Uniquezx Weekly 005：AI 算力越多，真的就越强吗？

触发：我这周开始认真看 AI 算力这件事

之前我关注 AI，更多还是从模型和应用层看。

比如模型能不能写代码，能不能生成图片，能不能处理长上下文，能不能成为真正的 Agent。过去几期周刊里，我也一直在思考模型能力、工作流、代码库结构和应用层机会。

但这周我开始把注意力往下挪了一层，认真看了一些关于全球 AI 算力发展的资料。

看完以后，我越来越感觉到，AI 正在从一个软件问题，逐渐变成一个完整的基础设施问题。

以前我们聊 AI，可能首先想到的是模型参数、训练数据和产品体验。现在这些当然仍然重要，但模型背后的 GPU、HBM、服务器、网络、电力、散热、数据中心、芯片互联和软件生态，已经开始直接决定 AI 能不能真正规模化运行。

我还同时看到了基因编辑相关的报道。一个是机器的底层计算能力，另一个是对生命底层代码的修改能力。它们并不属于同一个行业，但都让我意识到，技术发展到一定阶段之后，问题就不再只是“能不能做到”，还包括“应该不应该做”“谁可以做”“谁来承担结果”。

一、AI 竞争正在从模型竞争进入算力竞争

大模型为什么越来越像一场高投入游戏

现在的大模型，确实越来越像一场高投入的游戏。

模型需要持续买卡、准备数据、训练、评估、再训练，然后发布新版本。模型能力提升以后，推理服务又会带来大量新的算力需求。

如果没有大规模资金和基础设施投入，很多事情确实很难玩下去。

这也是为什么我现在不太会只看一个模型的榜单排名。模型的表现当然重要，但榜单背后其实还有一整条链路：

训练阶段有没有足够的算力和高质量数据
模型架构是否能把硬件效率发挥出来
训练集群之间的通信是否足够快
推理时的显存占用、延迟和成本能不能接受
模型是否有稳定的开发工具、部署环境和应用生态

Scaling Law 仍然是理解这件事的重要入口。简单说，随着模型规模、训练数据和计算量增加，模型性能通常会按照相对可预测的方式提升。

但我现在不太愿意再把 Scaling Law 说成“只要钱、卡和数据够了，迟早就能追上”。这种说法还是太粗了。

Scaling Law 更像一种性能增长规律，它不能自动抹平架构差异，也不能替代数据质量、训练方法、后训练、推理优化、工程效率和产品分发。算力可以扩大很多能力，但怎么把算力用好，仍然需要大量工程工作。

所以我现在更倾向于这样理解：

算力是 AI 发展的必要条件，但算力本身不等于最终能力。

算力需求不只来自模型训练

AI 算力的需求，也不只是训练大模型。

训练当然需要大量 GPU，但推理的需求可能更加长期。一个模型训练完成以后，只要它被大量用户调用，就需要持续消耗算力。

除了云端推理，还有很多场景会继续增加算力需求：

手机、电脑和其他终端设备上的本地 AI
自动驾驶和机器人
科学计算和工程模拟
医疗影像和药物研发
工业检测和生产调度
地球系统、天气预测和环境监测
企业内部知识库、代码库和 Agent 工作流

这意味着算力并不是短期的模型训练成本，而是可能逐渐变成一种长期基础资源。

AI 可能会像互联网一样，先由少数公司使用大规模基础设施，然后逐渐向更多行业扩散。等到 AI 真正进入生产系统之后，推理、检索、工具调用和实时决策带来的算力需求，可能比很多人现在想象的更持久。

二、算力中心到底在解决什么问题

Scale Up 和 Scale Out

构建 AI 算力中心，通常有两种思路。

一种是 Scale Up，也就是提升单台机器或者单个节点的能力。比如使用更强的 GPU、更大的显存、更快的内存和更高效的本地互联，让单机完成更多计算。

另一种是 Scale Out，也就是不断增加机器数量，把更多节点连接成一个集群。单台机器不够，就通过网络把成百上千台机器组合起来。

Scale Up 追求单机的极致性能，Scale Out 追求整体规模和扩展能力。两种方式并不冲突，真正的大模型训练和推理系统通常需要同时考虑这两件事。

但机器数量增加以后，问题也会变得更复杂。

如果只是增加 GPU，却没有足够快的网络和芯片互联，GPU 就可能在等待数据。算力越大，通信和同步的成本也越高。最后决定系统效率的，可能不再是单个芯片理论上能跑多少，而是整套集群能不能持续保持高利用率。

这也是为什么高速互联越来越重要。GPU 之间要交换参数、同步状态和传输数据，节点之间的通信效率会直接影响训练速度和推理吞吐。

AI 软件栈同样重要

我以前也会下意识地把芯片理解成硬件问题，后来才意识到，AI 芯片真正的竞争并不只是看芯片本身。

从上到下，至少还有这些东西：

AI 框架
编译器
算子库
驱动
通信库
调度系统
模型部署工具
监控和运维工具

算子库是连接 AI 框架和底层硬件的重要桥梁。模型里的矩阵乘法、卷积、归一化、注意力等操作，最终都需要被转换成硬件可以高效执行的算子。

如果芯片理论算力很高，但算子库不完整，开发者没有成熟的框架支持，模型迁移成本很高，那么硬件性能就很难真正发挥出来。

这也是 NVIDIA 长期优势很深的原因之一。NVIDIA 当然有强大的 GPU，但它真正建立的并不是一块芯片，而是 CUDA、编译工具、开发框架、算子库、通信技术和开发者习惯组成的一整套生态。

芯片性能也许会被追赶，但开发者工具链和软件生态一旦形成，替代它就不会只是重新设计一块芯片这么简单。

CUDA 对 NVIDIA 的意义，有点像 Windows 对微软、iOS 对苹果的意义。它不一定是唯一的技术路径，但它已经成为大量开发者和企业习惯使用的路径。

HBM、KV Cache 和推理效率

AI 芯片的另一个关键部分是 HBM，也就是高带宽内存。

大模型需要处理大量参数和上下文，很多时候，芯片算力不一定是唯一瓶颈，数据能不能足够快地送到计算单元，同样会决定实际性能。

在很多 AI 场景里，内存带宽和显存容量会直接影响模型能不能运行、能处理多长的上下文，以及推理时能达到多高的吞吐量。

推理阶段还需要关注 KV Cache。

模型生成内容时，会不断使用前面已经计算过的 Key 和 Value。如果每生成一个 Token 都重新计算全部历史内容，成本会非常高。KV Cache 会把已经计算过的中间结果保存下来，后续直接复用，从而减少重复计算。

它带来的问题是显存占用会随着上下文长度和并发数量增长，所以推理优化不仅要减少计算量，也要减少缓存占用。

这也是为什么我觉得，未来评价一个 AI 系统，不能只看模型“聪不聪明”，还需要看：

TTFT，也就是用户发出请求后，看到第一个 Token 的时间
Token 吞吐量，也就是系统单位时间能生成多少 Token
并发能力
显存占用
单次请求成本
长上下文下的稳定性

这些东西最终都会变成用户体验。用户不一定知道模型使用了什么架构，但会直接感受到它响应快不快、能不能持续输出、价格贵不贵、长任务会不会卡住。

三、GPU 之外，未来可能是异构计算

现在很多 AI 计算主要依赖 GPU，因为 GPU 适合大规模并行计算。

但未来的计算系统不会只依赖一种芯片，可能会越来越像一个异构系统：

CPU 负责通用控制和复杂逻辑
GPU 负责大规模并行计算
NPU 负责终端设备上的神经网络计算
DPU 负责数据处理、网络和存储卸载
其他专用芯片负责特定模型和特定算子

训练阶段和推理阶段的需求也不完全一样。

训练阶段需要大量算力，让模型通过海量数据不断更新参数。推理阶段更关心成本、延迟、功耗、稳定性和并发。一个训练很强的模型，如果推理成本太高，也不一定能进入大量真实场景。

所以未来的竞争可能不会只是“谁的 GPU 更大”，而是“谁能把 CPU、GPU、NPU、DPU、存储、网络和软件栈组合得更高效”。

这也是 AI 工作站和 AI 服务器开始受到关注的原因。

以前普通开发者一台电脑就能完成绝大部分开发工作，代码编写、数据库运行和部署调试都可以在本地完成。AI 之后，本地算力的重要性变得更明显了。

一个开发者可能需要考虑：

模型放在本地还是云端
显存够不够
量化以后精度和速度如何
推理成本能不能接受
哪些任务适合本地运行
哪些任务必须交给远程集群

这让我想到，AI 工程师可能会越来越像以前的全栈工程师。

以前的全栈工程师不只是写前端，也不只是写后端，而是要理解一条完整链路。未来的 AI 工程师可能也不只是调用 API，而是要理解从模型、推理框架、显存、网络一直到部署成本的完整链路。

对我这种平时做全栈开发、跨端开发和项目交付的人来说，这个变化其实很现实。以后即使不去设计芯片，也需要知道模型运行在哪，算力为什么会成为瓶颈，怎么把成本压下来，以及怎样把 AI 放进真实业务。

四、AI 算力正在进入具体行业

AI 算力真正有价值的地方，还是要看它能不能进入具体领域，而不是只停留在数据中心和模型发布会里。

现在比较值得关注的方向包括科学智能、合成生物学、地球与环境科学、遥感、材料科学、机器人和自动驾驶。

科学智能：从计算模拟走向干湿闭环

科学智能是我觉得最有长期价值的应用方向之一。

传统科研通常依赖理论推导、实验验证和经验积累。研究人员先提出一个假设，然后设计实验，再根据实验结果调整方向。这个过程很重要，但周期通常很长，成本也很高。

AI 正在推动一种新的科研模式，也就是“干湿闭环”。

所谓干实验室，主要是利用 AI 模型进行计算模拟、方案生成和候选筛选。比如生成分子结构、预测蛋白质序列、设计材料配方。

湿实验室则是把这些候选方案放到真实世界里验证，比如化学合成、细胞实验、材料测试和生物实验。

实验结果再重新进入数据库，继续反馈给模型。模型提出新的假设，自动化设备完成实验，实验数据继续训练模型，整个过程形成循环。

可以把它理解成：

AI 提出方案，实验验证方案，结果反过来改进 AI。

这种方式把计算和实验连接起来，可能会改变药物研发、材料发现和生命科学研究的流程。

合成生物学：探索序列、结构和功能

在合成生物学领域，AI 需要处理的是非常复杂的“序列、结构、功能”关系。

通过大规模生物数据训练，多任务学习和生成式模型可以帮助研究人员做蛋白质设计、基因编辑和药物研发。

AlphaFold 3 就是一个比较有代表性的例子。相比早期主要预测蛋白质结构的系统，AlphaFold 3 尝试统一建模蛋白质、核酸、小分子和离子之间的相互作用。

它的意义不只是“把结构预测得更准”，而是帮助研究人员理解不同生物分子之间如何结合和作用。

如果模型能先筛掉大量不可能的候选结构，实验室就可以把资源集中在更有希望的方案上。

地球与环境科学：用 AI 加速复杂系统预测

地球系统非常复杂。

天气、海洋、气候和环境变化都涉及大量变量，传统数值模拟往往需要非常多的计算资源。AI 可以结合卫星遥感、气象观测和地理数据，提升天气预测、灾害监测和环境模拟的效率。

NVIDIA Earth-2 就是在做这类事情。FourCastNet3 等模型使用大规模 GPU 集群进行全球天气预测，希望在保持精度的同时降低预测时间和计算成本。

这类模型对普通用户可能不太直观，但它们的结果会影响灾害预警、农业、能源调度和城市管理。

以前很多科学计算需要等待很久，现在如果 AI 能把部分复杂计算提前完成，就有可能让预测从“事后解释”更多变成“提前决策”。

遥感智能：从人工解译到多模态理解

遥感行业同样需要大量算力。

卫星图像不只是普通照片，还可能包括光学、SAR、红外等多种数据。不同传感器的数据在分辨率、成像方式和信息结构上都不一样。

过去很多工作依赖专业人员人工解译，效率和规模都有限。

现在通过多模态模型，可以完成：

目标检测
地物分类
灾害识别
环境评估
自动图像描述
专业问答

SatMAE 这类模型尝试利用掩码自编码器处理遥感影像，缓解遥感数据标注不足的问题。EarthGPT 则尝试将视觉语言模型用于遥感图像理解、自动描述和专业问答。

这类应用真正困难的地方，不只是模型能不能识别图片，还包括数据是否持续更新、不同地区是否适用、结果能不能被专业人员验证。

材料科学：让材料发现从试错走向预测

材料研发长期面临几个问题：实验周期长、成本高、可探索的组合空间太大。

过去研究人员通常需要不断设计材料、做实验、测试性能，再根据结果调整。这种方式很难快速覆盖巨大的候选空间。

AI 可以先通过生成式模型预测材料结构和性能，再筛选出更值得实验验证的方案。

Microsoft 提出的 MatterGen，就尝试使用扩散模型生成新的无机材料结构，并通过物理约束提升结构稳定性。

MatterChat 则尝试把材料结构数据和大语言模型结合，用于材料性能预测、科学问答和实验方案辅助设计。

这类系统不会直接替代实验室，但可能让实验室少走一些弯路，把有限的时间和设备用在更有希望的方向上。

五、模型架构也在改变算力消耗方式

如果 AI 只靠不断增加 GPU 数量，成本和能源压力都会越来越大，所以模型架构本身也在努力提高算力利用率。

DeepSeek-V4 的方向：让长上下文变得更便宜

DeepSeek-V4 这一代模型让我比较感兴趣的地方，不只是模型参数规模，而是它对长上下文效率的处理。

它采用了 CSA 和 HCA 两种注意力机制。

CSA 是 Compressed Sparse Attention，可以理解为压缩后的稀疏注意力。它先对历史上下文进行压缩，再通过索引筛选出更值得关注的内容，避免每一次都对全部历史 Token 做完整计算。

HCA 是 Heavily Compressed Attention，会进行更激进的压缩，保留更粗粒度的全局信息，从而减少 KV Cache 的规模。

两种机制配合起来，大致可以理解为：

CSA 负责在压缩后的内容里寻找重点
HCA 负责用更低成本保留长上下文的整体信息
滑动窗口负责保留最近内容的细节

这类设计说明，模型效率不一定只靠增加硬件，也可以靠改进模型如何阅读和保存上下文。

对 Agent 来说，这件事尤其重要。

Agent 需要读取代码库、文档、任务历史和工具调用结果。如果每一次都把全部内容重新读一遍，成本会非常高。长上下文能力只有在成本和延迟都能控制的情况下，才真正适合进入长任务工作流。

所以我现在会把 DeepSeek-V4 看成一个模型效率方向的样本。它提醒我，AI 竞争不是简单地比谁拥有更多 GPU，也要比谁能让同样的 GPU 完成更多有效工作。

六、能源可能成为算力扩张的现实边界

算力中心继续扩张以后，最现实的问题之一就是电。

IEA 的判断是，全球数据中心用电量到 2030 年可能从 2025 年的约 485 TWh 增长到约 950 TWh，接近翻倍。AI 专用数据中心的用电增长速度还会更快。

这个数字让我意识到，AI 发展和能源系统之间的关系会越来越紧。

一个数据中心不只是买服务器就可以运行，还要解决：

电力供应
电网接入
冷却系统
土地和机房
网络连接
设备维护
碳排放和水资源

AI 算力中心的建设周期，也可能被电网和能源设备限制。如果机房已经建好，却没有足够稳定的电力接入，GPU 也只能闲在那里。

风光储一体化

短期来看，风电、光伏和储能会继续成为重要方向。

光伏和风电的成本已经下降，但它们有波动问题。白天和晚上不一样，晴天和阴天不一样，季节之间也不一样。

储能系统可以缓冲这些波动，让算力中心在电力高峰和低谷之间进行调节。

可能出现的组合包括：

光伏加储能
风电加储能
风光储一体化
水电和光伏互补

但新能源并不是简单装上几块光伏板就能解决问题，数据中心需要的是稳定、连续、可调度的电力。

核能和小型模块化反应堆

中期来看，核能可能成为高耗电数据中心关注的能源来源。

核能的特点是供电稳定、可以长时间连续运行，而且碳排放相对较低。小型模块化反应堆，也就是 SMR，理论上比传统大型核电站更灵活，未来可能靠近工业园区和大型数据中心部署。

当然，这里面还有安全、审批、建设周期和公众接受度等问题。它不会很快成为所有数据中心的标准答案，但会成为 AI 基础设施讨论里越来越重要的一部分。

氢能和长期储能

氢能更像一个长期方向。

一种设想是，利用光伏和风电产生的电力制氢，在电力不足时通过燃料电池重新发电。

它有机会解决新能源跨天、跨周甚至跨季节储能的问题，但目前成本、效率、储运和基础设施都还需要继续发展。

所以我不会把氢能写成已经成熟的方案，更愿意把它当成算力中心能源体系里的长期探索。

七、太空算力可能会成为下一种基础设施想象

当大家都在地面建设数据中心时，太空算力也开始成为一个很有想象力的方向。

地面数据中心面对的问题包括：

电力供应压力
散热压力
土地资源限制
能源成本增加
建设周期过长

太空环境拥有长时间太阳能供电和相对充足的空间资源，也有人认为真空环境可以帮助散热。

一些企业已经开始探索把计算资源部署到轨道上，未来甚至可能形成：

卫星算力节点、星间通信网络、全球轨道计算集群。

但我觉得太空算力目前更适合被看成基础设施探索，而不是近期就能替代地面数据中心的现实方案。

它还需要解决：

发射成本
设备可靠性
辐射环境
数据传输延迟
在轨维护
设备更换
轨道资源和监管

如果数据本身还要频繁往返地面，太空算力是否真的划算，也要看具体场景。它可能更适合处理不需要低延迟交互、但可以在轨道上持续运行的任务。

八、算网融合：让算力像资源一样被调度

传统互联网连接的是数据。

未来的算网融合，可能连接的是计算能力。

它想解决的问题是：不同地区、不同云厂商、不同类型的 GPU 和专用芯片，能不能被发现、调度和组合使用。

理想状态下，算力应该像水、电和网络一样，用户不需要关心具体是哪一台机器，只需要根据任务需要选择合适的计算资源。

算网融合大致包括几层：

算网基础设施层

这一层负责网络连接、算力传输、节点通信和跨区域连接。

算力资源层

这一层负责算力发现、资源登记、任务调度、跨区域协同和异构资源管理。

应用调度层

这一层根据任务类型决定把任务放到哪里运行。

比如：

对延迟要求高的任务放在本地或边缘节点
需要大量 GPU 的训练任务放到大型集群
对数据安全要求高的任务放在企业私有环境
对成本敏感的推理任务放到价格更低的资源池

中国目前也在推动全国一体化算力网建设，运营商和云厂商都在探索算力网络、算力互联和智算互联网等方向。

我觉得这条路线比较适合中国的基础设施特点。中国的算力资源、能源资源和数据中心分布并不完全一致，如何通过网络把不同地方的算力连接起来，是一个很现实的问题。

未来如果算网融合发展起来，开发者可能不再只关心“我买了哪张卡”，而是关心“我的任务应该被调度到什么样的算力节点”。

九、从个人开发者角度看，我需要补什么能力

看完这些内容以后，我并没有觉得自己需要马上去买一台昂贵的 AI 服务器。

对普通开发者来说，单纯追硬件并不一定有意义。硬件更新很快，价格也不低，很多模型本地运行的成本未必比云端更划算。

但我觉得，理解整个 AI 技术栈还是很有必要的。

至少需要知道：

模型为什么需要算力
训练和推理的区别是什么
显存、内存带宽和 KV Cache 会影响什么
GPU、NPU、DPU 分别适合解决什么问题
为什么芯片生态和软件工具链同样重要
为什么一个模型在实验室里很强，到了真实业务里却可能很贵
为什么 AI 产品最后会被电力、网络和部署成本限制

我平时做 Vue、Next.js、Flutter、微信小程序，也会处理后端、数据库、部署和支付。以前我会把这些内容看成不同的技术模块，AI 之后，它们开始慢慢连接起来。

一个真正的 AI 产品，很可能需要同时理解模型、前端体验、后端工作流、数据库、部署环境、成本和用户反馈。

这也是我觉得 AI 工程师可能越来越像全栈工程师的原因。

未来真正有竞争力的人，可能不是只会调用某个模型 API，而是能把模型、软件、数据和基础设施连接起来，并且知道怎样把它们放进一个真实可运行的系统。

十、另一件让我不安的事：基因编辑开始碰到人的生命边界

这一周我还看了基因编辑相关的报道。

2026 年 7 月，Science 披露了一起中国基因编辑临床研究相关的死亡事件。一名患有 Snijders Blok-Campeau 综合征的 6 岁女童接受了基因编辑治疗，之后出现严重不良反应并死亡。

报道提到，涉事医院曾进行内部评估，认为女童死亡与治疗存在关联。7 月 26 日，上海交通大学医学院发布情况说明，表示已经成立专项工作组，对相关事件进行全面调查。

这里需要把事实和判断分开。事件的具体因果关系、研究过程是否符合规范、责任应该如何认定，还需要等待调查结果。我不想在调查结束前把所有责任直接归到某个研究团队身上。

但这件事本身已经足够让我重新思考基因编辑。

这个疾病由单个 DNA 碱基突变导致，可能表现为头围异常增大和不同程度的智力障碍。基因编辑治疗的目标，是尝试修复神经元中的突变基因，让患者重新表达关键蛋白。

从治疗角度看，这个方向非常有吸引力。

如果一个孩子因为罕见遗传病承受痛苦，而基因编辑有可能帮助他恢复部分功能，我很难简单地说这种技术不应该发展。

我不是天然反技术，也不是认为基因工程本身违背自然就应该被禁止。

但我会害怕另一种情况：治疗和增强之间的边界越来越模糊。

十一、治疗和增强不是一回事

如果基因编辑用于治疗严重遗传疾病，我能理解它的医学价值。

但如果未来基因编辑变成一种可购买的能力增强服务，问题就会完全不同。

假如一个富豪可以说：

我愿意花 1000 万，我希望我的孩子更聪明、更高、更漂亮、更强壮。

然后通过基因编辑让孩子获得：

更高概率的高智力
更好的身体素质
某些外貌特征
更低的患病风险

那么社会可能会出现一种新的不平等：

富人可以购买基因优化
普通人只能接受自然出生
父母可以替孩子做不可逆的生命选择
孩子长大以后，却可能并不认同当初的选择

这个问题让我很难受的地方在于，孩子没有办法在出生前表达自己的意见。

监护人可以替孩子做很多医疗决定，这是现实社会的基础制度。但基因编辑一旦从治疗疾病进入能力增强，就不再只是一次普通医疗选择，而是对一个人的身体、性格、能力和未来进行提前设计。

监护人凭什么可以直接替另一个人决定这些？

即使父母认为这是为了孩子好，也无法保证这个孩子长大以后会认同这种设计。

十二、体细胞治疗和生殖系编辑也需要分开讨论

我之前看到关于基因编辑的内容时，容易把所有事情混在一起，统称为“改变基因”。

但更准确地说，体细胞治疗和生殖系编辑不是同一件事。

体细胞治疗主要影响接受治疗的这个人，改变一般不会遗传给下一代。

生殖系编辑则可能影响后代。它一旦发生，受影响的人不只是接受治疗的那个人，还包括未来可能出生的后代。

这会让风险变得更复杂。

接受治疗的人可以在一定程度上表达同意，但还没有出生的后代无法表达同意，也无法提前承担或拒绝这项选择。

因此，基因编辑的伦理问题不能只看技术成功率，还要看：

风险是否可逆
影响是否会传给下一代
接受者是否具备真实的知情同意能力
监护人是否有权替未成年人做这种不可逆决定
未来是否会出现只有富人才能使用的增强技术
社会是否有能力防止技术扩大既有不平等

这些问题比“能不能编辑”更难。

十三、我最后把两件事放在一起看

AI 算力和基因编辑，表面上完全不是一回事。

算力关心的是：

机器能不能更快
模型能不能更便宜地运行
电力和基础设施能不能跟上
计算资源应该怎么分配

基因编辑关心的是：

人能不能修改生命底层代码
什么时候属于治疗
什么时候变成增强
谁可以替另一个人做不可逆决定

但它们最后都指向一个问题：

底层能力变强以后，使用规则和边界能不能跟上。

对 AI 来说，如果只追求更多 GPU，却不考虑能源、成本、数据安全和资源分配，算力扩张可能会带来新的问题。

对基因编辑来说，如果只看到疾病治疗的希望，却不提前讨论增强、遗传、不平等和同意，技术可能会在商业化以后迅速进入一个很难控制的方向。

我的判断：能力升级不自动等于进步

这周我对 AI 算力的看法更具体了一点。

我不认为未来的 AI 竞争只是“谁拥有更多 GPU”。真正的竞争会发生在完整系统里：

芯片是否足够强
内存和互联是否跟得上
软件生态是否成熟
模型是否足够高效
能源供应是否稳定
算力是否可以被调度
最终产品是否能把算力转化为真实价值

我也不认为所有基因编辑都应该被拒绝。

对于治疗严重疾病，我能理解，也愿意支持。

但对于把孩子当成一组可以购买和优化的参数，我会非常谨慎。尤其当这种技术只有少数富人能够使用时，它很可能不仅改变个体，也会重新划分社会。

技术能力可以继续发展，但规则不能永远等到事故发生之后才开始建立。

开放问题

我现在还没有最终答案，但有几个问题会继续关注：

AI 算力继续增长时，最先成为硬约束的会是 GPU、内存、互联、电力，还是软件生态？
当算力中心的用电需求不断上升，新能源、核能和传统能源会如何组合？
DeepSeek-V4 这类模型架构优化，能不能真正抵消一部分算力扩张，还是只会让更多应用变得可行，从而创造新的算力需求？
算网融合最终会不会像云计算一样，成为开发者不需要直接管理、但每天都在使用的基础设施？
基因编辑进入更多临床研究以后，治疗和增强的边界由谁来划？
如果未来真的出现基因增强服务，监护人是否有权替孩子做不可逆的生命设计？
如果技术能力只能被少数人购买，它带来的究竟是普惠，还是新的阶层分化？

我这周最强烈的感受是，技术越接近底层，越不能只用“能不能做”来判断它的价值。

算力要回答的是，怎样把资源用得更有效。

基因编辑要回答的是，怎样在希望和风险之间保持边界。

而我作为一个开发者，可能也需要慢慢从“会不会调用工具”，走向“能不能理解工具背后的系统，以及它会把我们带到哪里”。