用「速度分层」框架理解 AI 生态

一位长期观察 AI 行业的作者近日发表长文，借鉴 Stewart Brand 提出的「Pace Layers（速度分层）」框架，试图为当下纷繁复杂的 AI 生态搭建一套结构性认知。文章经 Hacker News 转发后获得一定讨论度。

Pace Layers 框架的核心

Pace Layers 出自 Brand 的著作，认为一个系统应当按变化速度分层运作：顶层变化最快、体量最小却最吸睛，底层变化最慢、体量最大却掌握真正决定权。Brand 用一句对仗概括这种关系：「Fast learns, slow remembers. Fast proposes, slow disposes.」即快的在学习，慢的在记忆；快的在提议，慢的在决断。他以「健康文明」为例划出六层结构，强调各层按各自节奏运行才构成稳态——一旦某一层被迫以与它不匹配的速度运动，系统就会出现「地震级」失调。

AI 生态的层级映射

作者把这一框架套到当前 AI 栈上，按从快到慢大致划分如下：

天/周级：Prompts（提示词）
数月级：Skills and tools、Agent harnesses and apps、Synthetic data（合成数据）
数年级：Models (weights)、Hired expert data、Training methods and frameworks、Chip and accelerator design、Organizations adopting AI
十年级：Governance and safety、Universities and education、Fabrication and data centers、Energy production、Organic human-made data

其中提示词、技能工具、agent harness 等顶层以天为单位迭代，模型权重、训练框架、芯片设计等以年级演进，而数据中心的建造、能源生产与有机人类数据则属于十年级节奏。

几条值得留意的判断

基于这套分层，作者给出几条当下 AI 行业的观察：

当前对 AI 的强烈反弹，很大程度源于资本推动底层设施加速，超出文化与组织层的承受速度，数据中心该不该大建的论争因此被格外放大。
数据中心本来应当按「十年」节奏完成（从立项到投运），目前却被拉到「年」级；而数据中心之上的能源生产是更慢的一层，两者速度差一旦过大就会引发剧烈摩擦。
过去 18 个月里模型能力的快速进步，主要靠雇佣专家数据与合成数据驱动，有机人类数据「基本已被挖尽」，短期内不会再现一次互联网级别的数据红利。
顶层极快的迭代（提示词、工具、agent）正向模型与训练方法层提供反馈，但位于训练方法之下的芯片、数据中心与能源几层速度过慢，反向支持不足，是结构性失衡的根源。
这也解释了同一场 AI 工程展会何以让圈内人与外圈人感受撕裂：圈内看到的是「自动化黑暗工厂」式的狂热，外圈则在质疑数据中心是否真有必要。

小结

文章没有发布新模型或新数据，提供的是一种分析方法。作者把「AI 发展失衡」这一宏观感受拆解为不同时间尺度的层级间摩擦，为理解基础设施争议、模型迭代节奏与组织适应速度之间的张力，给出了一个相对清晰的认知坐标。