这篇并非专门聚焦于AI，所以，我没有写下“AI基础设施”的标题。
这篇也不会有太多理性和数据分析，这种“无聊”的工作，现在的AI已经完成的足够好了，我们不要“抢它的饭碗”。
所以，这篇，只是一个这段时间“见闻+突发事件”后的感想，虽然，AI和理性分析依然会占据不小的篇幅，但是，“启发点”和理性分析，是两个挺分界挺清晰的部分。
最近tik-tok上一段关于新加坡很“boring”（无聊）的采访视频引起了很多争论，我绝对同意这个评价，作为一个六百万人口，占地面积又很小的高度现代化的城市（也是国家），高效、边界清晰的结果就是很“无聊”。几乎一切理性和目标导向明确带来的结果可能都是无聊性，作为AI基础的神经网络，日复一日的工作内容，等等。
另一个有争论的可能是最近最令人悲伤的事件：德州洪水，如今遇难者已经超过了100人。也许文化与信仰不同，但是无论是天灾还是人祸，听到“an act of God”这样的“官方”回复时，总是心里不太是滋味。当然，我们至少可以有一个初步的结论，因为成本等问题，在受灾最重的county，报警设施是落后的。
我把这两个事件关联在一起，是因为这让我回想起几年前看过的一本叫做《规模》的书，作者用了很大的篇幅在讲述关于大城市规模效应的研究上，“1/4幂次方”关系也让我印象深刻（为了准确，我又去查了一下书，生物上是1/4关系，即随着生物体重量的增长，能量节省大概是25%，这个数字对于一个城市或者公司，大概是15%）。
理性的放回到上面两个事件的关系上，大城市可以有更高的效率，更低的成本，但是也会有更多的压力，更多的无聊感，而小镇（我知道读者中有不少美国IP，我也知道county这个概念与大小没有直接关系，所以说成“小镇”可能会合适一点）就会面对更高的成本，更低的效率。当然，如果聚焦于自然灾害，我们也可以这样去分析：因为一旦发生自然灾害，大城市面对的损失风险远远超过“小镇”，就更有动力去完善报警系统，紧急响应机制等一系列“基础设施”。
某种程度上，城市越大，需要的管理水平就越高，规则和教条化的设定就越多，更高的效率某种程度上跟“无聊”的体感就是正相关的。
人大概基本都逃不开在效率（收益）、成本、“无聊感”之间做平衡。如果纯从自己的主观感受出发，我还会有一个另一维度的考量，因为本身性格和年龄增长的原因，我会愿意接受越来越多的“无聊比例”，这会使我可以以更低的成本和精神消耗存在着，也可以让我更会去珍惜占比不大的“有趣”。
或许，现代人就是需要更多更丰富的“基础设施”来支撑自己的。
昨天，同样让Gemini做了关于这次高温与电网压力（欧美）的研究。它返回的一张图和“solar cliff”的提法虽然不算新鲜，但可能对不少人而言，也会觉得有点意思。
时值《纽约时报》（对的，它依然还是我重要的严肃信息来源，虽然我承认它的报道倾向性越来越严重）前段时间有一篇关于中美在能源基础设施建设上的不同道路的深度报道（尤其是在“大美丽法案”通过后的“新能源VS传统能源”）。
刚刚重新简单回顾一下《规模》这本书给我带来了一个额外的好处：更坚定了“无论技术如何进步，能源需求只会随着人类社会发展越来越高，而不会下降”的观点。
我对于绿能还是化石能源没有什么倾向性，对于“气候变暖”与“碳排放”的关系我也没什么“执念”。但我对技术进步有“执念”，尽管技术进步的方向都是挺“无聊”的，但是“绿电”融入了大量新技术，并且还在不断更新迭代，传统能源呢？我了解很少，但是这种成熟了很久的技术应该进步速度至少的变得很缓慢的。
我依然还是一个偏好燃油车远甚于“电动车”的“守旧派”。但是，我也清楚，无论是智能驾驶还是辅助驾驶，更多人喜欢的现代化的“智能坐舱”的感觉，驱动它们的是“电”，燃油发动机当然也可以转换成“电能”去驱动，但显然，这个系统会复杂的多，研发和使用成本甚至可能远高于“纯电系统”。
这还是一个“基础设施”。但是跟规模关系小一点，是关于“新”和“旧”的。换个例子，同样地段，差不多品质和配套的新房与十年房龄的“次新房”，理性人大概都愿意为新房付出些溢价，不同的只是多和少的问题。大体上，新总比旧要好一点。
终于要回到AI了，我要写的第三个“基础设施”，但是这跟前面两个，又不太一样，虽然它既有规模的维度（scaling law），又有“新旧”的维度（老的数据中心和算力芯片都不能满足新的模型需求）。但根本上，它可能是一个物理世界与数字世界的维度。
当然，关于这个话题，过去的文章讨论了很多，所以也不需要铺垫，推导了。可以直接到结论：AI开启的并非我们人类标准的“智能世界”，但就是一个完全不同的“数字世界”和“计算世界”，对于应用而言，模型就是“基础设施”；对于模型而言，算力就是“基础设施”；而对于算力而言，“硅片”就是“基础设施”。
第三个，我本来想写“能源”，但是转念一想有点无聊，也不太合适：“硅片”可能会更合适一点：同样的面积下能够容纳多少二极管？提高多少计算带宽？增加多少能耗？排放多少热量？
这些构成了一个复杂的trade-off。这些，而不是什么“算法”，才是技术前进的根本动力。如果说，还有一个动力的话，那就是“数据”（但它其实很抽象，好吗？）。
如果说前面两个“基础设施”（大城市，能源）都很长期化的话，AI的基础设施要来的与投资的时间周期更匹配：制程提高带来的算力提升效果是否已经差不多见顶了？单位体积里扔进去更多的算力和内存（发热源），散热真的会被按时解决吗？百万个GPU的数据中心真的可以在预计的时间里实现吗？
这些才是影响更大的基础性因素，而不是“训练不需要那么多卡了”，“推理对卡的要求低”，“模型优化降低算力需求”。
第三个“基础设施”当然都会被一一搞定，只是进程的快慢扰动着人心而已。