的特效抗病毒药物或疫苗。WHO 建议对出现症状的患者尽早进行重症监护，WHO 病毒性出血热技术负责人阿奈斯·勒冈（Anaïs Legand）说：“这可以挽救生命。”

最初的感染源是什么？

目前还没有确切答案。但已知的是，最先去世的那对夫妇在登船前曾在阿根廷、智利和乌拉圭进行了一次观鸟旅行，行程包括已知有携带安第斯病毒的鼠类栖息的地区。WHO 正在与阿根廷当局合作，试图回溯这对夫妇在那次旅行中的行程轨迹。

病毒是否已经传播到船外？

目前还不能完全确定。范·科霍夫在周四的简报会上说，WHO 正在收到“潜在疑似病例”的报告，其中一些与这艘船或其乘客有关联。每一条“警报”都会由相关国家的卫生当局跟进，她说。

美国退出 WHO 是否产生了影响？

美国有五个州表示正在监测已经下船的美国公民。WHO 官员强调他们仍在与美国疾病控制与预防中心（CDC）共享技术信息。“一切还是照旧，”谭德塞说，“WHO 的使命是帮助世界保持安全……我们也希望美国人民是安全的。”

但值得注意的是，特朗普政府的削减措施并没有让美国在应对这类事件上处于有利位置。去年，CDC 船舶卫生计划——专门负责预防和控制邮轮上疾病爆发的项目——的全部全职员工被裁掉了。CDC 后续的进一步裁员让公共卫生专家担忧美国在应对未来疾病爆发方面准备严重不足。

接下来会怎样？

所有疑似病例将由各国卫生当局持续监测，乘客计划于 5 月 10 日（周日）在加那利群岛的特内里费岛下船。WHO 表示将与西班牙政府合作，确保当地居民面临的风险保持在低水平，同时保证乘客受到有尊严的对待。

与此同时，科学家正在对患者样本中的病毒进行全基因组测序，看看它是否与以往病例中涉及的病毒有所不同。“到目前为止，我们没有发现任何异常，”范·科霍夫说。

原文链接：

https://www.technologyreview.com/2026/05/08/1136988/heres-what-you-need-to-know-about-the-cruise-ship-hantavirus-outbreak/

在欧洲已经火了的即插即用太阳能，正在进入美国

麻省理工科技评论 — Mon, 11 May 2026 02:31:00 GMT

（来源：麻省理工科技评论）

美国有几十个州正在考虑立法，允许居民安装即插即用的太阳能系统，这种系统通常被称为阳台太阳能（balcony solar）。这类小型光伏组件几乎不需要安装工程，有望帮助减少碳排放、降低电费。

阳台太阳能在欧洲已经很流行了。支持者认为这种系统可以让更多美国人用上太阳能，包括租房住的人。但随着热度上升，一些专家提醒说，阳台太阳能与家庭现有电气设备的兼容性上存在安全隐患。

下面我们来聊聊阳台太阳能是什么、它有什么特别之处，以及新的检测认证要求可能如何影响这项技术在美国的推广。

即插即用的太阳能

即插即用太阳能系统的设计理念就是安装简单，通常不需要电工或专业人员，面板尺寸小，很多可以直接插到现有的家用插座上。

德国已经有超过一百万套阳台太阳能系统被装上了。它们的面积一般不超过两平方米左右，发电功率最高约 800 瓦，差不多够驱动一台标准微波炉。

这股热潮正在涌向美国。很多美国人其实已经自行安装了 DIY 阳台太阳能，没有经过电力公司审批——这目前还处于监管灰色地带；2025 年底，犹他州成为第一个明确允许居民安装和使用阳台太阳能系统的州；目前另有二十多个州在考虑类似的立法。

通常情况下，电力公司要求用户在接入大型太阳能板阵列（向电网输送电力）之前签署一份并网协议。这个过程涉及费用和许可证，既贵又耗时。

犹他州的法律取消了对低功率、且经过国家认证机构认证的太阳能板的并网要求，其他州正在审议的立法，包括纽约州，也包含同样的要求。背后的逻辑是：这些面板的发电量很小，产生的电力会被住户自己消耗掉，大概率不会回流到电网，因此不应该适用同样的监管流程。

认证方面，今年 1 月，国家级测试认证机构 UL Solutions 发布了 UL 3700 标准，这是一套专门为阳台太阳能系统设计的检测规范，用于确保产品安全。

三个安全隐患

UL Solutions 的首席工程、能源与工业自动化经理约瑟夫·巴布洛（Joseph Bablo）说，即插即用太阳能系统需要解决三个主要的安全问题。

第一个是电路过载。一般来说，家庭电路都有断路器，必要时可以跳闸断电。但如果有一块太阳能板在往电路里额外输送电力，传统断路器可能无法正确响应过载，长期过载会损坏设备，甚至引发火灾。

第二个是接地故障保护的问题。这类小型系统通常安装在房屋外侧，而户外电源插座一般配有接地故障断路器（GFCI）。简单说，如果插座或周围环境潮湿，GFCI 会自动切断电源以防触电。但如果太阳能板正在向插座反向输电，很多 GFCI 可能会失灵。

第三个是触电风险。如果插头从墙上拔出来，插头的金属触片上可能还会短暂残留电流。在有阳光照射的情况下，太阳能板会持续供电，触片带电的时间可能比正常情况更长。

新标准要求使用专用插座

UL Solutions 发布的新检测框架就是为了解决这些问题。其中一项关键建议是：阳台太阳能板应该使用专门为其设计的特殊插座，通过这种连接方式以及面板内置的安全机制来确保使用安全。

需要专用插座意味着，目前想安装阳台太阳能的人很可能需要请电工来改造家里的线路，才能符合这套标准。巴布洛说：“我知道大家想要的是‘不用电工、不用许可证’，但目前的技术还没发展到那一步。”

目前任何人都可以买到太阳能板和逆变器等组件，其中一些组件单独拥有 UL 认证（比如逆变器受 UL 1741 标准覆盖），然后自己组装起来。

但真正的高标准是让整套系统都满足安全要求，这意味着必须符合新发布的 UL 3700 标准，巴布洛说。截至 5 月初，还没有任何一套即插即用太阳能系统通过了 UL Solutions 的完整认证，巴布洛也表示无法透露是否有产品正在认证流程中。

即便有了新的认证要求，巴布洛仍然认为阳台太阳能有潜力让更多人用上这项技术：“但无论如何，我们希望它在安全的前提下行得通。”

原文链接：

https://www.technologyreview.com/2026/05/07/1136933/balcony-solar-boom/

一个比病毒小几百倍的缝隙，足够让整个半导体行业走错方向

胡巍巍 — Sun, 10 May 2026 11:50:46 GMT

近日，维也纳工业大学团队在 Science 发表了一篇可能会对整个芯片行业产生重要作用的论文。台积电、英特尔、三星这些巨头正在豪掷千金，研发两纳米甚至一纳米的制程。如果选错了材料方向，几百亿美元可能竹篮打水一场空。

这篇论文提供了一个筛选工具，它能够知道哪些材料是值得下注的真金，哪些只是看着漂亮的数据。同时，这篇论文中重点强调的是，二维材料和绝缘层必须从最初就一起设计。

当前手机电脑越做越小，芯片里的零件已经快碰到物理极限。人们想用原子厚度的神奇材料来续命，却遇到了一个拦路虎，那就是当这些超薄材料叠在一起时，它们之间会卡着一个看不见的缝隙。

这个缝隙只有零点一四纳米，比一个硫原子还细，却能严重削弱电子性能。此外，本次研究人员也找到了拉链式材料这一解药，能让两层原子牢牢锁死，彻底消除这个缝隙，从而能够帮助芯片行业避开一条可能浪费几百亿美元的死胡同。

图 | 本次论文第一作者Mahdi Pourfath（来源：Google Scholar）

想制造更小的晶体管，就得把绝缘层做得极薄。绝缘层的作用是隔开控制电极和导电通道。如果使用原子厚度的二维材料，传统方案就失灵了。大多数二维材料和绝缘层之间只能靠范德华力粘着。

这是一种很微弱的吸引力，就像两块光滑的玻璃板轻轻贴在一起。它们之间永远隔着一道肉眼看不见的空气缝。这个缝隙虽然只有零点一四纳米，却成了一夫当关的瓶颈。

与此同时，这个缝隙还带来了双重麻烦。它像真空一样不导电，会大幅削弱控制电极的电容效应。电容减弱意味着控制芯片开关的效率变差。这个缝隙还会让电子乱跑，增加漏电和能量损耗。很多材料本身性能优异，贴上绝缘层后就泯然众人了。研究人员一针见血地指出，问题不在材料本身，而在材料的接缝处。

（来源：维也纳工业大学）

研究人员用计算机模拟了多种材料组合，发现六方氮化硼这种绝缘体表现尚可。它虽然也产生了缝隙，但缝隙反而挡住了漏电。不过大多数高倍材料就惨了，比如钛酸锶这种高倍材料，本身介电常数极高，一旦形成缝隙所有优势都付诸东流。它的绝缘效果甚至不如传统材料，直接失去了继续微缩的资格。

但是，科学家已经找到了解决办法，这个方法就是拉链式材料。某些特殊氧化物能和二维半导体长出连续化学键，它们像拉链一样紧密咬合彻底消灭了那个缝隙。一种名为 BSO BOS 的材料已经做到了这一点，它的绝缘等效厚度只有零点四纳米，创造了新的世界纪录。这种材料不仅性能炸裂，还保留了较好的电子迁移率。

为了弄清楚这个缝隙到底有多致命，研究人员做了大量细致的计算。他们发现这个缝隙的介电常数只有二左右，和真空差不多。这意味着无论你选多牛的绝缘材料，电子都得先穿过这道空气墙。这道墙会给整个器件凭空增加零点二七纳米的等效氧化物厚度，对于追求亚纳米级别的先进制程来说，这简直是雪上加霜。

研究人员还分析了金属电极接触的问题，芯片里的源极和漏极需要跟二维材料手拉手。如果中间也卡着缝隙，电阻会噌噌往上涨。按照国际器件与系统路线图的要求，未来芯片的接触电阻得压到一百八十欧姆每微米以下。如果缝隙还在，这个目标基本不可能实现。所以只有把缝隙彻底消灭，才有机会摸到那个门槛。

（来源：Science）

不同类型的绝缘材料在面对这个缝隙时，表现也是天壤之别。像氧化铪这种已经在用的老将，本身介电常数适中，缝隙带来的额外厚度还能忍受。不过像钛酸锶这种靠离子极化吃饭的超高倍材料，对界面极度敏感。缝一出现，它的介电常数就会从几百暴跌到几十，彻底丧失优势。这说明在微观世界里，界面决定了命运。

拉链式材料之所以能脱颖而出，是因为它在原子层面上改变了游戏规则。普通堆叠像是把两本书随便摞在一起。拉链式材料则像是把两页纸的齿口对齐、狠狠压实，化学键在界面处连续生长，不存在真空区域，电场可以畅通无阻地穿过，不会在中间摔跟头。

（来源：Science）

目前这种材料已经在实验室里通过了考验，研究人员用 BSO BOS 做出了实际器件。它的等效氧化物厚度做到了惊人的零点四纳米甚至更低，这已经远远甩开了目前工业界的目标，而且它跟二维半导体的配合相当默契，电子在里面跑得飞快，并没有因为界面的改变而拖后腿。

这项技术离大规模量产还有距离，因为拉链式材料需要晶格匹配，不是随便找两种材料就能拉上拉链。当前，研究人员正在用计算机高速筛选成千上万种组合，并在使用 AI 帮忙预测哪些配对能长出完美的拉链结构。

对我们普通人来说，这决定了未来十年的电子产品还能不能继续变薄变强。例如手机能不能折叠成手表然后展开成平板，笔记本电脑能不能薄如纸张，都取决于这些原子级别的缝隙能否被攻克，但这仅仅是个开始，研究人员还在寻找更多能像拉链一样紧密咬合的材料组合。

参考资料：

1. 相关论文https://www.nature.com/articles/s41928-026-01608-1

2. https://www.sciencedaily.com/releases/2026/05/260508003125.htm

3. https://scholar.google.com/citations?user=STFHEkMAAAAJ&hl=en

可编程人工肌肉纤维问世，不用组装，加热就知道该往哪里弯

DeepTech深科技 — Sun, 10 May 2026 11:39:14 GMT

大象的鼻子可以轻轻夹起一粒花生，也能推倒一棵大树；豌豆的卷须会绕着支架盘旋生长；蛋白质链在细胞内折叠成精密的三维构型。这些细长的生物条状结构之所以能完成如此复杂的运动，根源在于其内部运动区域与结构区域的精妙排布。

数十年里，合成材料科学家一直试图复现这种“将运动编码进材料结构”的能力，却往往无法兼顾制造精度与可编程性。近日，哈佛大学一项发表于《美国国家科学院院刊》（PNAS）的新研究给出了一个具有启发性的方案。研究团队将旋转 3D 打印平台与液晶弹性体相结合，开发出一类兼具主动变形能力与精确几何可控性的复合纤维，在软体机器人的抓取系统和智能过滤器中展示出巨大潜力。

机器人动力系统的未来，或许不是液压机或电机，而是一束比头发丝粗不了多少，但会思考、会感觉、会自动收缩舒张的智能肌肉纤维。

（来源：DOI: 10.1073/pnas.2537250123）

人工肌肉为何难造？

过去几年，人形机器人突然变得具体起来。波士顿动力的 Atlas 会后空翻、特斯拉 Optimus 能拧螺丝、Figure 的机器人在视频里还可以自主叠衣服。更有甚者，北京亦庄举办了机器人马拉松，三百多位机械之躯角逐真实城市跑道……

图 | 正在叠衣服的 Helix 机器人（来源：Figure）

你可能已经发现了，这些机器人身上最显眼的东西是外露的金属关节和液压管路，但在某些任务上，这些不够灵活柔韧的构件，恰恰也成了它们最大的局限。

问题出在驱动方式上。人类肌肉是一套极其精巧的软性系统，数以百万计的肌纤维协同收缩，可以轻柔地捏起一粒葡萄，也可以在瞬间爆发出足以撑起整个身体的力量。它们运作时悄无声息，无需外置能源管路，还能自我修复。而今天，绝大多数机器人的肢体活动依赖的是电机和液压缸，力量够大、控制够准，但本质上是刚性的，难以完成连续柔顺的运动，与人体或脆弱物体的安全接触更是系统性难题。

既然能仿照人类、动物的形态研发机器人，为何不能让驱动器本身变得像生物肌肉一样柔软、轻盈，既能产生复杂的三维形变，又能精确控制形变的方向和幅度？这个难题如果被解决，整个机器人的设计逻辑或许都将被重写，假肢、外骨骼、微创手术工具、以及任何需要在非结构化环境中与人共存的设备，也将迎来革命性的升级。

现有的柔性驱动方案包括气动弹性体、形状记忆合金、介电弹性体等，它们各有其局限：气动方案依赖外部气源，形状记忆合金应变量有限且响应较慢，介电弹性体则需要高压电场。

形形色色的短板之下，液晶弹性体（Liquid Crystal Elastomer，LCE）成了近年来受到广泛关注的候选材料。这种特殊聚合物结合了液晶的各向异性，以及橡胶弹性体的可逆形变能力：当温度升至液晶的向列相-各向同性相转变温度（TNI）以上时，内部介晶基元的有序排列被打乱，材料沿其分子取向方向发生可逆收缩；冷却后，有序排列恢复，材料回弹。这一特性使其成为最接近人工肌肉的材料之一。

然而，LCE 的应用潜力长期受到制造工艺的制约。要让 LCE 产生定向、可控的形变，必须在制备过程中精确控制介晶基元的取向。常用方法包括机械拉伸对齐、外加磁场或电场诱导取向等，过程复杂，且依旧难以在三维空间中任意编程。

另一个关键问题是，单一的 LCE 材料只能在均一方向上收缩，若要产生弯曲、扭转等复合运动，就需要在同一结构中同时存在主动收缩区域和定向约束区域，可谓难上加难。

如何实现如此精密的材料设计？哈佛大学的詹妮弗·A·刘易斯（Jennifer A. Lewis）教授团队将目光投向他们早已深耕多年的先进 3D 打印领域。2023 年，詹妮弗的团队在《自然》（Nature）发文，首次展示了其自研的旋转多材料 3D 打印平台（Rotational Multimaterial 3D Printing，RM-3DP），这项技术通过旋转打印头，在单根纤维内部实现亚体素级别的材料分布控制，可用于制造螺旋形介电弹性体人工肌肉和弹簧格栅结构。

图 | 旋转多材料 3D 打印平台（来源：https://www.nature.com/articles/s41586-022-05490-7）

RM-3DP 平台的核心原理并不复杂，只是需要精密的工程设计：打印头包含多个墨水通道，各通道可装载不同材料；喷嘴本身可以在打印过程中持续旋转，旋转速度与打印移动速度的比值决定了材料在纤维截面中的螺旋排布方式。通过实时控制旋转速率与挤出速率，研究人员可以在每一段纤维的横截面上精确规定各种材料所占的位置与面积，从而在整根纤维的三维结构中预设多种材料的具体分布。

让材料会旋转还能回弹

一根细丝在加热后能自动弯曲，冷却后又复原，那么它的弯曲角度、扭转方向、伸缩幅度都应该在生产过程中就被确定下来。在这项研究中，为了让材料“记住”自己加热后的形状，研究团队构建了两种材料组成的复合体。

其中，上文介绍过的液晶弹性体（LCE）会在温度升高时收缩，冷却后则恢复初始形状；而与 LCE 并排挤出的是一种普通软弹性体，它在温度变化时几乎不产生形变，具有一定刚度。

单凭 LCE 本身，加热只会让它均匀地缩短，就像一根橡皮筋被拉长后松手，它只会沿原来的方向收回去，不会弯曲。弯曲发生的前提是纤维两侧的收缩程度不同，却又被迫连在一起。

大家可能都有过不小心弄湿书本的经历，纸张变干的过程中，湿的那一面干燥收缩后，书页会整齐地朝那一侧卷曲。LCE与被动弹性体的组合正是这个逻辑，一侧想缩，另一侧不动，纤维只能弯折。

要想让这根纤维发生三维形变，可以在打印过程中持续旋转喷嘴，使 LCE 的挤出方向像拧麻花一样螺旋排布。这相当于在纤维内部“写入”了一个螺旋形的分子取向场。

加热激活后，LCE 沿局部取向方向收缩，螺旋取向场使收缩在空间上产生扭矩，驱动纤维产生扭转形变。旋转速率越高，螺旋角越大，加热后纤维的扭转分量相对弯曲分量也越大。这意味着，只需要调整打印时的旋转速率参数，就能直接调控材料的变形状态。

研究人员通过理论框架，将纤维的自然曲率-扭率场与打印参数（旋转速率、材料分布）关联起来，这进一步提高了可控性，打印前即可通过模拟预测材料的形变行为。为了进一步验证模拟的可靠性，研究团队还借助布鲁克海文国家实验室（Brookhaven National Laboratory）的国家同步辐射光源 II（NSLS-II），这套工具能直接观察到 LCE 分子在纤维内的螺旋排布，结果显示，材料的最终形态与理论预测高度相符。

从单根纤维到复杂结构

这种材料最简单的形态是双层结构的单根纤维，LCE 在纤维一侧、弹性体在另一侧，加热时，两侧收缩量不同，纤维相应弯曲。如果旋转喷嘴，使 LCE 螺旋分布在整个截面，纤维在加热后就会同时弯曲和扭转，形状也变为卷曲的螺旋，有点像被拉开的弹簧。

图 | 可编程的形状变形（来源：DOI: 10.1073/pnas.2537250123）

验证了单根纤维编程的可行性，研究团队进一步将其作为构建复杂结构的基本单元。他们打印了正弦波形纤维：外形相同、弯曲的波浪状纤维，但 LCE 的位置不同。当 LCE 位于波峰的外侧（凸侧）时，加热使纤维趋于拉直、整体伸长；当 LCE 位于内侧（凹侧）时，同样的加热刺激反而使纤维进一步收缩、波形更深。

（来源：DOI: 10.1073/pnas.2537250123）

外观相同的打印件，内部材料分布不同，就可以实现截然相反的形变行为。这种同形异构效应正是让材料结构记住运动属性的精髓。

从正弦波形纤维出发，把它编织成平面格栅，就得到了更具想象空间的功能性结构材料。其一是主动过滤器。格栅中的膨胀型单元格受热后，孔隙打开，可容特定尺寸的球形颗粒通过；冷却后孔隙收缩，颗粒就会被捕获或截留。

图 | 自由立体格栅材料制作的过滤器（来源：DOI: 10.1073/pnas.2537250123）

其二是多目标抓取器。将自由立体格栅压到多根细杆下方，加热后，材料收缩夹紧并将细杆抬起，冷却后松开释放。整个过程无需外部机械驱动，完全受温度控制。

图 | 多目标抓取工具演示（来源：DOI: 10.1073/pnas.2537250123）

尺寸缩放与未来集成

目前，该研究已能打印直径约 100 微米（0.1 毫米）的纤维，大约是人类头发丝直径的同一量级。研究团队认为，通过进一步优化定制化喷嘴设计和墨水流变性能，有望继续缩小尺寸。

关于功能集成，研究者指出，未来可以设计更复杂的多通道 3D 打印喷嘴，同时集成液态金属导线（用于电触发驱动）、流体通道或传感单元，使单根纤维在变形的同时还能传感或导电，从而实现真正的多功能一体化。这与近年来兴起的“智能软物质”方向高度契合。

材料本身也有更大的拓展空间。可由紫外/可见光触发的光响应型 LCE 已有报道，理论上可以将该打印平台的激活方式从热控拓展到光控，进一步提升应用灵活性。此外，通过引入具有动态共价键交换能力的 LCE 体系，还可能实现形状的“重编程”，使用一段时间后重新设定目标形状。

未来，这项技术有望在软体机器人抓手、主动过滤器与阀门以及生物医学等多个前沿领域发挥独特作用。

可温控变形的格栅结构可以同时轻柔地操控多个不规则形状的物体，在食品包装、精密装配等领域有应用价值。相比传统气动抓手，这一系统省去了气管和电磁阀，更简洁。孔径随温度可调的过滤器可用于流体控制、实验室芯片系统、智能纺织品中的透气调节等。

最具想象力的应用或许是可注射的自锁定纤维网络。将编程好的纤维注入体内特定部位，纤维相互缠绕锁定，形成高比表面积的多孔支架，有望在快速止血、组织修复等场景中发挥作用。当然，这一路径还需要解决材料生物相容性、体内长期稳定性等一系列问题，距离临床应用仍有相当距离。

需要客观指出的是，液晶弹性体目前的工业化程度仍然有限，成本相对较高，热致驱动的响应速度也不如气动或电动驱动器。此外，需要主动加热/冷却的驱动方式，从能量效率和驱动速度的角度看不够理想。这些因素意味着，LCE 基人工肌肉从实验室走向实际产品还需要材料化学、加工工艺和系统集成等多个层面的共同推进。

殊途同归：下一代人工肌肉的拼图

就在同一时期，针对“下一代人工肌肉”形态的问题，来自首尔国立大学和麻省理工学院的两个研究团队，从截然不同的技术路径出发，又分别给出了两套解法。

传统人工肌肉装置有一个几乎被默认接受的局限：驱动和感知是分离的。执行器产生运动，传感器监测状态，两者通过外部控制系统协调，这与生物肌肉的运作方式相距甚远。生物肌肉中，传入神经（感觉）与传出神经（运动）信号在同一纤维束内双向传导，肌肉既是力量的来源，也是环境信息的采集器。

首尔国立大学机械工程系 Yong-Lae Park 教授团队近期在《先进材料》（Advanced Materials）上发表的研究，将液晶弹性体与液态金属通道结合，构建了一种人工肌腱-肌肉复合体：各向同性 LCE 段充当弹性肌腱，向列相 LCE 段充当可收缩的肌肉主体；嵌入其中的两条液态金属通道各司其职：一条通电后产热，驱动 LCE 发生相变收缩；另一条实时检测内部形变和受力状态，充当本体感受传感器。

整套系统在一体化结构内同时完成了驱动和感知两类功能，无需外置传感器。整合进机器人系统后，配备这种肌肉的机械手指和抓手不仅能完成精细的抓取动作，还能自主判断物体的软硬程度和尺寸。通过将两根肌肉组成拮抗对（如生物体中的肱二头肌-肱三头肌），还可以实现收缩与舒张的精确协调控制与准确响应，比液压系统更智能。

图 | 人工肌腱-肌肉复合体（来源：DOI: 10.1002/adma.202503094）

如果说哈佛和首尔的工作都还依赖热刺激，麻省理工学院媒体实验室与意大利巴里理工大学联合开发的电流体纤维肌肉选择的是一种更独特的解法：它将流体驱动器与固态电泵在纤维尺度上集成为一体，实现通电即动的直驱模式。

在性能指标上，这套系统的每根纤维直径约 2 毫米，质量仅约 2 克；功率密度约为 50 瓦/千克，与人体骨骼肌相当；收缩应变达 20%；响应时间约 0.3 秒。演示中，一种杠杆式配置可在 0.2 秒内将物体弹出；多根纤维捆束后可举起 4 千克重物；仿肱二头肌-肱三头肌的对抗配置可驱动机器臂弯曲，但材料本身的触感依然柔软。

哈佛大学团队借助精准的多材料 3D 打印技术，在制造阶段就将形变模式写入材料，让结构本身承载运动逻辑；首尔大学希望让人工肌肉变得更像真实肌肉，实现感知-驱动一体化；MIT 的团队选择了为人工肌肉“上强度”，使其在不依赖外部基础设施的前提下，达到接近生物肌肉的力学性能。

总体来看，液晶弹性体和流体驱动都只是实现“软驱动”的手段，而感知集成、几何可编程和高功率密度几乎是任何一种实用人工肌肉都需要同时具备的属性。

毕竟，人工肌肉领域面临的根本挑战从未改变：真实的骨骼肌在力量密度、响应速度、疲劳寿命、自修复能力和多模态感知等维度上的综合表现，至今仍是任何单一人工方案难以全面超越的标杆。

未来，更成熟的系统很可能需要跨越这些技术路线的边界，集百家之长，将其整合进一整套材料-结构-系统框架中。例如，将 MIT 的闭合流体回路集成进哈佛可编程打印的格栅结构，或为感知运动一体化肌肉加装电流直驱的快速响应能力。

越来越多研究正从不同侧面逐步拆解这一复杂目标，为最终的融合铺垫技术基础。它们恰好构成一个颇具前景的互文：人工肌肉从实验室原型到实用器件的距离，正被一点一点地缩短。

参考内容：

https://www.pnas.org/doi/10.1073/pnas.2537250123

https://advanced.onlinelibrary.wiley.com/doi/10.1002/adma.202503094

https://www.science.org/doi/10.1126/scirobotics.ady6438

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成

AI有没有泡沫，得先看GPU能用几年

加洋 — Sat, 09 May 2026 10:36:00 GMT

关于这轮 AI 热潮到底是不是泡沫这个问题，过去两年争论不休。但在反复讨论“这些钱花得值不值”之前，我们似乎都默认了一个前提：这笔钱是一个大致确定的数字。但高盛近期发布的一份报告认为，这个前提可能并不成立。

近期，高盛全球研究院发布了一份名为《Tracking Trillions》的报告，他们以英伟达（NVIDIA）的前瞻数据中心收入作为锚点，推算出 2026 至 2031 年全球 AI 基础设施累计资本开支的基线：约 7.6 万亿美元。其中，计算芯片约 5.1 万亿，数据中心约 2.15 万亿，电力约 3,580 亿。2026 年单年约 7,650 亿美元，到 2031 年增至 1.64 万亿。

图丨基准 AI 资本支出总额预测（十亿美元）（来源：Goldman Sachs）

但报告真正想说的不是 7.6 万亿这个数字高或低，而是这个数字本身极其脆弱。市场习惯把 AI CapEx（资本支出）当作需求侧问题来讨论：AI的商业化能不能撑起这些投入？但高盛认为，供给侧的不确定性同样巨大，而且被严重低估。建这些东西到底要花多少钱，取决于一小组很少被摊开讨论的假设。

改变其中任何一个，万亿美元级别的数字就会跟着偏移。

一块芯片该折旧几年

报告列出了四个最能撬动总量的假设。排在第一位的是 AI 芯片的经济使用寿命。

这是一个正在华尔街引发激烈争论的变量。目前超大规模厂商普遍按 4 到 6 年的周期对 GPU 服务器计提折旧。但英伟达已转向年度产品发布节奏：Hopper（2022）、Blackwell（2024）、Rubin（2026）、Rubin Ultra（2027）每一代在能效和性能上都是数量级的跃升，而非渐进式改良。这使得 5 到 6 年的折旧周期在经济意义上越来越难以自洽。

高盛的敏感性分析显示，将芯片使用寿命从 5 年缩短到 3 年，2026-2031 年间的隐含年度折旧总额从约 3 万亿美元跳升至近 4 万亿美元；反过来延长到 7 年，则降至 2.2 万亿美元。仅这一个参数的调整，就可以让生态系统承受的折旧成本偏移上千亿美元。

图丨芯片使用寿命的敏感性分析（来源：Goldman Sachs）

知名投资人 Michael Burry 在 2025 年下半年公开做空英伟达和 Palantir 时，正是以此为核心论据。他估计 2026 至 2028 年间，超大规模厂商因高估芯片使用寿命将累计少计约 1,760 亿美元折旧，从而使利润虚高超过 20%。他的判断是：芯片的真实经济寿命接近 2 到 3 年，当前的会计处理不过是一种盈余管理。

各家厂商的实际动作也呈现出有意思的分歧。亚马逊在 2025 年初将部分服务器的折旧年限从 6 年缩短至 5 年，为此承受了约 7 亿美元的营业利润冲击，并在 2024 年四季度对一批提前退役的设备计提了 9.2 亿美元加速折旧。

微软 CEO Nadella 则公开表示，公司正有意拉开不同代际芯片的采购节奏，避免在单一代产品上背负四五年的折旧包袱。而 Meta 在三年内三次延长服务器使用寿命，最近一次在 2025 年 1 月，将折旧减少转化为单季度 29 亿美元的利润增量，恰好发生在亚马逊缩短折旧周期的同一时间。

CoreWeave CEO 则给出了相反的证据：该公司 2020 年购入的 A100 芯片目前仍然满负荷运转，一批合同到期的 H100 被立刻以原价 95% 的价格重新租出。高盛报告也承认，旧芯片在推理、边缘计算和合成数据生成等低敏感度场景中仍有经济价值，这种分层部署模式可能支撑更长的使用寿命。

争论的本质不是技术问题，而是利润表问题。折旧年限决定了每年需要摊销多少成本，进而决定了这场万亿美元豪赌的账面回报率。

数据中心正在变成另一种东西

第二个关键假设是数据中心的建设成本。高盛的基线假设是每兆瓦 1,500 万美元。但报告指出，这个数字正面临上行压力。

传统云数据中心的建设成本大约是每兆瓦 1,000 万美元。AI 时代的数据中心完全不同：机架功率密度从过去的 5-15 千瓦飙升到 Blackwell 时代的 130-200 千瓦，再到 Rubin 时代的 500 千瓦以上；冷却方式从风冷转向全液冷；计算、内存、网络和供电必须协同设计而非独立堆叠。

图丨数据中心规格的演进（来源：Goldman Sachs）

NVIDIA 在 2026 年 GTC 上发布的 Vera Rubin 平台将这种压力推向了新的极端。NVL72 机架将 72 块 Rubin GPU 和 36 块 Vera CPU 封装进标准 42U 机柜，功耗相当于 40 户美国家庭，要求 45°C 进水温度的直接液冷和 800V 直流供电，大多数现有设施完全无法承载。未来的 NVL576 配置更是指向每机架 600 千瓦。

高盛的敏感性分析显示，将数据中心成本从每兆瓦 1,500 万美元调整到 1,900 万美元，六年累计数据中心 CapEx 从 2.15 万亿美元上升到 2.72 万亿美元，增量超过 5,700 亿美元。而且建筑和电力设施的设计寿命通常是 20 到 25 年，但当设施的技术需求可能在投产两年内就发生根本性变化时，长寿命资产的“耐久性”反而成了风险。

图丨数据中心成本敏感性分析（来源：Goldman Sachs）

报告还点出一个尴尬的现实：不到两年前建成的“过渡型 AI 数据中心”可能已经无法满足下一代芯片的功率和散热需求。当一座数据中心的设计寿命是 20 年，但技术需求可能在投产两年内发生根本变化时，长寿命本身就变成了风险。

省下来的钱，会不会直接花掉

第三个假设涉及芯片架构选择。

GPU 之外，越来越多算力会通过 ASIC（Application-Specific Integrated Circuit，专用集成电路）交付：Google TPU（Tensor Processing Unit）、AWS Trainium、Meta MTIA、OpenAI 与 Broadcom 合作的定制芯片。这些芯片在特定任务上的每单位有效算力成本和功耗都比通用 GPU 低。

仅就近期合同看：Anthropic 在 2025 年 10 月宣布从 Google 采购至多 100 万颗 TPU，规模“几百亿美元”，2026 年 4 月这个合作扩展到 5 GW 的 TPU 容量与 400 亿美元的 Google 投资。Broadcom 2025 财年的 AI ASIC 营收约 200 亿美元，订单积压 730 亿。Morgan Stanley 把 2027 年 TPU 出货量估计上调到 500 万颗，2028 年到 700 万颗。

但 Lee 和 Greenbaum 更想问的问题是：这些更便宜的算力，最终会让总建设规模变小，还是会被新一轮使用吸收掉？

他们把问题归结为一个变量：算力需求的弹性。

一种情景是需求相对固定。机构知道自己要训练多大的模型、服务多少用户，更便宜的芯片直接缩小资本盘子，架构选择实实在在地改变总数。另一种情景是需求跟着价格走。算力变便宜了，团队就会训更大的模型、跑更长的上下文、把 AI 塞进更多原本不值得用的场景，省下来的钱又花回去了。总的基础设施规模没变，变的是谁赚走了中间的利润。

报告提到，NVIDIA 数据中心 GPU 的毛利率约 75%，远高于其他芯片供应商。万亿美元乘以 75%，这个利润池将成为超大规模厂商转向自研芯片的最强动机。问题是，这个动机驱动的结果是“少花钱”还是“多用量”，答案完全不同。

目前报告的基线倾向于后者。在算力需求远未饱和的阶段，便宜的计算催生的是更多使用，而不是更少投入，架构变化改变的是价值分配而非总盘子。作者也承认这个判断有时效性：当推理负载占比上升、利润率压力增大、边际算力的回报开始递减，更便宜的芯片确实可能开始压缩总支出。但那个阶段还没到。

瓶颈不改变成本，但可能改变信心

第四个假设是建设周期拉长。电力接入排队、审批流程、专业劳动力短缺、变压器和冷却设备的交货周期（目前 GPU 交货期已延长至 36 到 52 周），都在拉大资本投入与产能上线之间的时间差。

延长本身不改变单位成本。电力的价格、数据中心的每兆瓦造价、芯片的效率都不动。它通过另一种方式作用：拉长时间线、增加协调复杂度，最终让 take-or-pay 合同的承约方、信贷供给方、依赖二级市场融资的运营方都暴露在更长久的不确定性下。

高盛认为，在基准情景下，瓶颈只是拖慢了部署节奏而非减少了总量。项目延期、资本重复投入（最典型的是自建发电设施绕开电网排队），结果是一个效率更低但总规模不变的建设过程。

但当瓶颈足够严重、足够持久，故事会从供给侧滑向需求侧。当大量项目同时卡住，市场的关注会从“我们怎么把它建出来”转向“我们到底是不是该建这么多”。报告把这种状态称为反馈回路：供给侧的摩擦倒灌进需求侧的怀疑。

报告判断当前环境更接近基准情景，但缓冲不大。五大超大规模厂商 2026 年的 CapEx 指引已合计攀升至约 7,000 亿美元（综合多家分析师估算），较 2024 年的 2,000 多亿美元翻了两倍多。资本密集度已达到营收的 45%-57%，更像公用事业公司而非科技公司。

仅 2025 年一年，这些公司就通过债券市场融资超过 1,080 亿美元，未来几年的预计发债规模达 1.5 万亿美元。在这个杠杆水平上，执行层面的延迟很容易传导为需求层面的质疑。

不改变总量的因素，和一个循环悖论

高盛还列出了几个看上去很重要、但对总量影响有限的因素。

训练与推理的比例变化影响的是回本速度，不是基础设施总量。内存价格的剧烈波动本质上是供需失衡在极端采购量下的反映，高盛预计类似的短期冲击还会在光互连、封装等其他环节反复出现。

自建电力确实抬高了单项目成本，但电力在六年累计投入中只占约 3,580 亿美元，不到总量的 5%，即使大规模铺开也撼动不了 7.6 万亿的整体数字。这些变量决定的是谁赚钱、什么时候赚钱，而不是总共要花多少钱。

报告坦言，其分析建立在一种循环的逻辑上：如果建设真的成功，基础设施铺开、瓶颈疏通、算力价格继续下降，那么结果结果未必是过剩，而很可能是新一轮需求和新一轮场景在更低的价格点上被激活。今天足以满足 AI 野心的那一笔建设，恰恰是它对明天的技术机会不够用的原因。

参考资料：

1.https://www.goldmansachs.com/insights/articles/tracking-trillions-the-assumptions-shaping-scale-of-the-ai-build-out

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成