今天三则新闻，
一则发生在：
律师事务所。
一则发生在：
投资帐户。
一则发生在：
AI 数据中心的电网。
表面上完全不同。
但它们其实正在说同一件事：
AI 开始离开「回答问题」的阶段，进入真正会产生后果的系统。
以前 AI 答错一段摘要，
你可以：
重写。
但是如果 AI：
读错一份法律文档。
下错一笔交易。
或者让数据中心在错误时间大量用电。
代价完全不同。
所以今天真正值得看的不是：
AI 又多会一件事。
而是：
权限、来源、批准与系统边界，开始和 AI 能力本身一样重要。
第一则：Google 推出 Gemini Enterprise for Legal，法律 AI 不再只是「帮我摘要合约」
Google 8 月 25 日正式推出：
Gemini Enterprise for Legal。
它不是另外做一个：
「律师版聊天机器人。」
而是在 Gemini Enterprise 上，
加入：
法律工作专用 Skills。
法律系统 Connector。
专业 Agent。
数据权限。
引用与治理机制。
Google 自己在发布文章里甚至直接说：
通用 AI 再强，单独拿进法律工作仍然不够。
这句话其实非常重要。
因为律师真正需要的不是「模型知道很多」
法律工作里，
还有：
客户机密。
案件权限。
不同客户之间的 Ethical Wall。
公司自己的合约 Playbook。
最新法规。
法院数据。
内部范本。
也就是说，
一个模型即使：
法律知识很强，
如果它不知道：
这个律师有没有权看这份文档，
还是不能直接放进正式工作。
Google 这次就是把「权限」直接做进产品
Google 表示，
Gemini Enterprise for Legal 可以连接：
文档管理。
E-discovery。
合约管理。
法律研究
等既有系统。
而且 Connector 会延续：
原本系统里的权限。
简单讲：
如果某位律师原本无权查看：
A 客户的案件，
AI 也不应该因为：
「我搜索得到」
就把数据拿出来。
这跟我们之前一直讲的企业 AI 是同一个问题：
AI 搜索能力愈强，原本的数据权限就愈重要。
它还特别强调「有来源」
例如让 AI：
审合约。
找高风险条款。
提出 Redline。
监控法规变化。
创建政策草稿。
这些事情如果 AI 只说：
根据我的分析……
在法律工作里根本不够。
Google 因此把：
可追溯 Citation
列为重要能力。
律师要能回去确认：
这个结论：
到底来自哪份：
公司文档。
法院数据。
法律数据库。
因为：
AI 有答案
和：
律师能证明答案从哪里来
是两件事。
第一批合作的不是小型测试单位
Google 表示，
目前合作或早期导入的律师事务所包括：
Cleary Gottlieb。
Freshfields。
Weil。
Williams & Connolly
等大型国际法律机构。
Gemini Enterprise for Legal 目前以：
Preview
形式推出。
也就是它正在往正式企业部署走，
但不能写成：
所有律师今天都已经全面正式使用。
Google 同一天其实也推出金融服务版本
这更能看出它的方向。
Google 同时公布：
Gemini Enterprise for Financial Services。
内核概念非常类似：
一般 AI 模型不够。
金融业还需要：
可信数据。
数据源。
权限。
治理。
工作流程。
也就是企业 AI 正逐渐从：
一个通用模型
往：
一个产业一套工作环境
移动。
这和昨天 Thomson Reuters 自己做模型形成非常有意思的竞争
昨天早报才谈：
Thomson Reuters 自己推出：
Thomson。
利用它长期累积的法律、税务与专业数据，
开始往自有模型走。
一天之后，
Google 从另一个方向进场：
它不一定要拥有所有法律内容。
而是做：
平台。
Agent。
Connector。
治理。
再接上：
Thomson Reuters。
Harvey。
LexisNexis
等法律生态系。
所以法律 AI 下一场竞争，
很可能不是：
谁有一个最好聊天的模型。
而是：
谁能真正被放进律师每天工作的系统里。
第二则：Scalable Capital 让 ChatGPT、Claude、Grok 直接连上投资帐户
第二则更接近一般人。
德国金融科技公司：
Scalable Capital
8 月 25 日宣布推出：
Agentic Investing。
Scalable 表示，
这让客户可以把自己的投资帐户连接到：
ChatGPT。
Claude。
Grok
等主流 AI 助理。
公司称自己是：
欧洲第一家这样做的银行。
以前问 ChatGPT 股票，AI只能在帐户外面回答
例如你可以问：
帮我比较这三档 ETF。
或者：
我的投资组合风险在哪里？
但真正的投资帐户：
在另一个 App。
AI 并不知道：
你真正持有什么。
也不能直接替你创建：
Watchlist。
Price Alert。
定期投资。
交易。
现在 Scalable 开始把：
AI 对话
和：
真实金融帐户
接在一起。
第一阶段已经可以做哪些事情？
Scalable 官方列出的能力包括：
搜索股票、ETF 与衍生品。
查看市场数据。
管理 Watchlist。
创建价格提醒。
设置 Savings Plan。
准备交易。
也就是 AI 开始从：
「告诉我市场发生什么」
往：
「帮我处理投资帐户里的事情」
跨出去。
这一步非常大。
但最重要的设计其实不是「AI 可以交易」
而是：
交易以前还要批准。
Scalable 官方说明，
用户仍然可以：
管理 AI 的访问权。
查看所有活动。
而：
Trades。
Savings Plans
在真正运行以前，
仍需要：
用户批准。
这个设计其实比：
「AI 能买股票」
更值得注意。
因为金融 AI 一旦可以运行，错误就从文字变成钱
例如 AI：
看错你的问题。
选错标的。
把「分析」理解成：
「下单」。
或者遇到：
数据异常。
市场突然剧烈变动。
如果整条流程没有：
Approval Gate，
原本只是：
回答错误
就可能变成：
真正交易。
所以金融 Agent 最重要的一个问题就是：
AI 可以走到哪一步？
Scalable 自己也没有宣称「用了 AI 就会赚更多」
这点很重要。
共同创办人 Erik Podzuweit 对 Reuters 说，
他的假设是：
AI 使用最后可能让平均投资报酬改善。
但他也明确说：
这件事情仍有待证明。
也就是：
AI 可以帮你：
查数据。
整理组合。
准备动作。
甚至运行被批准的交易。
都不等于：
它已经证明能替你打败市场。
这两件事必须分开。
Scalable 本身也不是一个几千人的小实验
Reuters 报导，
Scalable 已有：
超过 100 万名客户。
管理资产超过：
600 亿欧元。
主要市场在：
德国。
奥地利。
同时也进入：
意大利。
西班牙。
法国。
荷兰。
所以这不是：
AI Trading Demo。
而是一家真正金融机构开始把：
外部 AI Assistant
接到：
正式客户投资帐户。
这也是 Agent 下一阶段最重要的考试
AI Agent 以前很容易展示：
帮你研究。
帮你比较。
帮你填表。
但真正进到：
银行。
券商。
付款。
采购。
医疗。
法律
以后，
问题就变成：
AI 可以建议什么？
AI 可以准备什么？
AI 可以直接运行什么？
哪一步一定需要人批准？
今天 Scalable 已经给出一个很清楚的答案：
AI 可以走得更远，
但：
真实金融行动前仍保留人工批准。
第三则：Emerald AI 募得 1.5 亿美元，但它不是在做另一个大型模型
第三则从：
软件。
金融
一路走到：
电力。
一家叫：
Emerald AI
的公司，
8 月 25 日宣布完成：
1.5 亿美元 Series A。
估值：
10.5 亿美元。
正式成为：
Unicorn。
但它做的事情不是：
Chatbot。
模型。
GPU。
它处理的是 AI 现在最现实的一个瓶颈：
电。
AI 数据中心最大的问题之一，是它不能只在「有空的时候」用电
大型 AI 数据中心可能需要：
数百 MW。
甚至：
GW 等级
的电力。
问题是电网不是：
一个无限容量的插座。
夏天下午：
大家开冷气。
冬季极端天气。
发电机组故障。
输电线吃紧。
不同时段的电网压力：
完全不同。
但大型数据中心如果永远要求：
固定满载，
电力公司就必须替：
最坏情况
准备非常庞大的：
备用容量。
Emerald AI 的想法是：让数据中心变成「可以调整的负载」
例如电网正在：
很紧。
某些不必现在立刻完成的 AI 计算，
是不是可以：
延后一点？
降低一部分功率？
移到另一个时间？
移到不同位置？
等电网比较宽松再：
补回来？
Emerald AI 做的，
就是用软件动态协调：
AI 工作负载
和：
电网条件。
这和一般「省电软件」不完全一样
重点不只是：
让 Server 永远少用电。
而是：
什么时候用多少电。
就像高速公路。
真正造成塞车的不一定是：
一天总共有多少车。
而是：
大家同一时间上路。
电网也一样。
如果 AI Data Center 可以把：
某些非实时工作
移开尖峰，
同样的电力基础设施：
可能可以服务更多运算。
Emerald AI 已经不只停在实验室
公司表示，
它已完成：
5 个全球商业示范。
目前软件已经在：
Multi-megawatt。
完整数据中心规模
进行商业部署。
客户包括：
AI 公司。
Data Center Operator。
电力公司。
这也是为什么投资人愿意在 Series A 阶段，
就把公司估值推到：
10.5 亿美元。
公司还提出一个非常大的数字：100 GW
Emerald AI 表示，
如果这种：
Power-flexible AI Data Center
广泛部署，
有可能从现有美国电网释放超过：
100 GW
可以支持 AI 的容量。
这是：
公司自己的估算。
不能直接写成：
美国已经证明可以多盖 100 GW AI 数据中心。
真正能释放多少容量，
仍然要看：
地区。
电网结构。
AI 工作负载。
电力市场规则。
以及实际部署成效。
为什么这家公司突然这么值钱？
因为 AI 产业慢慢发现：
GPU 有钱可以买。
数据中心有钱可以盖。
但是：
电力不是付钱就能立刻出现。
新的：
变电站。
输电线。
发电厂。
天然气涡轮。
再生能源。
核能
全部需要：
时间。
如果软件能让现有电网：
多撑一些 AI 工作，
价值自然很大。
这也改变一个很重要的观念
以前我们把 Data Center 想成：
电网的负担。
Emerald AI 想把它变成：
电网可以调度的资源。
例如需要时：
降低负载。
转移运算。
避开尖峰。
这和电动车未来可能：
在适合时间充电
是一样的概念。
不是取消耗电。
而是：
让耗电更有弹性。
但不是所有 AI 工作都可以说停就停
例如：
用户正在等待的 Chatbot 回应。
实时 Agent。
金融交易。
安全监控。
某些 Online Inference
对延迟非常敏感。
不能因为：
电网现在很忙
就全部暂停。
比较适合移动的可能是：
模型训练中的部分工作。
Batch Processing。
数据准备。
非实时推论。
所以真正困难的是：
哪些 AI 工作可以移？
可以移多久？
怎么移又不影响客户？
这才是这类软件真正的技术价值。
把今天三则新闻放在一起，就会看到一条很清楚的线
Google 的问题是：
AI 可以看哪些法律数据？
答案：
要继承：
权限。
治理。
来源。
Scalable 的问题是：
AI 可以替投资人做多少事情？
答案：
可以分析。
可以准备。
但真正交易：
还要批准。
Emerald AI 的问题是：
AI 数据中心想跑多少算力就跑多少吗？
答案：
还要服从：
电力与电网的现实限制。
三家公司都在处理同一件事：AI 的「边界」
以前 AI 最大问题是：
它会不会做？
现在开始变成：
它被允许做到哪里？
这是完全不同的产品问题。
模型能力愈强，边界反而愈重要
一个只能：
写 Email
的 AI，
权限错误可能只是：
文案问题。
一个可以：
读公司全部文档。
操作投资帐户。
调度巨型数据中心
的 AI，
每一次权限错误都可能：
真正造成后果。
所以未来 AI 产品的竞争力，
不只在：
Benchmark。
Reasoning。
Context Window。
还会包括：
Access Control。
Audit。
Approval。
Traceability。
Rollback。
这也是为什么企业 AI 开始不像「聊天工具」
Google Gemini Enterprise for Legal：
开始像：
法律工作平台。
Scalable Agentic Investing：
开始像：
金融操作界面。
Emerald AI：
开始像：
AI 算力与电网之间的调度层。
AI 正在从：
一个独立 App
变成：
嵌在现有系统里的一层。
对一般公司来说，今天最值得问的不是「我们什么时候也导入 Agent？」
先问三个问题。
第一：AI 可以看什么？
例如：
客户数据。
合约。
订单。
财务。
全部都需要：
权限。
第二：AI 可以做到哪一步？
例如：
分析？
创建草稿？
修改数据？
寄出消息？
付款？
下单？
每一步的风险：
完全不同。
第三：哪一步一定要有人批准？
不要等 AI 已经接进正式系统后，
才开始想：
「这个是不是应该让人确认？」
最好一开始就：
写清楚。
这三个问题其实就是今天三则新闻的共同答案
Google：
谁能看？
Scalable：
谁批准？
Emerald AI：
系统最多能跑到哪里？
当 AI 真的开始：
做事，
这三个问题会比：
「Prompt 怎么写？」
重要得多。
今天早上的一句判断
AI 过去几年的竞争，
主要是在证明：
我能做什么。
接下来更成熟的竞争会开始证明：
我知道什么时候不能做。
什么数据不能看。
什么交易不能自己按。
什么算力不能无限抢电。
真正能进入：
法律。
金融。
能源。
医疗。
政府。
大型企业
的 AI，
不会只是最聪明的模型。
而会是：
能力够强，而且边界够清楚的系统。
今天，和 AI 一起进步一点。
每天学会一个 AI 技巧。
每天节省一点时间。
每天提升一点能力。
SasaDaily，陪你一起成长。
推荐阅读
AI 快问快答｜2026/08/13：Glean 会保留原本权限，就代表敏感数据一定不会被 AI 找到吗？
