{"source":{"id":"2043736136636317697","title":"AI算力的最大瓶颈已经换人了。 GPU不再是唯一卡脖子的资源。 Dylan Patel的最新观察给出了一个反直觉的事实。…","url":"https://mubeitech.com/p/2043736136636317697"},"method":"semantic-similarity","count":6,"items":[{"rank":1,"id":"raw_708f235ce731aad8","account":"mubei","brand":"@mubei","title":"OpenAI 刚发布了新模型 GPT-6 Astra。 黄仁勋发推文祝贺，顺手扔了一颗深水炸弹： AGI 已经到了。 接…","summary":"OpenAI 刚发布了新模型 GPT-6 Astra。 黄仁勋发推文祝贺，顺手扔了一颗深水炸弹： AGI 已经到了。 接着他给了一组数字： 这个模型是在 10 万多块 Grace Blackwell NVLink72 系统上训练出来的。 下一批，还有 40 万块 NVIDIA 芯…","body":"OpenAI 刚发布了新模型 GPT-6 Astra。\n黄仁勋发推文祝贺，顺手扔了一颗深水炸弹：\nAGI 已经到了。\n接着他给了一组数字：\n这个模型是在 10 万多块 Grace Blackwell NVLink72 系统上训练出来的。\n下一批，还有 40 万块 NVIDIA 芯片正在排队上线。\n评论区立刻吵成一团。\n有人在核对跑分，有人在质疑 AGI 的定义，学者们在争论这算不算营销吹牛。\n所有人都被 AGI 这三个字母吸走了注意力。\n但真正反常识的信号，藏在那两组数字里。\n等一下。\n如果 AGI 真的已经到了，终点线都已经跨过去了，为什么还要一口气追加 40 万块顶级芯片？\n如果学生已经毕业了，你为什么还要把学费翻四倍？\n这背后藏着一台运转了一百六十年的经济学机器。\n1865 年，英国经济学家威廉·斯坦利·杰文斯写了一本书，叫《煤炭问题》。\n当时很多人以为，只要瓦特改良了蒸汽机，煤炭消耗效率提上去，英国的煤就会越用越省。\n杰文斯算完账，给出了一个完全相反的结论：\n当蒸汽机的效率提高，做功的成本大幅下降，蒸汽机就会迅速铺满采矿、纺织、火车和轮船。\n煤炭没省下来，总消耗量反而暴增了几百倍。\n这个规律后来被称为杰文斯悖论。\n现在的算力市场上，正在上演一模一样的一幕。\n过去四年，芯片主要是用来训练模型的。\nOpenAI 租下 10 万块芯片，通电跑上几个月，把模型训出来，这笔钱就算花完了。\n算力在当时是一笔固定研发开支，就像买一台机床。\n新一代模型跨过的那道门槛，把这台机器彻底改写了。\nGPT-6 Astra 不再只是一个回答问题的聊天框。\n它成了一个接管屏幕、写代码、测漏洞、连续执行任务的电脑操作员。\n要让它在真实世界里替人干活，每走一步，都需要在后台进行海量推理和反复试错。\n这叫推理期算力扩展。\n当智能跨过了「真正可用」的临界点，算力就从实验室里的研发成本，变成了工业生产里的电力。\n它不再是一次性买断的机床。\n它是机床运转时，每一秒钟都要烧掉的燃料。\n模型越能干，被派给它的任务就越多，它后台烧掉的算力就越庞大。\n这就是为什么训一个模型用了 10 万块芯片，后面却需要 40 万块芯片接力进场。\n因为训大脑只需要 10 万块。\n让大脑去全天候当牛做马，需要 40 万块、甚至几百万块。\n看懂了这台机器，你就能看懂黄仁勋为什么比任何人都急着宣布 AGI 降临。\n在淘金热里，最希望大家相信山上有金矿的人，从来不是淘金客。\n是山脚下卖铁锹的人。\n淘金客可能空手而归。\n只要全世界都相信金子就在前面，下一批 40 万把铁锹的订单，就已经稳稳装进了口袋。\n真正的分水岭，从来不是 AGI 到底有没有标准答案。\n当全世界还在为概念争论不休时，卖铁锹的人，已经把算力变成了全人类必须按秒付费的新煤炭。","category":"其它","score":100,"translated_x_url":"https://x.com/i/status/2096875508021547163","translated_status_id":"2096875508021547163","published_at":"2026-09-07 10:12:07","created_at":"2026-09-07T10:12:07.107035","url":"https://mubeitech.com/p/raw_708f235ce731aad8","markdown_url":"https://mubeitech.com/p/raw_708f235ce731aad8/markdown"},{"rank":2,"id":"raw_36fb6bc27f68c59b","account":"mubei","brand":"@mubei","title":"OpenAI 刚刚成批买下了数万台 Mac mini 和 Mac Studio。 这不是几台发给员工的办公电脑。 是数以…","summary":"OpenAI 刚刚成批买下了数万台 Mac mini 和 Mac Studio。 这不是几台发给员工的办公电脑。 是数以万计的铝合金小盒子，被整整齐齐塞进数据中心机架。 与此同时，Anthropic 也在亚马逊云上，成批包下整台的物理 Mac 专属服务器。 在所有人盯着英伟达万卡…","body":"OpenAI 刚刚成批买下了数万台 Mac mini 和 Mac Studio。\n这不是几台发给员工的办公电脑。\n是数以万计的铝合金小盒子，被整整齐齐塞进数据中心机架。\n与此同时，Anthropic 也在亚马逊云上，成批包下整台的物理 Mac 专属服务器。\n在所有人盯着英伟达万卡集群和吉瓦级电力的时候，最顶尖的 AI 实验室，为什么突然在机房里堆砌消费级苹果电脑？\n是英伟达显卡买不起了？\n还是算力世界底下，出现了一道全新的窄门？\n答案藏在模型训练的范式转移里。\n过去训练底层大模型，算的是纯数学。\n把海量文本切成向量，丢进几万张英伟达 GPU 里做高密度的矩阵乘法。\n那是纯算力密集型任务，谁的显卡集群大、通信带宽快，谁就能炼出更聪明的模型。\n但当模型走出聊天框，开始学习替人类操作电脑，游戏规则彻底变了。\n教一个智能体使用电脑，不能只靠喂它读现成的文本。\n它必须像一个刚上岗的学徒，在真实的操作系统里，靠强化学习反复试错。\n这台正在支配智能体军备竞赛的机器，叫环境展开吞吐墙。\n在强化学习的世界里，智能体要学会精准点击一个按钮、在表格里填入数据、跨五个窗口完成订票，需要成千上万次试错。\n每一次试错，叫一次轨迹展开。\n智能体看着屏幕截图，识别按钮位置，发出鼠标指令，点击，等待界面渲染，如果软件崩溃了就重启，直到拿到任务完成的奖励分。\n要在一个月内完成训练，实验室必须在后台同时并发运行数万个真实的操作系统环境。\n为什么不能在传统的数据中心里，用一台超级服务器虚拟出几百个系统？\n因为苹果用两道坚硬的锁，把虚拟化的大门彻底焊死了。\n第一道锁是法律许可。\n苹果的软件许可协议 EULA 立了死规矩：macOS 只能运行在苹果自家的硬件上，严禁装在通用的云服务器上。\n第二道锁是物理与系统的硬限制。\n哪怕在苹果自家的芯片上，单台物理设备最多也只允许运行两个虚拟 macOS 实例。\n云计算用了二十年的弹性多租户池化，在这里全部失效。\n云厂商无法拿一台超级服务器切出几百个虚拟桌面。\n亚马逊云能提供的，只有物理专属主机模式：租客必须按天整台租下一台台物理 Mac。\n这意味着，如果你需要两万个真实的 macOS 试错环境，你别无选择。\n你必须实打实买下一万到两万台物理机器。\n这台机器不仅有法律约束，还有底层的硬件巧合。\n智能体操作电脑，需要 CPU 运行操作系统和桌面应用，同时需要图形核心跑视觉模型来识别屏幕上的每一个像素。\n在传统电脑架构里，CPU 内存和显卡显存各自分立，每一次截取屏幕，海量像素数据都要在两条总线之间来回搬运，造成严重的延迟瓶颈。\n苹果芯片的统一内存架构 UMA，让中央处理器与图形处理器共享同一池超大内存。\n操作系统渲染的图形，视觉模型零延迟就能直接读取。\n一台拳头大小的桌面设备，既自带了真实的操作系统环境，又提供了不需要跨总线搬运的高带宽内存。\n从大语言模型走向电脑操作智能体，算力的定义正在发生转移。\n上一阶段的军备竞赛，比的是谁能买到更多万卡集群，把矩阵乘法算到极致。\n下一阶段的智能体竞争，卡点正从纯算力，撞上真实环境的展开吞吐量。\n当 AI 开始伸出触角接管人类的桌面，它必须在一个个真实的操作系统里跌倒、重试。\n最先进的人工智能，最终撞上了物理世界最硬的边界：\n哪怕模型再聪明，要在真实的闭源生态里学会点鼠标，也必须一台台买下那个生态里的物理铁盒。","category":"其它","score":100,"translated_x_url":"https://x.com/i/status/2094378422743011779","translated_status_id":"2094378422743011779","published_at":"2026-08-31 12:49:29","created_at":"2026-08-31T12:49:29.921106","url":"https://mubeitech.com/p/raw_36fb6bc27f68c59b","markdown_url":"https://mubeitech.com/p/raw_36fb6bc27f68c59b/markdown"},{"rank":3,"id":"mb-20260831-e837f1","account":"mubei","brand":"","title":"OpenAI 刚刚成批买下了数万台 Mac mini 和 Mac Studio","summary":"OpenAI 刚刚成批买下了数万台 Mac mini 和 Mac Studio","body":"OpenAI 刚刚成批买下了数万台 Mac mini 和 Mac Studio。\n这不是几台发给员工的办公电脑。\n是数以万计的铝合金小盒子，被整整齐齐塞进数据中心机架。\n与此同时，Anthropic 也在亚马逊云上，成批包下整台的物理 Mac 专属服务器。\n在所有人盯着英伟达万卡集群和吉瓦级电力的时候，最顶尖的 AI 实验室，为什么突然在机房里堆砌消费级苹果电脑？\n是英伟达显卡买不起了？\n还是算力世界底下，出现了一道全新的窄门？\n答案藏在模型训练的范式转移里。\n过去训练底层大模型，算的是纯数学。\n把海量文本切成向量，丢进几万张英伟达 GPU 里做高密度的矩阵乘法。\n那是纯算力密集型任务，谁的显卡集群大、通信带宽快，谁就能炼出更聪明的模型。\n但当模型走出聊天框，开始学习替人类操作电脑，游戏规则彻底变了。\n教一个智能体使用电脑，不能只靠喂它读现成的文本。\n它必须像一个刚上岗的学徒，在真实的操作系统里，靠强化学习反复试错。\n这台正在支配智能体军备竞赛的机器，叫环境展开吞吐墙。\n在强化学习的世界里，智能体要学会精准点击一个按钮、在表格里填入数据、跨五个窗口完成订票，需要成千上万次试错。\n每一次试错，叫一次轨迹展开。\n智能体看着屏幕截图，识别按钮位置，发出鼠标指令，点击，等待界面渲染，如果软件崩溃了就重启，直到拿到任务完成的奖励分。\n要在一个月内完成训练，实验室必须在后台同时并发运行数万个真实的操作系统环境。\n为什么不能在传统的数据中心里，用一台超级服务器虚拟出几百个系统？\n因为苹果用两道坚硬的锁，把虚拟化的大门彻底焊死了。\n第一道锁是法律许可。\n苹果的软件许可协议 EULA 立了死规矩：macOS 只能运行在苹果自家的硬件上，严禁装在通用的云服务器上。\n第二道锁是物理与系统的硬限制。\n哪怕在苹果自家的芯片上，单台物理设备最多也只允许运行两个虚拟 macOS 实例。\n云计算用了二十年的弹性多租户池化，在这里全部失效。\n云厂商无法拿一台超级服务器切出几百个虚拟桌面。\n亚马逊云能提供的，只有物理专属主机模式：租客必须按天整台租下一台台物理 Mac。\n这意味着，如果你需要两万个真实的 macOS 试错环境，你别无选择。\n你必须实打实买下一万到两万台物理机器。\n这台机器不仅有法律约束，还有底层的硬件巧合。\n智能体操作电脑，需要 CPU 运行操作系统和桌面应用，同时需要图形核心跑视觉模型来识别屏幕上的每一个像素。\n在传统电脑架构里，CPU 内存和显卡显存各自分立，每一次截取屏幕，海量像素数据都要在两条总线之间来回搬运，造成严重的延迟瓶颈。\n苹果芯片的统一内存架构 UMA，让中央处理器与图形处理器共享同一池超大内存。\n操作系统渲染的图形，视觉模型零延迟就能直接读取。\n一台拳头大小的桌面设备，既自带了真实的操作系统环境，又提供了不需要跨总线搬运的高带宽内存。\n从大语言模型走向电脑操作智能体，算力的定义正在发生转移。\n上一阶段的军备竞赛，比的是谁能买到更多万卡集群，把矩阵乘法算到极致。\n下一阶段的智能体竞争，卡点正从纯算力，撞上真实环境的展开吞吐量。\n当 AI 开始伸出触角接管人类的桌面，它必须在一个个真实的操作系统里跌倒、重试。\n最先进的人工智能，最终撞上了物理世界最硬的边界：\n哪怕模型再聪明，要在真实的闭源生态里学会点鼠标，也必须一台台买下那个生态里的物理铁盒。","category":"科技","score":null,"translated_x_url":null,"translated_status_id":null,"published_at":"2026-08-31 10:58:50","created_at":"2026-08-31 10:58:50","url":"https://mubeitech.com/p/mb-20260831-e837f1","markdown_url":"https://mubeitech.com/p/mb-20260831-e837f1/markdown"},{"rank":4,"id":"16549602","account":"mubei","brand":"@mubei","title":"未来几年，算力的价格可能会暴涨十倍以上。 原因不在芯片厂，而在人力市场。 算力的定价逻辑，马上就要变了。 现在租算力怎么…","summary":"未来几年，算力的价格可能会暴涨十倍以上。 原因不在芯片厂，而在人力市场。 算力的定价逻辑，马上就要变了。 现在租算力怎么算钱？ 看电费、看折旧、看云服务商的机房成本。 这叫按“硬件成本”定价。 但如果我们顺着现在的趋势线往下推，假设明年年底，顶尖AI实验室的营收突破一万亿美元。…","body":"未来几年，算力的价格可能会暴涨十倍以上。\n原因不在芯片厂，而在人力市场。\n\n算力的定价逻辑，马上就要变了。\n现在租算力怎么算钱？\n看电费、看折旧、看云服务商的机房成本。\n这叫按“硬件成本”定价。\n\n但如果我们顺着现在的趋势线往下推，假设明年年底，顶尖AI实验室的营收突破一万亿美元。\n这笔钱从哪来？\n只能是因为AI真正达到了人类工程师的产出级别。\n\n到了那一步，事情就全变了。\n算力的价格，将不再由成本决定，而是由它能替代什么来决定。\n如果一张H100显卡，能稳定跑出一个普通程序员一年的活。\n它的租金锚点，就不再是云端服务器的报价单。\n而是硅谷人力市场的工资条。\n\n雇一个资深工程师要花多少钱？\n租一张同等产能的显卡又能省多少钱？\n当算力直接对标活生生的人，这十倍的涨价空间，就彻底打开了。","category":"其它","score":null,"translated_x_url":"https://x.com/i/status/2082621001548939362","translated_status_id":"2082621001548939362","published_at":"2026-07-29 22:56:49","created_at":"2026-07-30T00:48:34+02:00","url":"https://mubeitech.com/p/16549602","markdown_url":"https://mubeitech.com/p/16549602/markdown"},{"rank":5,"id":"2076433176906682449","account":"mubei","brand":"@mubei","title":"AI 竞赛真正的计分牌，不是模型跑分，是电力、机房和钱。 摩根士丹利的估算里，谷歌、亚马逊、微软、Meta 四家公司，2…","summary":"AI 竞赛真正的计分牌，不是模型跑分，是电力、机房和钱。 摩根士丹利的估算里，谷歌、亚马逊、微软、Meta 四家公司，2027 年合计资本开支可能冲到 1.018 万亿美元。 注意，是一年。 2024 年，这个数字还是 2500 亿美元。 2025 年预计 4130 亿美元。 2…","body":"AI 竞赛真正的计分牌，不是模型跑分，是电力、机房和钱。\n\n摩根士丹利的估算里，谷歌、亚马逊、微软、Meta 四家公司，2027 年合计资本开支可能冲到 1.018 万亿美元。\n\n注意，是一年。\n\n2024 年，这个数字还是 2500 亿美元。\n2025 年预计 4130 亿美元。\n2026 年预计 7370 亿美元。\n到 2027 年，直接越过 1 万亿美元。\n\n三年多时间，翻了 4 倍。\n这已经不像互联网公司扩张。\n更像一次重工业动员。\n\n拆开看更吓人。\n2027 年，亚马逊预计 2680 亿美元。\n微软 2760 亿美元。\n谷歌 2990 亿美元。\nMeta 1740 亿美元。\n\n四家公司一年烧掉的钱，接近一个中等大国的全年经济体量。\n而且这还不是为了多做几个 App。\n这是在买芯片、建数据中心、抢电力、铺 AI 时代的基础设施。\n\n另一个数字更直观。\n摩根士丹利估算，超大云厂商新增算力容量，2025 年约 6.7 吉瓦。\n2026 年升到 13.7 吉瓦。\n2027 年可能到 19.5 吉瓦。\n\n吉瓦是什么概念？\n这已经不是办公室插几排服务器。\n这是把 AI 当成电力工业来打。\n\n其中谷歌在 2027 年新增容量预计最高，约 6.8 吉瓦。\n亚马逊约 4.7 吉瓦。\n微软约 4.7 吉瓦。\nMeta 约 3.4 吉瓦。\n\n这也解释了为什么今天的 AI 竞争越来越不像软件竞争。\n模型当然重要。\n算法当然重要。\n但真正把差距拉开的，是谁能持续拿到电、土地、服务器、芯片、工程队和资本市场的信任。\n\n过去互联网的门槛，是流量。\n移动互联网的门槛，是入口。\nAI 时代的门槛，正在变成一座座数据中心和一张张电网接入许可。\n\n所以别只盯着谁发布了新模型。\n真正的战争在地下管线、变电站、机房钢架和资本开支表里。\n\nAI 最终拼的不是谁口号更大。\n是现代工业体系，能不能把钱、电和算力，连续几年压到同一个方向上。","category":"其它","score":null,"translated_x_url":"https://x.com/i/status/2076553447848005810","translated_status_id":"2076553447848005810","published_at":"2026-07-13 06:06:05","created_at":"2026-07-13T08:01:24+02:00","url":"https://mubeitech.com/p/2076433176906682449","markdown_url":"https://mubeitech.com/p/2076433176906682449/markdown"},{"rank":6,"id":"raw_2c1f8fabbc51352c","account":"mubei","brand":"@mubei","title":"来看一组刚在 All-In 峰会上公开的数据。 光 Google 一家公司，一个月就要处理大约 3.2 万亿亿个 tok…","summary":"来看一组刚在 All-In 峰会上公开的数据。 光 Google 一家公司，一个月就要处理大约 3.2 万亿亿个 token。 如果按每个 token 消耗 10 焦耳能量计算，这已经算是极省电的模型了。 把这个数字乘出来，Google 光是跑 AI，就需要 12 吉瓦的持续供电…","body":"来看一组刚在 All-In 峰会上公开的数据。\n光 Google 一家公司，一个月就要处理大约 3.2 万亿亿个 token。\n如果按每个 token 消耗 10 焦耳能量计算，这已经算是极省电的模型了。\n把这个数字乘出来，Google 光是跑 AI，就需要 12 吉瓦的持续供电。\n\n12 吉瓦是什么概念？\n全美国所有数据中心的总用电容量，加起来也就 40 吉瓦出头。\n一家公司的 AI 业务，直接吞掉全美近三分之一的数据中心电力。\n现在去建数据中心，最值钱的早就不再是地皮或者机架。\n哪怕用户只是在对话框里敲下一句话，成本里整整 50% 纯粹是在交电费。\n照这个速度跑下去，业内估计最多三年，现有的电网就会被活活吸干。\n\n这时候悲观派跑出来喊了：\nAI 的扩张必然撞上物理电网的硬墙，我们很快就要无电可用了。\n\n真的吗？\n大自然可不这么认为。\n人类的大脑能写诗、能推理、能做复杂的科学研究。\n它满负荷运转需要多少功率？\n20 瓦。\n一盏普通床头灯的电量。\n\n动物就更离谱了。\n一只猴子的大脑功率大约 1 瓦，跟你兜里的智能手机差不多。\n一只松鼠在树枝之间闪转腾挪，跳一千次能准准落上一千次。\n控制这种精密身体动作的松鼠大脑，功率只有 8 毫瓦。\n把你手机里的电量分一分，足够同时驱动一百多只松鼠的大脑。\n\n一边是 20 瓦就能运转的人类智慧；\n一边是跑几个模型就恨不得吃掉几座核电站的数据中心。\n为什么差距能大到十个数量级？\n\n曾经创办过全球第一家 AI 芯片公司、后来又去读了神经科学博士的纳芬·拉奥（Naveen Rao），在峰会上把账算了一遍。\n从 1945 年第一台电子计算机 ENIAC 诞生开始，我们造计算机的方法就彻底搞错了。\n\n当年美军造 ENIAC，唯一的目的是为了快速计算火炮的弹道轨迹。\n设计者唯一关心的，就是它能不能比人工计算更快。\n至于耗多少电，当年根本没人考虑。\n于是约翰·冯·诺依曼定下了那套经典图纸：\n一边是负责计算的处理器，一边是负责存数据的内存，两边通过总线相连。\n这套存算分离的冯·诺依曼架构，统治了人类科技整整八十年。\n\n可这套架构跑别的东西还行，拿来跑现代 AI，简直就是一场灾难。\n在芯片内部，做一次微小的数学乘加，消耗的能量极其微弱。\n真正吃电的大老虎，是在处理器和内存之间来回搬运数据。\n现代 GPU 跑大模型，80% 以上的电量根本没有花在思考上。\n全是在导线上疯狂倒腾比特，白白把能量散成了废热。\n\n看一组对比就知道有多夸张：\n人类大脑皮层有 140 亿个神经元，每秒钟在神经元之间传递的信息，只有大约 160 亿个比特。\n而一块顶级的现代 GPU，每秒钟光是在芯片和内存之间搬运的数据，就高达近 30 万亿比特。\n导线里的电子在疯狂奔跑，能不把变电站给烧穿吗？\n\n那大自然的大脑又是怎么算的？\n脑子里可没有浮点数，也没有矩阵乘法。\n神经元本身既在存信息，又在做计算，完全没有内存总线这种中间商。\n大自然是用物理规律本身在做计算。\n\n拉奥的团队决定彻底掀桌子，造一台真正的物理动力学计算机。\n他们把这套逻辑做成了一个非常精巧的硅基系统。\n怎么理解这种机器？\n想象一下，把几个机械节拍器放在一块可以自由滑动的木板上。\n刚开始把它们拨动起来，每个摆锤晃动的节奏完全不一样，各摆各的。\n但因为它们都立在同一块木板上，每一次摆动都会给木板施加微弱的推力。\n不需要任何外力干涉，只要几十秒，所有节拍器就会全部步调一致，锁定在同一个相位里。\n\n这就是物理系统天然具备的耦合约振特性。\n它们不靠任何算法代码，光靠物理相互作用，自己就能找到系统的稳态。\n拉奥团队造出的芯片，就是由密集排列的硅基微型振荡器构成的网络。\n输入进去的数据不再是二进制的 0 和 1。\n数据变成了连续的波形。\n让电信号在振荡器网络里自发振荡、耦合、干涉。\n物理系统最终沉淀下来的相位状态，就是计算出来的答案。\n\n每一个振荡元件自身就是存储单元，彻底砍掉了外部内存接口。\n再加上三维晶圆堆叠技术与时间维度的连续演化，他们把这套架构称为四维计算。\n连矩阵乘法这个基础概念，在硬件底层都不存在了。\n\n听起来像科幻小说？\n今年 6 月 1 日，第一批芯片设计被送进晶圆厂。\n现在实物芯片已经回到了实验室，并且成功生成了第一批图像。\n实测功耗数据让整个行业为之一震：\n用这块芯片生成一张图片，只需要大约 500 纳焦耳的能量。\n传统顶级 GPU 跑同样的生成任务，耗能是在毫焦耳级别。\n纳焦耳是十亿分之一焦耳，毫焦耳是千分之一焦耳。\n能耗直接被砍掉了几千倍。\n\n如果算力的能耗门槛真能暴跌上千倍，未来的数据中心是不是就能少建了？\n历史给出的答案恰恰相反。\n早在 1865 年，英国经济学家杰文斯就记录过一个反直觉的现象：\n当瓦特改良了蒸汽机、让煤炭利用效率大幅飙升之后，英国的煤炭消耗量不仅没有减少，反而迎来了暴增。\n因为当核心资源的成本暴跌，全社会的需求会被指数级释放。\n这就是著名的杰文斯悖论。\n\n一旦能耗这堵高墙被物理动力学计算推倒，算力就会从昂贵的集中式变电站里解放出来。\n未来的 AI 不会把地球电网吸干。\n它们会像松鼠的大脑一样轻巧，钻进几十亿台机器人、传感器和便携设备里。\n这场看似窒息的能源危机，更像是大自然给出的一个提醒：\n八十年前那张给算盘提速的旧图纸，早就该翻篇了。","category":"其它","score":100,"translated_x_url":"https://x.com/i/status/2102314307631333801","translated_status_id":"2102314307631333801","published_at":"2026-09-22 10:19:34","created_at":"2026-09-22T10:19:34.238314","url":"https://mubeitech.com/p/raw_2c1f8fabbc51352c","markdown_url":"https://mubeitech.com/p/raw_2c1f8fabbc51352c/markdown"}]}