今天三则 AI 新闻：
表面上看：
一则是：
AI 公司合并。
一则是：
制药公司用 Claude。
一则是：
Apple 做服务器。
但把它们放在一起：
其实都在回答同一个问题：
当大家都能取得很强的 AI Model 之后，下一个真正的竞争优势到底在哪里？
答案开始变成：
谁控制：
AI 跑在哪里。
AI 进入哪一个专业流程。
以及：
AI 最后跑在哪一种硬件上。
第一则：Cohere＋Aleph Alpha 正式签署合并协议
加拿大 AI 公司：
Cohere。
和德国：
Aleph Alpha。
9 月 16 日宣布：
已签署正式：
Business Combination Agreement。
这不是：
两家公司第一次谈合作。
今年 4 月：
双方就已宣布：
计划结合。
当时：
这笔组合的估值：
约：
200 亿美元。
现在：
则进一步：
签下正式协议。
仍需：
最后监管批准。
合并后，公司会继续叫 Cohere
而且不是：
把 Aleph Alpha：
完全搬去加拿大。
目前规划：
会有：
Toronto。
和：
Berlin。
两个总部。
Aleph Alpha 原本位于：
Heidelberg：
的据点：
则保留成：
Research Center。
整体员工：
预计会超过：
1,000 人。
这笔交易最值得看的关键字不是「模型变大」
而是：
Sovereign AI。
也就是：
主权 AI。
这个词：
这一年变得：
越来越重要。
原因是：
政府。
银行。
医疗。
能源。
制造。
国防。
以及：
高度监管企业：
开始发现：
自己要的不只是：
「哪个模型 Benchmark 最强？」
而是：
数据到底放在哪里？
模型在哪里运行？
谁可以碰到这些数据？
能不能部署在自己的 Cloud 或 On-premises？
要遵守哪个国家的法规？
这和一般人打开 Chatbot 很不一样
我们平常：
使用 AI：
很简单。
打开：
输入问题。
得到答案。
但如果：
一家银行：
把：
客户数据。
交易数据。
风险模型。
内部文档。
全部：
交给 AI。
它就不能：
只问：
回答准不准。
还要问：
这些数据：
离开公司了吗？
在哪个国家：
被处理？
谁：
可以访问？
供应商：
如果改政策怎么办？
未来：
如果不能再用这家模型：
数据和系统：
能不能移走？
所以 Sovereign AI 的核心其实是「控制」
不一定代表：
每个国家：
都自己从零：
训练一个 ChatGPT。
比较实际的是：
企业或政府：
可以控制：
Infrastructure。
Data。
Deployment。
Governance。
以及：
Model Choice。
这也是：
Cohere 和 Aleph Alpha：
一直锁定的市场。
两家公司其实刚好互补
Cohere：
原本就主打：
Enterprise AI。
让公司：
可以：
在：
Public Cloud。
Private Cloud。
甚至：
自己的 Infrastructure：
部署。
Aleph Alpha：
这几年：
则越来越集中：
政府。
高度监管产业。
以及：
欧洲主权 AI。
所以：
一边比较强：
全球企业市场与模型。
另一边：
比较强：
欧洲公共部门。
Institution。
Regulated Industry。
Schwarz Group 也继续站在后面
就是：
Lidl：
背后的德国大型集团。
相关公司：
计划投入：
5 亿欧元
资金。
同时：
Reuters 报导：
未来还可能透过：
STACKIT：
提供最高约：
130 亿欧元
的 Compute Investment。
STACKIT：
本身就是：
Schwarz Group：
创建的：
欧洲 Cloud Infrastructure。
这里真正值得看的不是「欧洲又多一个 AI 公司」
而是：
AI 市场：
正在出现：
另一种分层。
第一层：
大家都能用的：
General AI。
第二层：
公司自己的：
Enterprise AI。
第三层：
高度监管：
甚至要求：
数据。
模型。
Infrastructure。
全部可以控制的：
Sovereign AI。
越往下：
客户数：
可能没有消费者 Chatbot：
那么大。
但：
每一个客户：
价值可能更高。
第二则：Novo Nordisk 把 Claude 带进真正的新药研发
第二则：
更有意思。
因为它不是：
「制药公司拿 Claude 帮忙写 Email。」
而是：
真的要：
进：
Drug Discovery。
丹麦制药公司：
Novo Nordisk。
9 月 16 日：
宣布和：
Anthropic：
创建合作。
目标是：
利用：
Claude。
以及：
Claude Science。
加快：
新药：
Discovery。
Development。
以及：
Scientific Reasoning。
双方要一起解决的是实际 R&D 问题
Novo 表示：
一开始会挑：
特定：
Research Workflow。
和：
Scientific Problem。
让：
Novo 的 Scientist。
Computational Team。
和：
Anthropic：
一起找：
AI 最可能产生价值的地方。
例如：
Biological Reasoning。
Scientific Analysis。
以及：
Agentic Software Engineering。
这代表 Claude 的角色又往前走了一层
第一阶段的企业 AI：
很多是：
整理文档。
写信。
写 Code。
做摘要。
第二阶段：
开始：
进入：
企业真正的：
Core Workflow。
对 Novo 来说：
Core Workflow：
不是：
PowerPoint。
而是：
研究新药。
制药业为什么特别适合测 AI？
因为：
新药研发：
非常慢。
非常贵。
而且：
失败率很高。
从：
理解疾病。
找 Target。
找 Candidate。
Preclinical。
Clinical Trial。
到：
Regulatory Approval。
中间：
有大量：
Scientific Data。
Paper。
Experiment。
Documentation。
以及：
Software Work。
AI 不需要一开始就「发明新药」
只要：
先让研究人员：
少花：
大量时间：
整理。
搜索。
比对。
写 Documentation。
就已经：
可能产生：
非常大的效益。
Anthropic：
其实已经公布过：
Novo 使用 Claude：
处理：
Clinical Documentation：
的案例。
Anthropic 的客户案例里，有一个数字非常夸张
原本：
某些 Clinical Study Documentation：
可能要：
10 周以上。
使用 Claude：
后：
缩到：
约：
10 分钟。
另外：
Device Verification Protocol：
所需要的资源：
据 Anthropic 客户案例：
减少约：
95%。
要注意：
这是：
Anthropic 公布的：
特定 Novo Case Study。
不能：
直接理解成：
所有药物研究：
都能：
10 周变 10 分钟。
Documentation 变快，和「新药研发变快」是两件事
这一点：
一定要分清楚。
AI：
把：
一份 Regulatory Document：
整理快很多。
是真的：
很有价值。
但它不代表：
Clinical Trial：
可以：
直接跳过。
也不代表：
模型说：
这个 Molecule 有效。
就可以：
直接变成药。
真正的新药：
仍然要：
实验。
验证。
Clinical Trial。
Safety。
Regulatory Review。
所以 Novo 这次合作真正重要的是：AI 开始进「科学推理工作流」
它不是：
让 Claude：
代替 Scientist。
而是：
试着把 AI：
放在：
Scientist：
真正每天工作的位置。
例如：
分析：
很多不同 Experiment。
比对：
Biological Evidence。
提出：
值得继续测的方向。
整理：
Scientific Context。
协助：
创建 Software。
最后：
由研究人员：
验证。
这和一般企业导入 AI 最大的不同，是「错误成本」
AI：
帮你：
Marketing Caption：
写差一点。
可能：
重新改。
但：
药物研发：
如果：
Reasoning 错。
Data Interpretation 错。
Scientific Assumption 错。
后面可能：
浪费：
很多：
实验时间。
Money。
甚至：
影响：
Safety。
所以：
越高价值的 AI 应用：
通常：
也需要：
更强的：
Verification。
AI 在医疗最终不一定最先取代「医生」
反而可能先大幅改变：
医生。
研究员。
Clinical Team。
背后那些：
大量：
数据处理。
文档。
分析。
Software。
Workflow。
这种：
看不到。
但非常耗时间的：
工作。
第三则：Apple 据报考虑重返企业服务器市场
第三则：
目前还不是：
Apple 官方宣布。
Reuters：
引述：
The Information：
报导。
Apple：
正在研究：
重新进入：
Enterprise Server Market。
而且：
这次不是：
一般 Server。
而是：
AI Inference Server。
据报正在设计的核心，是 Apple 自己未来的 M8 Ultra
报导指出：
目前构想：
可能有：
两种配置。
第一种：
使用：
两颗：
M8 Ultra。
第二种：
使用：
四颗：
M8 Ultra。
再把：
多颗 Chip：
连在一起。
让它：
处理：
大型 AI Inference。
更意外的是：Apple 据报正在和 Nvidia 谈 NVLink Fusion
NVLink：
原本最重要的用途：
就是：
让：
很多高性能 Chip：
高速互相传数据。
对 AI Server：
非常重要。
因为：
一个大型模型：
通常不是：
只靠：
一颗 Chip。
而是：
很多 Processor。
Memory。
一起：
工作。
如果：
Chip 之间：
数据搬得太慢。
再快的 Processor：
也会：
等。
Nvidia 现在甚至愿意让竞争者使用这一层
这就是：
NVLink Fusion：
有意思的地方。
Nvidia：
不只是：
「你一定要买我的 GPU。」
现在：
它也想：
让：
其他公司：
自己的 AI Chip：
接进：
Nvidia 的：
Networking Ecosystem。
也就是：
就算：
AI Compute：
不是 Nvidia GPU。
Data Movement：
仍然：
可以：
用 Nvidia。
Apple 如果真的采用，会是一个很有意思的组合
Compute：
Apple。
Connectivity：
Nvidia。
这和大家过去熟悉的：
Apple：
什么都：
自己控制。
不太一样。
但对：
AI Infrastructure：
可能很合理。
因为：
Server：
和：
iPhone：
完全不是：
同一种产品。
AI Inference 和 AI Training 也要分开
Training：
是：
把模型：
训练出来。
通常：
需要：
大量：
GPU。
Memory。
Data。
长时间：
运算。
Inference：
则是：
模型：
已经存在。
用户：
真的开始：
问它问题。
让它：
产生：
回答。
图片。
Code。
Voice。
或者：
运行 Agent。
AI 真正大规模普及后，Inference 可能变成更大的长期战场
因为：
模型：
可能：
几个月：
训练一次。
但：
Inference：
每天：
可能：
跑：
几十亿。
几百亿。
甚至：
更多次。
所以：
AI Server：
未来不只比：
Training Performance。
还会比：
Inference：
速度。
成本。
电力效率。
Memory。
Networking。
这正好是 Apple Silicon 很有兴趣切入的地方
Apple：
多年来：
在 Mac。
iPhone。
自己设计：
Processor。
最大的特色之一：
就是：
Performance per Watt。
也就是：
同样：
耗电。
尽量：
做更多任务作。
如果：
这种能力：
可以：
放大到：
Server：
就有机会：
在：
Inference：
市场：
找到位置。
但现在不要把 M8 AI Server 当成已经要上市
报导说：
可能：
到：
2029 年
才推出。
而且：
Project：
还可能：
改变。
甚至：
取消。
NVLink Fusion：
也不是：
已经确定使用。
Apple。
Nvidia：
也都没有：
正式确认。
Reuters：
表示：
无法：
独立验证：
The Information：
报导。
所以：
目前：
只能当作：
Apple 正研究的一个可能方向。
Apple 其实已经离开专用服务器很久
以前：
Apple：
有一条：
叫：
Xserve：
的产品线。
2011 年：
停掉。
之后：
企业客户：
主要：
还是用：
Mac。
其他：
Consumer／Professional Hardware。
如果这次：
真的回来。
等于：
Apple：
睽违：
快 20 年：
重新：
做真正：
专用 Enterprise Server。
而且：
原因不是：
传统 IT。
而是：
AI。
今天这三则新闻放在一起，最有意思的就是 AI 正在往「专业化」走
Cohere＋Aleph Alpha：
说的是：
部署专业化。
不是：
所有企业：
都把数据：
丢去同一个 Public AI。
有些：
需要：
自己的：
Infrastructure。
Governance。
Jurisdiction。
Novo＋Anthropic：
说的是：
工作专业化。
不是：
Claude：
什么都做一点。
而是：
真正进入：
Drug Discovery。
Biological Reasoning。
Scientific Workflow。
Apple＋Nvidia：
则可能是：
硬件专业化。
不是：
所有 AI：
都一定：
同一种 GPU。
未来：
不同 Inference Workload：
可能：
使用：
不同：
Custom Chip。
再透过：
高速 Network：
组起来。
这代表 AI 下一阶段，很可能不是「一个模型吃全部」
反而可能：
越来越分层。
General Model：
负责：
通用能力。
Industry AI：
加入：
专业数据。
Workflow。
Rule。
Enterprise AI：
加入：
权限。
Security。
Governance。
Infrastructure：
再根据：
Training。
Inference。
Edge。
不同需求：
使用：
不同 Chip。
AI 产业真正开始成熟时，反而会变得比较不像 ChatGPT
因为：
我们看得到的：
Chat Window：
只是最外面。
真正企业使用：
后面可能是：
Private Cloud。
专业 Agent。
Research Workflow。
Audit。
Data Permission。
Custom Chip。
Network。
以及：
非常多：
人类 Verification。
所以今天三则新闻最值得记住的，不是三个品牌
而是：
AI 竞争的问题：
正在改。
2023：
大家问：
「谁的模型最强？」
2026：
开始问：
「这个模型能不能放进我的企业？」
「能不能处理我的专业工作？」
「能不能在我选择的硬件和 Infrastructure 上运行？」
未来：
真正形成护城河的：
可能不再只是：
Model Weight。
而是：
模型＋数据＋Workflow＋Infrastructure＋Control。
这才是：
今天三则新闻：
真正共同的方向。
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 商业案例｜2026/09/02：6 人法规顾问工作室怎么用 Claude Fable 5.1？固定法规吃 Cache，新客户数据再加入，正式结论仍由顾问签核
