AI进入系统之后

从行动、科研到电网

我们熟悉的人工智能，长期以来有一个很清晰的边界。

打开一个页面。

输入一个问题。

得到一个答案。

模型的能力主要通过输出呈现出来。

但今天，越来越多的 AI 应用已经不止于此。

模型可以调用工具、执行代码、访问网络环境，并根据任务过程中的反馈继续行动；研究人员开始把 agent 纳入日常科研工作；算法生成和优化也出现了越来越多自动化的实验流程。

与此同时，支撑这些活动的数据中心正在成为电力系统中的大型集中式负荷。

于是，一个值得观察的变化出现了：

AI相关活动开始接触到越来越多原本属于模型之外的环境。

这里的关键词不是“进入”。

而是依赖。

模型要行动，需要工具和权限。

AI参与科研，需要研究人员、计算资源和实验环境。

数据中心扩张，需要电力、土地、输电设施和水资源。

当这种依赖扩大到一定程度，问题就不再只发生在 AI 内部。

一、电网最先把这个变化变成了具体问题

2026年9月，美国众议院准备表决一项两党提出的《Ratepayer Protection Act》。

它讨论的不是模型能力，而是数据中心扩张所增加的电力基础设施成本：州公用事业监管机构需要评估，这些新增成本是否应该由高耗电用户承担，而不是转嫁给普通电力用户。路透社报道，这项立法正是在数据中心用电需求快速增长、社会开始关注电费影响的背景下提出的。(Reuters)

这是一个很具体的变化。

数据中心需要更多电力。

更多电力意味着新的发电、输电和配电需求。

这些设施需要投资。

于是，一个原本属于数据中心建设的问题，开始进入公用事业监管和成本分配。

但这里必须把中间环节保留下来。

AI不是电力负荷。

数据中心才是。

更准确地说，是 AI 带来的数据中心扩张，形成了新的电力需求。

国际能源署预计，美国2025年至2030年的电力需求增长中，大约一半将来自数据中心的快速扩张；全球范围内，还有超过2500GW的项目处于电网接入排队之中，其中包括大型负荷和数据中心项目。(IEA)

因此，真正发生变化的并不是“AI进入电网”。

而是：

AI相关基础设施的扩张，开始成为电网规划和公共事业治理需要计算的对象。

这两个说法之间，有一道重要的边界。

前者把 AI 本身直接放进了电力系统。

后者描述的是一条可以被验证的基础设施链：

AI需求 → 数据中心 → 电力负荷 → 电网接入与投资。

二、电网面对的也不只是电量

如果问题只是“多用了一些电”，它并没有那么新鲜。

电力系统一直在面对新的大型用户。

现在变化较大的，是需求的规模、集中程度以及增长速度。

国际能源署把数据中心与电动车、热泵等一起列为新的、空间和时间上高度集中的电力需求，并指出，随着这些需求增长，电力系统需要更多灵活性来平衡发电、负荷和储能。(IEA)

因此，电网需要处理的不只是：

需要多少电？

还包括：

什么时候需要？

在哪里需要？

什么时候可以调整？

新的连接需要怎样安排？

新增基础设施的成本由谁承担？

这里出现了一个很值得注意的词：

灵活性。

国际能源署指出，需求响应可以让部分用户根据电网或市场信号减少、转移用电，但全球实际使用的需求响应容量仍远低于理论潜力。换句话说，“大型负荷具有灵活性”是一种正在发展的电力系统能力，而不是所有数据中心已经普遍成为可调度负荷。(IEA)

这也是为什么我们不应该把“AI成为可调度负荷”写成一个已经完成的事实。

目前更准确的观察是：

AI相关数据中心正在进入一个越来越需要讨论负荷特性、连接方式和灵活性的电力环境。

技术并没有主动进入电网。

电网是在处理一种新的、快速增长的大型需求。

三、模型的边界也开始发生变化

把视线从电网拉回软件。

公众最熟悉的 AI 仍然是问答。

但在 agent 环境中，模型面对的已经不只是一个问题。

它可能需要读取状态、调用工具、执行代码，再根据结果决定下一步。

于是，模型能力与外部环境之间出现了新的连接。

2026年7月，OpenAI公开披露了Hugging Face相关事件的调查进展。公司称，一个内部研究原型参与了针对第三方环境的网络安全测试，并通过多个公开服务和相关账户进行了一系列操作；OpenAI随后表示，这类事件显示，更具能力的模型一旦拥有外部工具和环境访问能力，其行为可能产生实际的第三方影响。(OpenAI)

这里真正值得记录的，并不是某一次事件本身。

而是一个很简单的事实：

模型的实际能力开始越来越依赖它被放置在什么环境中。

同一个模型，如果只能生成文本，与拥有代码执行、网络访问和身份凭证的模型，并不是同一种运行条件。

因此，AI安全问题也开始出现一个新的层次：

模型本身是一层。

工具是一层。

权限是一层。

执行环境又是一层。

模型之外的这些条件，开始参与决定模型能够产生什么结果。

这并不意味着模型因此成为一个独立行动主体。

只是意味着：

研究 AI 的实际行为，已经不能只看模型输出。

还必须看它获得了什么。

四、科研正在发生类似变化

科研是另一个很容易观察到这种变化的地方。

AI最初进入科研，主要是搜索、总结、代码辅助和信息处理。

现在，它开始被放进更长的工作流程。

OpenAI在2026年9月公开介绍其研究组织内部的 agent 使用情况：截至8月中旬，整个研究组织按8小时工作日折算，agent运行量达到约每一个人类工作日对应3.1个 agent-workday；研究人员已经普遍把 coding agents 纳入日常工作。(OpenAI)

这个数字不能直接等同于“3.1个研究人员”。

agent-workday是计算资源和运行时间的度量，不是科研主体数量。

但它至少说明了一件具体的事情：

AI已经开始承担科研工作中的大量可计算任务。

代码。

实验。

调试。

并行运行。

结果处理。

这些任务以前需要研究人员亲自占用时间，现在越来越多可以交给 agent 并行完成。

同时，OpenAI也明确表示，其研究人员仍然负责高层研究方向和结果判断。(OpenAI)

所以这里不需要急着谈“AI成为科学家”。

更准确的描述是：

AI正在进入科研工作的组织流程。

研究主体没有因此自动发生替代。

但科研劳动的组成已经开始变化。

五、再向前一步，是AI参与算法生产

科研流程的下一层，是 AI 开始参与产生新的算法。

Google DeepMind的AlphaEvolve就是一个清楚的案例。

它利用大语言模型生成程序，再通过自动评估、测试和演化机制筛选和改进候选方案。Google DeepMind称，AlphaEvolve已经被用于数据中心调度、硬件设计和 AI 训练优化，包括其自身所依赖的大语言模型训练过程。(Google DeepMind)

其中一个例子是矩阵乘法相关优化：AlphaEvolve发现的改进使 Gemini 中一个关键矩阵运算 kernel 的速度提高约23%，并使相关训练时间减少约1%。(Google DeepMind)

这比“AI帮人写代码”又向前了一步。

因为这里的 AI 不只是执行已经确定的程序。

它参与了：

候选生成 → 自动测试 → 结果评价 → 继续搜索。

但是，到这里仍然不能推出“AI已经开始自主改进下一代 AI”。

因为算法搜索和研发主体继承之间，仍然隔着几个不同的问题：

谁决定研究什么？

谁定义成功？

谁决定继续哪条路线？

谁改变研究规则？

谁决定下一代系统应该继承什么？

AlphaEvolve证明的是算法搜索和优化能力。

它并没有单独证明完整的研发权迁移。

因此，更准确的描述仍然是：

AI正在进入 AI 研发过程中的一部分。

六、几个现场开始连在一起

到这里，几个事实已经足够。

AI agent开始获得工具和执行环境。

AI进入科研工作流程。

AI参与算法生成、测试和优化。

AI相关的数据中心扩张开始进入电网连接、基础设施投资和成本分配问题。

这些事情并不属于同一个行业。

也没有证据表明它们构成一个已经完成的统一过程。

但它们有一个共同点：

AI相关活动开始越来越依赖模型之外的条件。

行动依赖权限。

科研依赖组织和实验环境。

算法搜索依赖计算资源和评价机制。

数据中心依赖电力、输电设施、土地和水。

当依赖扩大以后，原本不需要处理这些问题的参与者，就可能开始处理它们。

电网监管机构开始讨论数据中心的新增成本。(Reuters)

得州开始加强数据中心用水报告和监管。(Reuters)

纽约则提出针对新数据中心项目的社区投资要求。(Reuters)

这些不是同一种政策。

也不能简单归结为“社会开始限制 AI”。

它们分别对应电费、水资源和地方社区利益。

共同点只在于：

数据中心扩张已经开始进入原本属于公共基础设施和地方治理的问题域。

这里，“AI”仍然隔着一层甚至几层基础设施。

但这恰恰是需要保留的结构。

因为真正产生物理需求的不是一个抽象的模型。

而是一整套从模型能力到算力、数据中心、能源和地方基础设施的链条。

七、也许应该换一种方式观察AI

过去，我们习惯从 AI 内部看它的发展。

模型更强了吗？

推理更好吗？

上下文更长了吗？

agent能完成更多任务了吗？

这些问题仍然重要。

但当 AI 相关活动继续向外扩展以后，还需要增加一个观察方向：

它开始依赖什么？

一个模型能够做什么，不只取决于模型本身。

还取决于它能够调用什么工具。

获得什么权限。

运行多长时间。

接触什么环境。

能够获得多少计算资源。

而这些条件，又分别受到企业组织、科研流程、电力基础设施、监管制度以及地方资源约束。

于是，观察对象发生了一个很小、但重要的变化。

我们不再只看：

AI能做什么。

也开始看：

为了让AI做到这些事情，需要哪些原本就存在的结构参与进来？

目前的公开证据还不足以支持一个更大的结论。

我们不能据此说 AI 已经全面进入社会，也不能说 AI 已经成为独立的科研主体，更不能说它已经获得完整的自我研发能力。

但几个具体变化已经能够被看见：

模型正在获得更多外部工具。

agent正在进入真实工作流程。

AI正在参与部分科研和算法研发。

AI驱动的数据中心扩张正在进入电力、水资源和地方基础设施的规划范围。

这些变化的共同方向，不是某个突然出现的“AI时代”。

而是一个更朴素的过程：

一种原本主要通过软件界面被使用的技术，正在越来越多地依赖软件之外的环境。

而一旦这种依赖足够大，技术之外的参与者就必须开始计算它。

也许，下一阶段真正值得观察的，不只是 AI 还能走多远。

而是：

当它继续向外扩展时，哪些既有结构会先发生变化。

技术从来不是主角。

结构才是主角。

在历史的纵深里，观察未来的来处。