用 Pace Layers 框架理解 AI 生态的多层动态

近期 Hacker News 上流传一篇行业评论，作者把 Stewart Brand 在《The Clock of the Long Now》中提出的「Pace Layers」框架移植到 AI 生态系统，试图解释当下这个高速运转的行业为何会同时出现狂热与抵触。

Pace Layers 框架的核心逻辑

Pace Layers 原本是一套用于描述文明各层级变化速度的思想工具。Brand 将社会拆分为功能不同、速度各异的层级：快层负责学习、提出新想法与制造不连续性；慢层负责约束、稳定与连续性。当各层以不同速度——但大体平衡——彼此推拉时，系统具备韧性；而一旦速度差过大，系统就会失稳。

作者在 10 天内连续参加了 Foo Camp、Open Frontier、AI Engineering World's Fair 等会议后，认为这套框架最适合用来梳理当下 AI 行业的层次结构。

作者按变化速度自快到慢列出了十多个层级：

天级：Prompts（提示词）
月级：Skills and tools（技能与工具）、Agent harnesses and apps（智能体框架与应用）、Synthetic data（合成数据）
年级：Models weights（模型权重）、Hired expert data（雇佣专家数据）、Training methods and frameworks（训练方法与框架）、Chip and accelerator design（芯片与加速器设计）、Organizations adopting AI（采用 AI 的组织）、Governance and safety（治理与安全）
十年级：Universities and education（高校与教育）、Fabrication and data centers（数据中心的建造）、Energy production（能源生产）、Organic human-made data（人类原生数据）

层级之间的相对速度决定了摩擦与协同的方向：上层越活跃，越需要下层稳定支撑；而下层一旦被上层的资本与舆论裹挟加速运行，就会产生强烈摩擦。

作者从这次分层中抽出几条核心观察：

当前的 AI 反噬情绪，很大程度上源于巨额投资逼迫慢层快跑——数据中心的建设速度远快于其上层的组织、文化与教育，导致围绕数据中心扩建的争论极度情绪化。
数据中心本应属于「十年级」工程（从立项到投运通常横跨数十年），但当下被强行拉入「年级」节奏，与更慢的能源生产层级之间产生剧烈摩擦，「从轻度摩擦升级到地震级别」。
过去 18 个月模型能力的进步，主要由雇佣专家数据与合成数据推动；人类原生数据已基本耗尽，指望再出现一次「互联网级」数据红利并不现实。
上层（提示词、工具、智能体框架）的极快迭代本应给模型、专家数据、训练方法等下层提供反馈，但这些下层都被更慢的硬件与基础设施拖累，导致上层「孤军突进」，而组织与教育等支撑层跟不上。

这也解释了为何同一时期出现截然不同的两种叙事：AI 工程展现场内人人都在建「黑灯工厂」、自动化整套企业流程；而场外——尤其是旧金山 AI 圈子之外的非开发者——仍在追问「为什么我们需要这么多数据中心」。

Pace Layers 并不是预测工具，而更像一种诊断语言：它不告诉读者某项技术会不会成功，而是帮助定位冲突发生在哪两个层级之间。当下 AI 行业最突出的结构性问题，是上层迭代速度远超下层支撑能力，这种摩擦正是数据中心争议、招聘市场错位、AI 安全治理滞后等问题的共同根源。