01
集中式扩展正遭遇基础设施限制。
电力供应正成为关键约束，而水资源使用、污染、传输成本以及当地反对意见已超出数据中心围墙。
集中式人工智能正在消耗越来越多的电力、水资源、资本和公众耐心。另一条路径始于一个不同的问题：不是“下一个词是什么？”，而是“下一个值得尝试的操作是什么？”
电力供应正成为关键约束，而水资源使用、污染、传输成本以及当地反对意见已超出数据中心围墙。
消费级硬件和企业设备群中存在闲置容量。Folding@home 证明了协调的志愿者机器可以实现非凡的分布式计算规模。
理查德·萨顿和杨·勒昆认为，智能需要目标、经验、世界模型和后果，而不仅仅是更大的文本预测系统。
Gartner 的估计，高于 2025 年的 447 太瓦时。
GARTNER ↗Rystad Energy 对直接冷却水的估计。若不采取适应性措施，其风险中心情景到 2030 年将接近 6440 亿升。
RYSTAD ENERGY ↗从 2024/25 年的每兆瓦日 28.92 美元上升至 2027/28 年的每兆瓦日 333.44 美元。
PJM ↗布鲁金斯经济活动论文预测，建筑、电力、网络和芯片领域的平均投资将占美国 GDP 的 3.63%。这是某篇论文的模型预测，而非已承诺支出或机构预测。
BROOKINGS ↗太瓦时 · 零基准 · 2025 至 2026
太瓦时 · 零基准 · 2025 至 2027
这两组数据均为 Gartner 在 2026 年 6 月报告的估计值。2027 年的 AI 服务器数值为预测值。
在 2026 年 4 月的一起诉讼中，原告指控位于密西西比州南文市、为孟菲斯 Colossus 2 供电的 27 台未获许可的甲烷燃气涡轮机，每年可能排放超过 1,700 吨氮氧化物、180 吨细颗粒物和 19 吨甲醛。
原告在诉讼中的指控在 2025/26 年拍卖中，Monitoring Analytics 通过反事实分析估算数据中心负荷的贡献。这些是建模敏感性估计值，而非直接计量的因果费用。IEEFA 报告称，建模贡献约为 63%，即 93 亿美元，俄亥俄州平均家庭每月影响约 16 美元，西马里兰州约 18 美元。
MONITORING ANALYTICS ↗ IEEFA ↗Folding@home 在 2020 年 4 月报告了 2.43 exaflops 的算力，并将其志愿者网络描述为比全球前 500 台超级计算机的总和还要庞大。463 万个 CPU 核心和约 43 万个 GPU 的独立数据来自 2020 年 3 月下旬，当时该项目的算力约为 1.5 exaflops。分布式 x86 等效吞吐量与 TOP500 HPL 基准测试分数无法直接比较。这证明了分布式规模的存在，而非在基准测试中胜过超级计算机。
FOLDING@HOME ↗ 2020 年 3 月统计 ↗对约 4,000 台服务器的五个设施样本发现，30% 的服务器在六个月或更长时间内未提供任何计算服务。全球约 1,000 万台服务器和至少 300 亿美元闲置资本的估算为推断结果，而非 2026 年的实测数据。
ANTHESIS / KOOMEY ↗NRDC 报告称，2006 年至 2012 年间，服务器平均利用率一直维持在 12% 到 18% 之间。这是历史证据，而非当前利用率的估算。
NRDC ↗本研究未发现可用于所有家用电脑、手机和游戏机的可信赖的总体利用率度量。分布式家庭硬件也并非紧密耦合 AI 集群的即插即用替代品：互连、延迟、内存、安全、能源结构以及异构设备均至关重要。Folding@home 证明了可能性，而非等价性。
“一个世界模型将使你能够预测会发生什么。他们有能力预测一个人会说什么。”
“我们永远无法通过训练大型语言模型或仅基于文本训练来实现人类级别的智能。我们需要真实世界。”
他们的替代方案在实现方式上有所不同，但在经验、目标、后果和世界模型上趋于一致。两者均未声称更大的下一个词预测器就足够了。
AIEN 使用这一描述性术语来指代一种提议的系统，该系统将积累可检查的程序，并利用学习到的搜索引导，同时外部验证和机器证据保持对正确性的权威。这并非一个既定的科学分类体系。
AIEN_0 计划作为基于验证引导的合成模型，更具体地说，是程序合成的已学习搜索策略。“合成策略模型”是 AIEN 自己的工作描述标签，并非既定的科学分类。该计划中的模型将观察当前问题状态、剩余目标以及可能的下一步操作语义，然后对 OMEGA 应该尝试的下一个动作进行排序。它计划从 OMEGA 生成的追踪记录中学习，而非语言预测。验证将保留在模型之外。
Omega 搜索程序，执行它们，验证它们，测量它们，并将成功的程序和抽象存入受控库中。能力通过可检查的程序积累，而非隐藏的权重。
AIEN_0 计划从合成追踪中学习：候选转换、验证器结果、机器结果、成本、成功、失败以及剪枝决策。
计划中的监督来自合成追踪。最终目标尚未确定；候选方法包括监督/成对排序、模仿学习、价值学习，以及可能的离线强化学习。
从底部向上阅读堆栈。每一层都有独立的职责。机器如今已存在。计划中的 AIEN_0，位于顶层的已学习引导，尚未经过训练。
顶层：智能与搜索
思考、搜索并创造。计划中的 AIEN_0 由 AIEN 以工作标签“合成策略模型”描述：一个小型神经搜索引导，计划从 OMEGA 追踪中学习，而非语言模型。
定义、合成、验证并实现程序。工作中的程序成为受控库的一部分。
可信的基础。它授权允许在裸金属上运行的内容。
种子。它通过验证启动唤醒机器。
底层：验证启动
实心绿色轨迹是机器及其早期工作。黄金轨迹始于 M20，此时路线图仍处于规划阶段。计划中的 AIEN_0 属于那个未来的训练时代。
系统能够设计、构建并验证其自身继任者的时刻。
类似 AlphaZero 的学习搜索引导，但针对程序构建而非棋盘走法。计划中的神经部分无需知道答案，只需识别最有希望的下一步操作。OMEGA 的外部验证器将决定正确性。
关于搜索方向的直觉。
持久的程序性知识。
记住的经验事实和结果。
计算的实际含义。
在机器上实际有效的内容。
协调、冗余、网络化和设备冷却后，每焦耳能量所做的有用功是否仍然有利？
不同CPU、GPU、内存限制和网络条件下，程序能否可重复且安全地运行？
受控程序库是否能产生超越其创建任务的可复用抽象？
在相同的验证预算下，计划中的AIEN_0是否比无引导或人工设计的启发式方法在合成搜索方面表现更优？
分布式系统能否避免将电力、水资源、噪音、污染和财务风险转嫁给它声称要帮助的同一社区？