<p>“没有办法在一夜之间将支持组织扩展到我们周日将要面对的规模。你无法雇佣到经过培训的人，这些人是旅行代理人，对吧？你无法在一夜之间雇佣足够的人……因此，人工智能是极其重要的。” 这是 Navan 首席执行官 Ariel Cohen 在接受 CNBC 的 Jon Fortt 采访时所说的话，清晰地表明了现代依赖人工智能的企业面临的迫切生存压力：当突如其来的巨大干扰发生时，传统的人力扩展失败，迫使人工智能系统在极端压力下证明其价值。</p>
<p>这段对话在 CNBC 的《街头喧嚣》中播出，讨论了美国席卷而来的巨大冬季风暴所带来的双重挑战。一方面，这场风暴成为了对人工智能驱动的客户服务平台的严酷现实压力测试，尤其是在混乱不堪的商务旅行行业。另一方面，它突显了人工智能繁荣本身日益增长、常常被忽视的基础设施瓶颈：电力消耗和电网的稳定性。Fortt 与 Cohen 讨论了旅行行业在危机时刻对人工智能的依赖，随后将讨论范围扩大到数据中心——生成性人工智能的动力源——在国家能源政策讨论中变得如此庞大的电力消耗问题。</p>
<p>对于像 Navan 这样的公司，提供商务旅行和费用管理软件，天气引发的混乱——航班取消、酒店关闭、道路封堵——立即引发了客户服务需求的激增，而任何人类呼叫中心都无法处理。Cohen 解释说，Navan 的人工智能聊天机器人 Ava 正是为这种急剧扩展的挑战而设计的。在瞬间危机中无法迅速培训和上岗数百名人类旅行代理人意味着人工智能必须承担大部分工作。Cohen 指出，Ava 已经管理了相当一部分常规互动，他表示：“Ava 知道如何支持，我们在第三季度报告中显示，54% 的互动都是通过她完成的。” 然而，迫在眉睫的风暴代表了一个更复杂的挑战，不仅需要常规的预订变更，还需要主动的、多变量的重新规划和危机管理——这是真正检验他们人工智能架构有效性和稳健性的试金石。</p>
<p>这种操作压力测试立即与人工智能生态系统内的一个更深层次的系统性问题相联系：电力基础设施。Fortt 指出，政府正在探索如何告诉电网运营商将数据中心的备用电力重新利用到电网中，承认运行现代人工智能模型和云基础设施所需的巨大能量消耗。这一提议突显了一个严峻的现实：推动人工智能革命的同一基础设施现在变得如此庞大，以至于被视为国家能源稳定性的关键、但又不稳定的组成部分。</p>
<p>数据中心的巨大电力消耗不仅仅是一个环境问题；它迅速成为人工智能增长和盈利能力的最终制约因素。Fortt 恰当地将电力描述为 “这些支撑着许多技术估值的人工智能梦想中的主要限制因素之一。” 这一制约迫使创始人和开发者在模型选择和部署方面做出艰难的选择，超越对最大、最前沿的大型语言模型（LLMs）的简单追求。经济上的迫切性正在推动对模型规模与性能的快速重新评估。</p>
<p>因此，科技领导者得到的洞察是明确的：效率是竞争优势的新前沿。运行像 OpenAI 或 Anthropic 提供的庞大模型的成本和电力需求对于许多企业应用来说是不可持续的。公司现在在问：我们真的需要每个任务都使用最昂贵、最强大的 LLM 吗？或者，正如 Fortt 所提出的，“我需要这些前沿模型吗？我需要 OpenAI 吗？我需要 Anthropic 吗？还是我可以选择一个更基础的模型，自己进行增强，实际上节省时间，可能在比 Nvidia 等公司的尖端产品更便宜的芯片上运行？” 这导致了对模型精简的重大推动，微调较小的开源模型，并开发针对推理优化的专用硅——将人工智能从一种资本密集型、耗电的研究工具转变为可扩展的、经济上可行的企业解决方案。因此，这场冬季风暴及其带来的混乱，不仅仅是在扰乱旅行；它们正在加速一种无情的经济计算，这将决定哪些人工智能应用能够在有限资源的世界中生存和繁荣。</p>

NAVN

<p>最近美国的冬季风暴突显了人工智能驱动的企业面临的挑战，尤其是在旅游行业。Navan 首席执行官 Ariel Cohen 强调了在危机期间，人工智能在管理客户服务需求方面的重要性，因为传统的人力扩展已显不足。这场风暴成为了人工智能系统的压力测试，揭示了与电力消耗和电网稳定性相关的基础设施瓶颈。这种情况促使人们重新评估人工智能模型的效率，推动公司考虑更小、更具成本效益的模型，以确保在能源需求上升的情况下实现可持续增长</p>

<p>“There is no way to scale a support organization to the level of mass that we’re going to have on Sunday, overnight. You cannot hire trained people, you know, these are travel agents, right? You cannot hire enough people overnight… and therefore AI is super, super important.” This statement, delivered by Navan CEO Ariel Cohen to CNBC’s Jon Fortt, crystallizes the immediate, existential pressure facing modern, AI-reliant businesses: when sudden, massive disruption hits, traditional human scaling fails, forcing AI systems to prove their worth under extreme duress.</p>
<div class="lb-trans"><p>“没有办法在一夜之间将支持组织扩展到我们周日将要面对的规模。你无法雇佣到经过培训的人，这些人是旅行代理人，对吧？你无法在一夜之间雇佣足够的人……因此，人工智能是极其重要的。” 这是 Navan 首席执行官 Ariel Cohen 在接受 CNBC 的 Jon Fortt 采访时所说的话，清晰地表明了现代依赖人工智能的企业面临的迫切生存压力：当突如其来的巨大干扰发生时，传统的人力扩展失败，迫使人工智能系统在极端压力下证明其价值。</p>
</div><p>The conversation, aired on CNBC’s Squawk on the Street, focused on the dual challenges presented by a massive winter storm sweeping across the US. On one hand, the storm served as a brutal real-world stress test for AI-driven customer service platforms, particularly in the notoriously chaotic business travel sector. On the other, it highlighted the growing, often overlooked infrastructural bottleneck of the AI boom itself: power consumption and the stability of the electrical grid. Fortt spoke with Cohen about the travel industry’s reliance on AI during crisis moments, and then broadened the discussion to the macro environment where data centers—the engine rooms of generative AI—are becoming such enormous power consumers that they are now central to national energy policy discussions.</p>
<div class="lb-trans"><p>这段对话在 CNBC 的《街头喧嚣》中播出，讨论了美国席卷而来的巨大冬季风暴所带来的双重挑战。一方面，这场风暴成为了对人工智能驱动的客户服务平台的严酷现实压力测试，尤其是在混乱不堪的商务旅行行业。另一方面，它突显了人工智能繁荣本身日益增长、常常被忽视的基础设施瓶颈：电力消耗和电网的稳定性。Fortt 与 Cohen 讨论了旅行行业在危机时刻对人工智能的依赖，随后将讨论范围扩大到数据中心——生成性人工智能的动力源——在国家能源政策讨论中变得如此庞大的电力消耗问题。</p>
</div><p>For companies like Navan, which offers business travel and expense management software, the weather-induced chaos—flights canceled, hotels closed, roads blocked—immediately triggers a surge in customer service demands that no human call center could possibly handle. Cohen explained that Navan’s AI chatbot, Ava, is designed precisely for this kind of acute scaling challenge. The inability to rapidly onboard and train hundreds of human travel agents during an instantaneous crisis means that the AI must handle the majority of the load. Cohen noted that Ava already manages a significant portion of routine interactions, stating, “Ava knows to support, we reported in Q3, 54% of the interactions with us.” The impending storm, however, represents a far more complex challenge, demanding not just routine booking changes but proactive, multi-variable re-routing and crisis management—a true proving ground for the efficacy and robustness of their AI architecture.</p>
<div class="lb-trans"><p>对于像 Navan 这样的公司，提供商务旅行和费用管理软件，天气引发的混乱——航班取消、酒店关闭、道路封堵——立即引发了客户服务需求的激增，而任何人类呼叫中心都无法处理。Cohen 解释说，Navan 的人工智能聊天机器人 Ava 正是为这种急剧扩展的挑战而设计的。在瞬间危机中无法迅速培训和上岗数百名人类旅行代理人意味着人工智能必须承担大部分工作。Cohen 指出，Ava 已经管理了相当一部分常规互动，他表示：“Ava 知道如何支持，我们在第三季度报告中显示，54% 的互动都是通过她完成的。” 然而，迫在眉睫的风暴代表了一个更复杂的挑战，不仅需要常规的预订变更，还需要主动的、多变量的重新规划和危机管理——这是真正检验他们人工智能架构有效性和稳健性的试金石。</p>
</div><p>This operational stress test immediately connects to a deeper, more systemic issue within the AI ecosystem: power infrastructure. Fortt noted the fascinating development where the administration is exploring ways to tell grid operators to leverage backup power from data centers back into the grid, acknowledging the sheer scale of energy consumption required to run modern AI models and cloud infrastructure. This proposal underscores a stark reality: the same infrastructure powering the AI revolution is now so large that it is being considered a critical, if volatile, component of national energy stability.</p>
<div class="lb-trans"><p>这种操作压力测试立即与人工智能生态系统内的一个更深层次的系统性问题相联系：电力基础设施。Fortt 指出，政府正在探索如何告诉电网运营商将数据中心的备用电力重新利用到电网中，承认运行现代人工智能模型和云基础设施所需的巨大能量消耗。这一提议突显了一个严峻的现实：推动人工智能革命的同一基础设施现在变得如此庞大，以至于被视为国家能源稳定性的关键、但又不稳定的组成部分。</p>
</div><p>The data center’s massive power draw is not merely an environmental concern; it is rapidly becoming the ultimate constraint on AI growth and profitability. Fortt aptly described power as “one of these major gating factors in these AI dreams that are propping up so many of these valuations right now in technology.” This constraint forces founders and developers to make difficult choices regarding model selection and deployment, moving beyond the simple pursuit of the largest, most cutting-edge Large Language Models (LLMs). The economic imperative is driving a rapid re-evaluation of model size versus performance.</p>
<div class="lb-trans"><p>数据中心的巨大电力消耗不仅仅是一个环境问题；它迅速成为人工智能增长和盈利能力的最终制约因素。Fortt 恰当地将电力描述为 “这些支撑着许多技术估值的人工智能梦想中的主要限制因素之一。” 这一制约迫使创始人和开发者在模型选择和部署方面做出艰难的选择，超越对最大、最前沿的大型语言模型（LLMs）的简单追求。经济上的迫切性正在推动对模型规模与性能的快速重新评估。</p>
</div><p>The resulting insight for tech leaders is clear: efficiency is the new frontier of competitive advantage. The cost and power demands of running massive models like those offered by OpenAI or Anthropic are unsustainable for many enterprise applications. Companies are now asking: Do we truly need the most expensive, most powerful LLM for every task? Or, as Fortt posited, “Do I need these frontier models? Do I need OpenAI? Do I need Anthropic? Or can I go with a more basic model and enhance it myself and actually save over time, run it on less expensive chips perhaps than the cutting-edge offerings from the likes of an Nvidia.” This is leading to a major push toward model slimming, fine-tuning smaller open-source models, and developing specialized silicon optimized for inference—moving AI from a capital-intensive, power-hungry research tool into a scalable, economically viable enterprise solution. The winter storm and its resulting chaos, therefore, are not just disrupting travel; they are accelerating the ruthless economic calculus that will define which AI applications survive and thrive in a world of finite resources.</p>
<div class="lb-trans"><p>因此，科技领导者得到的洞察是明确的：效率是竞争优势的新前沿。运行像 OpenAI 或 Anthropic 提供的庞大模型的成本和电力需求对于许多企业应用来说是不可持续的。公司现在在问：我们真的需要每个任务都使用最昂贵、最强大的 LLM 吗？或者，正如 Fortt 所提出的，“我需要这些前沿模型吗？我需要 OpenAI 吗？我需要 Anthropic 吗？还是我可以选择一个更基础的模型，自己进行增强，实际上节省时间，可能在比 Nvidia 等公司的尖端产品更便宜的芯片上运行？” 这导致了对模型精简的重大推动，微调较小的开源模型，并开发针对推理优化的专用硅——将人工智能从一种资本密集型、耗电的研究工具转变为可扩展的、经济上可行的企业解决方案。因此，这场冬季风暴及其带来的混乱，不仅仅是在扰乱旅行；它们正在加速一种无情的经济计算，这将决定哪些人工智能应用能够在有限资源的世界中生存和繁荣。</p>
</div>

AI 压力测试：极端天气和电力需求如何揭示可扩展性不足