{"source":{"id":"raw_069abc370fda51ea","title":"问一次 AI 消耗的电量，现在只够把电视开 7 秒钟。 0.24 瓦时。 耗水 0.26 毫升，大约五滴水。 一年前，业…","url":"https://mubeitech.com/p/raw_069abc370fda51ea"},"method":"semantic-similarity","count":4,"items":[{"rank":1,"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"},{"rank":2,"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":3,"id":"raw_0e8aef41962acb70","account":"mubei","brand":"@mubei","title":"把大模型的显存占用砍掉四分之三，机房里的显卡反而被彻底挤爆了。 最新公布的测试里，每个 Token 占用的全局缓存，被一…","summary":"把大模型的显存占用砍掉四分之三，机房里的显卡反而被彻底挤爆了。 最新公布的测试里，每个 Token 占用的全局缓存，被一路压到了 890 个字节。 往前翻两代，这个数字是 389 千字节。 到了上一代，还有 3.5 千字节。 现在，它直接跌破了 1000 字节的大关。 不仅显存空…","body":"把大模型的显存占用砍掉四分之三，机房里的显卡反而被彻底挤爆了。\n最新公布的测试里，每个 Token 占用的全局缓存，被一路压到了 890 个字节。\n往前翻两代，这个数字是 389 千字节。\n到了上一代，还有 3.5 千字节。\n现在，它直接跌破了 1000 字节的大关。\n不仅显存空间省下了大半，在一百万字的长文本下，计算量几乎是一条水平的直线。\n华尔街的分析师看到这份数据，当场就坐不住了。\n既然算法团队把显存消耗压缩到了这个地步，显卡上昂贵的高带宽内存，是不是很快就要失宠了？\n甚至有人开始公开断言：以后显卡不用再费劲堆叠 12 层内存，退回 8 层甚至 4 层就足够了。\n结果呢？\n各大云厂商的机房里，高带宽内存不仅没有闲下来，反而被抽得冒烟了。\n怎么会有这种怪事？\n省下来的那些显存，到底被谁吃掉了？\n要看懂这场反常的显存海啸，得先拆开显卡内部最尴尬的一道物理法则。\n大模型生成文字，每吐出一个字，在底层叫一步解码。\n这一步解码有多折腾？\n模型为了挑出下一个字，必须把整整 160 亿个激活参数，在显存总线上一根不落地完整拖拽一遍。\n算力核心真正做数学运算的时间，只有零点几毫秒。\n绝大部分时间，昂贵的高性能计算单元只能干坐在那里，傻等数据从显存搬运过来。\n业内管这叫极低的计算访存比。\n这就像一辆载重 16 吨的重型卡车，在高速公路上轰鸣着跑完全程，车厢里只运送了一张薄薄的小纸条。\n算力单元根本不缺运算速度，是路面上的总线带宽被彻底堵死了。\n算法工程师确实拿出了看家本领。\n他们用上了稀疏压缩注意力，配合滑动窗口的动态重放，把单次会话常驻的缓存体积削掉了八分之七。\n这确实解放了显存容量。\n一块原本只能同时装下 16 个用户会话的显卡，现在轻轻松松能塞进去 64 个。\n可是，机房的运维人员会把空出来的显存留白吗？\n商业世界的算盘绝不会允许算力闲置。\n既然单卡能装下的并发量翻了四倍，服务商的第一反应，就是立刻把 4 倍的用户请求狠狠塞进同一个机箱。\n显存的容量是省下来了。\n但芯片底座上的物理引脚没有变多，总线的读写频率没有翻倍。\n原本是 16 辆卡车在公路上跑，现在直接挤进去了 64 辆。\n每张显卡里每一吉字节的显存，在一秒钟内被请求读取的次数暴增。\n算法在容量上省下的每一分钱，都在总线带宽上被索要了四倍的过路费。\n如果只是人类用户在网页端提问，这种压力好歹还是线性增长的。\n真正把这台机器推向过载极限的，是模型自己的行为逻辑变了。\n去看一眼新一代推理模型的底层思维链，会发现一件耐人寻味的细节。\n当一个用户让模型写一个网页小游戏时，模型在内部的自我思考里，反反复复在琢磨一件事：\n我是不是该拉一个团队？\n我是不是该克隆出几个帮手协同来做？\n在过去，推理成本太高，模型只能像个孤独的打工人一样单兵作战。\n现在，单次生成一个 Token 的代价被打到了地板上。\n系统进化出来的最本能冲动，就是抛弃单打独斗，全面转向多智能体蜂群。\n你在前端只敲了一次回车。\n后台瞬间分化出一个负责拆解任务的主管、一个专门写界面的前端、一个审查逻辑的后端，外加一个跑测试的质检员。\n4 个智能体在同一台服务器里同时开工，来回互相对话、验证、纠错。\n只要跑起 4 个智能体，这套新模型每秒钟吃掉的高带宽内存吞吐量，就立刻反超了没做过压缩的旧模型。\n如果交给它一个极其复杂的工程，让它拉起 64 个智能体同时展开搜索和推演呢？\n整块显卡的内存带宽消耗，会瞬间冲破两年前那个笨重庞大的老架构。\n这一幕，在工业文明的历史上并不是第一次出现。\n1865 年，二十九岁的英国经济学家威廉·斯坦利·杰文斯，出版了一部轰动一时的专著《煤炭问题》。\n当时整个大英帝国都在焦虑，如果苏格兰工程师瓦特发明的改良蒸汽机普及开来，煤炭的燃烧效率大幅提升，英国的煤矿产业会不会因为需求萎缩而垮掉？\n杰文斯通过扎实的数据给出了一个完全反直觉的铁律：\n一种资源的利用效率越高，这种资源的总消耗量反而会越庞大。\n因为每一次效率的跃升，都会让这种资源的使用门槛呈断崖式下跌。\n它不仅不会消灭原本的煤炭消耗，反而会把蒸汽动力催生到原本根本用不起它的采矿、纺织、铁路和远洋货轮里。\n煤炭的绝对需求量，最终被放大了几百倍。\n经济学界把这个现象命名为杰文斯悖论。\n一百六十年后，数字世界把杰文斯的预言精准复刻到了晶圆上。\n从 389 千字节压到 890 字节的算法压缩，就是人工智能世界的蒸汽机改良。\n它从来没有给高带宽内存判死刑。\n它只是把单点思考的成本砸穿，把整个人类推向了智能体集群协作的门槛。\n只要机器学会了像人类团队那样分工协作，只要智能体开始在后台自发拉起数十个分身，物理总线上的每一次数据吞吐，就永远处于饥渴状态。\n算法把道路铺得越平，车流就越会以指数级的速度把它重新堵死。\n物理定律从来不会被代码轻易绕过去。\n它只是在更高的并发维度上，给那些试图看空硬件的人，重新补上了一张更加昂贵的账单。","category":"其它","score":100,"translated_x_url":"https://x.com/i/status/2098711306610131019","translated_status_id":"2098711306610131019","published_at":"2026-09-12 11:43:01","created_at":"2026-09-12T11:43:01.233502","url":"https://mubeitech.com/p/raw_0e8aef41962acb70","markdown_url":"https://mubeitech.com/p/raw_0e8aef41962acb70/markdown"},{"rank":4,"id":"raw_cf2d24b67b9bdbce","account":"mubei","brand":"@mubei","title":"给 AI 机房降温，用更烫的冷却水反而更省水？ 施耐德刚发了份算力中心的能耗报告。 他们拿 100 兆瓦的 AI 数据中…","summary":"给 AI 机房降温，用更烫的冷却水反而更省水？ 施耐德刚发了份算力中心的能耗报告。 他们拿 100 兆瓦的 AI 数据中心做测算，对比了从传统风冷到液冷系统的水耗和电耗。 大家直觉是冷却液温度越低越好。 但水温调得越低，机房背后的冷水机和蒸发塔就得拼命吞水吐雾。 把进水温度稍微放…","body":"给 AI 机房降温，用更烫的冷却水反而更省水？\n\n施耐德刚发了份算力中心的能耗报告。\n他们拿 100 兆瓦的 AI 数据中心做测算，对比了从传统风冷到液冷系统的水耗和电耗。\n\n大家直觉是冷却液温度越低越好。\n但水温调得越低，机房背后的冷水机和蒸发塔就得拼命吞水吐雾。\n把进水温度稍微放宽、允许冷却液以更高的温度循环，反而能直接省下大笔蒸发水耗。\n\n更有意思的是施耐德的屁股坐在哪。\n他们 2024 年刚花了重金收购液冷大厂 Motivair 七成五的股权，剩下的打算 2028 年全买下来。\n技术账算得极其严密，商业版图也早就提前铺好了。\n\n技术迭代往往就是这样，大家盯着算力卡跑多快，底下卖水冷管道的人已经把下个周期的底牌摸清了。","category":"其它","score":100,"translated_x_url":"https://x.com/i/status/2102281546866569468","translated_status_id":"2102281546866569468","published_at":"2026-09-22 06:48:13","created_at":"2026-09-22T06:48:13.739475","url":"https://mubeitech.com/p/raw_cf2d24b67b9bdbce","markdown_url":"https://mubeitech.com/p/raw_cf2d24b67b9bdbce/markdown"}]}