一份分析任务里，Gemini 4 Argon 同时翻开了三类看起来毫不相干的材料：跨越8年的 10-K 报告、美国电网运营商的运行数据，以及 GPU 的热规格参数。

它没有停在"读完"这一步。这些材料被交叉比对后，输出成了一份交互式演示文稿，主题指向同一个问题——AI 行业的电力需求，和电网实际能扛住的容量之间，卡在哪儿。

三类数据，一张瓶颈图

10-K 报告提供的是企业侧的口径，电网运营商数据提供的是基础设施侧的口径，GPU 热规格则落到硬件本身的功耗约束上。三者叠在一起，才能看出需求端和供给端各自的曲线长什么样。

演示文稿里给出的不是一句结论，而是详细的图表和预测。用户可以顺着这些图表往下钻，去看 AI 电力需求会怎样压到能源基础设施上。

从搜集到洞察，压缩进一个提示词

这项分析任务被概括成一句话：一个提示词就能完成过去需要大量时间的数据搜集、交叉分析和洞察提炼。

过去这类活儿通常要拆成好几步走——先找齐多年份的财务文件，再去对齐运营数据，最后把硬件规格翻译成可比较的功耗指标，中间任何一步对不上，后面的图表就立不住。

Gemini 4 Argon 把这些步骤收进了一次处理里，并且直接产出可交互的结果，而不是一份静态报告。

电力瓶颈为什么值得单独做一份演示

AI 数据中心的算力扩张，最终要落到电上。电网容量不是能随时加码的变量，它受制于运营商的既有结构和硬件的热约束。

把 8 年的财务披露、电网运营数据和 GPU 规格放在同一张图里，本质上是在问：需求曲线往上走的时候，供给曲线能不能跟上，跟不上的那段缺口出现在什么位置。

这份交互式演示文稿给出的，正是围绕这个缺口的图表和预测。