我们身边闲置的计算能力

有时候，一个很大的基础设施问题，会从一个很小的画面开始：夜里，手机躺在充电器上。笔记本电脑合上了。游戏主机在客厅里待机。汽车停在车库里。到处都是已经付过钱、接着电、却大多数时候什么也没做的计算能力。

与此同时，新的数据中心正在兴建，规模像工业设施一样巨大。大厅里堆满 GPU、光纤、变压器、冷却系统和电力合同。我们正在建设一层新的数字基础设施，它将支撑我们的写作、搜索、编程、分析，甚至未来也许还会支撑决策。

如果其中一小部分能力不只是白白消失，会怎样？这不是幻想每部手机突然取代数据中心，而是一个严肃的思想实验：能不能出现一种 Compute Smart Grid，让设备自愿地、有限地、并且有偿地贡献算力？

在从 PRISM 到 Prompts这篇文章里，我写的是这场发展的另一面：我们越来越依赖少数 AI 平台，尤其是来自美国和中国的平台。而这里，我感兴趣的是相反的方向。不是天真的 P2P 浪漫，而是一个技术问题：已经分散在世界各处的算力到底有多少，哪些 AI 任务真的可以分布式执行，又需要什么机制，人才会因此得到公平报酬？

这个思想实验

AI 不只是软件。AI 是电力、冷却、光纤、GPU、土地、水和资本。International Energy Agency 估计，2024 年全球数据中心消耗了约 415 TWh 电力，约占全球用电量的 1.5%。到 2030 年，这个数字可能达到约 945 TWh。

这不只是可持续发展报告里的一个数字。这是基础设施政策。AI 服务 7x24 可用。每一次总结、每一个代码问题、每一张图片、每一次代理运行都是一次计算。当数十亿人和企业把工作放进 AI 循环里，它就变成了一种基础负载。

所以我理解大型集中式方案的吸引力。数据中心可控：相同硬件、相同机架、相同网络、清晰的安全区域、SLA、监控和计费。从运营角度看，这很有吸引力。但在政治、经济和架构层面，它又制造出那个一直让互联网脆弱的东西：少数权力中心。

因此，这个思想实验从一个简单反问开始：在建设下一个数据中心之前，我们手里已经有什么？

闲置容量到底有多大？

这个想法其实来自一个很日常的瞬间。夜里，手机放在床头柜上，接着电，几乎什么也不做。但它里面的芯片拥有的 AI 专用计算能力，已经超过许多十年前电脑作为整体系统所能提供的能力。搭载 A17 Pro 的 iPhone 15 Pro，其 Neural Engine 约可达到每秒 35 万亿次运算。即使只取一个谨慎的平均值，对于一台大半夜都在等待的设备来说，这也高得离谱。

桌面上也发生着同样的事。新的笔记本电脑不再只有 CPU 和 GPU，还额外配有 NPU 或 Neural Engine。Apple 多年来一直在自家芯片中加入 Neural Engine。Windows 笔记本也正在以 AI PC 的形式出现，内置专用 AI 处理器。客厅里的游戏主机拥有过去听起来像工作站的 GPU 性能。可是我们通常只在很短的峰值里使用这些本地算力：一局游戏、一次导出、一次视频通话、一个本地效果、一次搜索。之后设备又回到空闲状态。

正是在这里，思想实验开始了。问题不是：“我明天能把自己的 iPhone 当数据中心出租吗？”那是胡扯。真正的问题是：如果这么多硅片已经被购买、联网，并且每晚接通电源，那么只利用小的、安全的、合适的时间窗口，理论容量会有多大？

世界上的闲置算力无法精确测量。设备差异太大，许多设备离线，许多设备因为电池、散热、安全或平台规则根本不能参与。尽管如此，一个粗略估算可以帮助我们感受数量级。

为此，我们取几个刻意简化的区块。重要的是：我并不是假设每台设备随时都能满负荷可用。我会考虑时间窗口、参与率和谨慎折扣。它仍然是一个思想实验，但脚下有数字。

Tesla：车轮上的硅片

Tesla 在 2025 年 6 月报告了第 800 万辆量产车辆。并不是每一辆都还在使用，并不是每一辆都有相同的 Autopilot 硬件，也不是每位车主都会愿意把自己的车开放给计算网络。因此我保守计算：

• 800 万辆已生产车辆中，也许 80% 仍然现实地在使用，并且在技术上相关。也就是 640 万辆车。
• 对于 Hardware 3，也就是 2019 年起的 FSD Computer，系统层面常被提到的数量级是 144 TOPS。
• Hardware 4 装在更新的车辆里，也更现代，但 Tesla 没有像早期 Autonomy Day 那样发布干净、简单的 TOPS 数字。因此这次计算仍然用 144 TOPS 作为保守基准值。
• 一辆车虽然经常一天停放 23 小时，但真正有意思的是充电窗口。如果夜里 接电 6.5 小时，折算到 24 小时平均约为 27% 可用性。

如果只有 25% 的活跃 Tesla 车主加入，那就是 160 万辆车，按日均折算约为 62 Exa operations per second。50% 参与时约为 125 Exa operations per second。如果理论上所有活跃车辆都参与，数字大约是 250 Exa operations per second。夜间窗口本身的瞬时能力更高；日均折算只是为了和 24 小时运行的数据中心做更公平的比较。

iPhone：更大的惊喜

iPhone 的估算同时更简单也更困难。简单，是因为 Apple 每年出货量巨大。困难，是因为 Apple 没有提供一张清晰的公开表格，说明全球仍在使用的 iPhone 分别属于哪些世代。因此我取过去几年的公开出货量，再叠加一个合理的活跃保留率。

这个混合估算仅从五个出货年份，就得到约 8.85 亿部可能仍在使用的 iPhone。这不是整个 iPhone 安装基数，而是有意限制的一个切片。较老的 A14/A15 世代处在十几 TOPS 的区间，A16 接近 17 TOPS，A17 Pro 约 35 TOPS。因此按年份取平均，比假装所有设备都搭载同一颗芯片更合理。

现在还是同一套玩法：夜里接电 6.5 小时，不是整天。如果这些设备中有 25% 参与，按日均折算约为 1'437 Exa operations per second。50% 参与时约为 2'875 Exa operations per second。如果理论上全部设备参与，数字约为 5'750 Exa operations per second。

这听起来疯狂。但重点正是这里。不是因为 iPhone 是服务器，而是因为设备数量太大，以至于即使采用谨慎比例，也会突然进入通常只会联想到数据中心的数量级。

对比

作为其他参照点，我取：

• 5000 万块桌面 GPU、工作站或小型服务器，平均可以提供 20 TFLOPS FP32。如果其中只有 20% 在实践中可用，在合适时间窗口里仍有约 200 Exa operations per second。
• 数据中心世界的比较对象 xAI Colossus。如果按 200'000 块 Hopper GPU 和每块 H100 数量级约 3'958 INT8-TOPS 计算，可以得到约 792 Exa operations per second 的理论 AI 峰值性能。这是 sparsity peak；密集且持续可用的性能会更低。

这不是精确的全球容量，而是一个思维模型。也正是在这里必须刹车：TOPS 不能像几升水一样倒进一个共同水池。iPhone 的 Neural Engine TOPS、GPU 的 INT8 TOPS、工作站的 FP32 性能是不同的东西。许多有意义的任务不只需要计算操作，还需要 RAM、VRAM、内存带宽、稳定运行时间、软件访问，以及一个允许这类任务运行的操作系统。

尽管如此，这个估算说明这个想法并不荒唐。PC、车辆和智能手机的保守组合，作为理论硅片能力，也能达到一个数量级，在世界上最显眼的 AI 数据中心之一旁边，不再显得小到可笑。

iPhone 的数字尤其有趣，因为它只看五个出货年份，而不是整个活跃安装基数。同时它也是说明峰值性能不够的最佳例子：iPhone 不是服务器。它有散热限制、电池逻辑、操作系统规则、隐私模型，还有一个期待第二天早上设备能正常工作的主人。尽管如此，那里仍然有几年前像科幻一样的计算能力。

而且这些峰值也只是峰值。智能手机、无风扇笔记本或汽车控制单元，不能像数据中心 GPU 那样连续六小时输出这种性能。散热、降频和保护逻辑会大幅压低持续性能。任何想把它变成真实网络的人，都必须按持续性能计算，而不是按数据表里最漂亮的数字计算。

也可以从电力角度来想。如果 5000 万台设备平均每天贡献 150 watt、持续 4 小时，那每年约为 11 TWh。这只是当今全球数据中心耗电量的一小部分。但已经足以承担许多后台任务、Embedding、科学工作负载、渲染、验证任务或去中心化存储流程。

令人不舒服的反驳是：这并不自动更高效。数据中心有更好的冷却、更高的利用率、更便宜的电力、更新的硬件和专业的批处理。家用设备每单位有用计算可能更差，尤其是在开销很多，或者智能手机电池为了几分钱 Credits 更快老化时。因此，一个去中心化 Compute Grid 并不会因为分布式就天然更好。它必须对合适的工作负载在净效益上有意义：技术上、能源上、经济上都要如此。

新的 AI PC 让事情更有意思。Canalys 曾预计 2025 年将出货约 1 亿台 AI PC。许多设备配有 40 TOPS 或更高的 NPU。TOPS 不是 GPU-FLOPS，NPU 也不能替代数据中心。但即使非常谨慎地看，也正在出现一类新的本地 AI 硬件，它不只存在于纸面上，而是进入办公室和家庭。

所以重点不是：“我们明天用游戏 PC、Tesla 和 iPhone 替代所有数据中心。”重点是：我们正在建设巨大的新集中式容量，同时，一大批分布式、已经付过钱的容量却闲置并消失。

计算能力会过期

电力可以储存。不是完美地，不是无损地，但原则上可以。如果我的太阳能系统中午生产的电力超过需要，能量会进入电池或电网。晚上我可以再次使用，或者邻居可以使用。Smart Grid、电池储能和点对点能源模型让这种思考越来越具体：有时我生产，有时我消费，客户和供应者之间的边界变得更柔软。

计算能力不一样。

昨天没用掉的 GPU 小时，今天不能从抽屉里拿出来。一个处理器一整夜什么也没做，并不会为以后保留计算能力。那段时间没了。不可挽回。Compute 是会过期的。

这正是闲置设备令人感兴趣的地方。我们拥有的不只是硬件。我们拥有的是持续消失的机会。短期现实的资源池主要是桌面 GPU、工作站、游戏主机、小型服务器、NAS 存储，以及校园或本地服务商的资源。智能手机和汽车更像长期边缘案例：技术上很迷人，但由于电池、散热、平台规则、安全和厂商控制，难度明显更高。

因此，障碍不只在数学，也在激励。最有趣的闲置硅片恰好属于封闭平台：Apple 用 Private Cloud Compute 为大型 Apple Intelligence 请求建设自己的基础设施，Tesla 用 Cortex 为 FSD 和 Optimus 建设自己的训练容量。如果硬件、软件和云的控制权才是真正的护城河，这些公司为什么要把自己的设备车队开放给独立于厂商的计算市场？

尽管如此，根本问题仍然存在：当我们同时建设越来越大的集中式设施时，为什么把分布式计算能力当成无关紧要？

AI 真的能分布式计算吗？

这里必须诚实：今天可见的许多 AI，对去中心化来说很难。

一个大型语言模型不是一串可以随意扔给陌生设备的小任务。模型需要 RAM 或 VRAM，需要内存带宽，有时还需要高速互连。Token 生成会一遍又一遍运行模型，每增加一次网络跳转都会让响应变慢。为了交互式聊天回答，把一个 Frontier Model 拆到陌生智能手机、旧笔记本和汽车上，通常是没有意义的。

但这并不意味着去中心化 AI 不可能。它只意味着必须选择正确的任务。

不需要两秒内完成的工作非常适合：大型档案的 Embedding、批量摘要、渲染、科学模拟、合成数据、测试、抓取、验证任务、去中心化存储修复、小型本地模型、预处理，以及可以检查结果或重复计算的任务。

实践中，任务必须分得更干净：

大型模型并非完全排除，但需要不同架构。Petals 已经展示，在分布式资源上对大型模型进行协作推理和微调原则上可行。Prime Intellect 通过 INTELLECT-2 又进一步展示，如果结果可以验证，使用不可信 Worker 的分布式 Reinforcement Learning 如何工作。这还不是你的 iPhone 夜里偷偷训练 GPT-7 的世界。但它说明问题并非根本不可能。

因此，现实起点不是：“把一个巨大模型横跨一切分布出去。”现实起点是：本地模型优先，为合适的批量任务建立区域资源池，可验证任务，清晰的数据区域，并且只有真正必要时才使用集中式数据中心。

分布式系统的旧梦

互联网还有另一种叙事。它听起来不像大教堂，更像蜂群。

志愿计算

SETI@home 对我来说一直是最美的例子之一。数百万人让自己的电脑在后台计算射电天文学数据。不是因为他们得到了一个 SaaS 仪表板，而是因为那个想法足够大：我们一起在宇宙的噪声中寻找信号。自 2020 年 3 月以来，SETI@home 不再分发新的 Work Units，进入了一种休眠状态。但作为志愿计算可以在全球规模运行的证明，它仍然重要。

BOINC，也就是其背后和旁边的平台，冷静地解释了为什么这能工作：许多独立、计算密集型的任务，其中吞吐量比低延迟更重要。这正是关键区别。分布式系统不需要把每个交互式聊天回答都在两秒内交付。它可以在工作可拆分、可验证、不需要立刻完成的地方变强。

没有固定位置的存储

IPFS 把同样的思想带入存储领域。文件主要不是通过某个位置寻址，而是通过内容寻址。内容有指纹。谁拥有它，谁就能提供它。这和“这个文件在这个服务器的这个 URL 下”是另一种思维方式。

没有中央记账的货币

Bitcoin 不管人们如何评价投机和能耗，都普及了一种类似的原始想法：没有中央记账的系统，共识不依赖单一机构。不是每个去中心化想法都自动好。但 Bitcoin 展示了，当协议移除中央控制点时，它可以具有政治力量。

作为网络的存储

存储方面也有过有趣尝试。Symform 是一个去中心化云存储提供商，可以把多余存储贡献到网络里。2014 年该平台被 Quantum 收购；当时提到 170 个国家里的 45'000 名用户和小型企业。Storj、Sia、Filecoin 以及其他变体也说明：这个想法并不新。只是它从未完全进入日常。

今天，这个想法以新形式继续存在。Storj 在客户端加密文件，把它们拆成片段并分发到许多 Storage Nodes。它更接近基础设施，而不是浪漫：用户最好看不见蜂群，只看见一个能工作的存储服务。

作为市场的 Compute

Golem 和 Akash 想把闲置计算能力变成可访问的市场。对我来说，这是通往本文的直接桥梁：分散在各处的不只是存储空间，还有处理器、GPU 和小型服务器，它们今天常常处于空闲。

分布式蜂群里的 AI

Andrej Karpathy 也在这个环境里再次出现：Prime Intellect 把他列为知名支持者，而 Prime Intellect 通过 INTELLECT-2 启动了一轮针对 32B 参数模型的去中心化分布式 RL 训练，异构、无需许可的计算资源可以参与。

这还不是完美答案。但它说明：这个梦想没有消失。它只是一次又一次寻找能在真实运营中存活的形式。

向虚拟电厂学习

有意思的是，在电力领域，这种思路早已不那么奇特。

Tesla 把自己的 Virtual Power Plant 描述为分布式能源的网络：拥有太阳能系统和 Powerwall 的家庭被合起来看作一个电厂。当电网需要支持时，电池可以释放电力。屋主提供资源，并因此得到金钱或其他好处。单个 Powerwall 很小。但合在一起，它们可以对电网变得重要。

这正是 Compute 里让我着迷的类比。家庭办公室里的一块 GPU、一个 NAS、一部 iPhone 或一辆车不是数据中心。但许多设备合在一起，可能形成一层新的东西：不是为了一切，不是随时，不是没有规则，而是为特定任务服务。

这个类比有边界。电力比计算工作更可替代。一千瓦时不会取决于它现在要运行 80 GB VRAM 的模型、Embedding Pipeline，还是加密的存储修复。Compute 与工作负载有关。因此需要任务类型、调度和明确排除项。

在 Tesla 那里，同一个想法甚至出现在两处。Powerwall 可以成为虚拟电厂的一部分。汽车未来则被设想为自动驾驶 Robotaxi 车队的一部分，也就是在车主自己不用时赚钱。它是否以及多快真正扩大规模，是另一个问题。但基本想法很重要：私人设备不再只是被消费，而可以在空闲时间窗口里作为基础设施工作。

Compute 也可以这样想。不是把电卖给邻居，而是把可验证的计算时间、存储空间或模型工作卖给一个区域单元。用户最终承担电力、热量、硬件磨损和风险。因此也必须获得报酬。没有这一点，这个想法只是漂亮的技术实验。

为什么蜂群很少获胜

如果去中心化听起来这么美，为什么它没有轻易胜出？

因为集中化往往是更好的产品组合。

数据中心是可控的。蜂群由陌生设备、不同操作系统、变化的可用性、较差的可预测性，以及可能关闭、出售、更新或断开设备的拥有者组成。对产品经理来说，这不是浪漫，而是头痛。

然后是经济性。许多去中心化项目试图用 Token 解决激励。这可以理解，因为没有中心公司的网络仍然需要报酬。但一旦存储或计算时间的成本绑定到波动货币，对普通企业来说就不再有吸引力。我不希望自己的 1 TB 备份突然变贵，只因为某个 Coin 在 Twitter 上被炒作。我也不希望 GPU 小时预算依赖一个感觉更像赌场而不是基础设施的市场。

而且价格对手不是云里最贵的按需 GPU。真正的比较对象是 Spot 和 Preemptible 产品，也就是提供商以显著折扣出售的、原本就多余的数据中心容量。因此去中心化计算网络不能只是哲学上更漂亮。它必须能对抗非常便宜、集成良好、尽管可中断的云容量。

第二个阻力是便利性。S3 不是因为哲学上漂亮而获胜。它赢是因为足够简单、文档足够好，并且到处都已集成。如果去中心化存储或计算网络想变得相关，它们对开发者和管理员来说必须几乎无聊：放入 API key，创建 Bucket，监控，账单，SLA，恢复测试，完成。

接着是安全。在企业网络里，不应该突然有某个外部计算任务以入站方式落到工作站上。任何合理的防火墙都会阻止它，威胁情报系统也会觉得可疑。实际中，这类系统更应该从内向外工作：节点向某个单元报到，取回已检查的任务，在沙箱中运行，只看到它被允许看到的数据。否则，一个合法计算网络在网络层上很快会看起来像一个措辞非常礼貌的 Botnet。

信任是下一个硬点。去中心化系统必须能证明工作已被正确完成，而不让每个节点看到一切。存储里有已知组件：加密、Erasure Coding、审计、修复机制。AI 和 Compute 会更难。我如何检查一个陌生设备是否正确执行了模型？如何防止数据外泄？如何保护参与者的设备免受外部代码影响？

硬件磨损也不只是电。SSD 和 NVMe 存储有写入寿命。如果模型权重、临时数据、Embedding 批次或 Swap 文件不断写入消费级设备，就会消耗真实寿命。还有带宽问题：如果下载大型模型或数据集所需时间和网络开销超过实际计算，账就算不通。数据比简单的 Smart Grid 类比暗示的更重。

也正是在这里，INTELLECT-2 变得有趣。Prime Intellect 在论文中把 TOPLOC 描述为一个组件，用来验证不可信推理 Worker 的 Rollout。它并不会突然解决所有 Compute 问题。它也不是把任意企业数据放在外部硬件上的魔法隐私方案。但它为某一类分布式 AI 工作展示了真实机制：任务被构造成结果可验证，而不是盲目信任每个 Worker。

对于机密数据，单靠这个不够。那里需要其他组件：Confidential Computing、Trusted Execution Environments、Remote Attestation、干净的沙箱、清晰的数据分类，以及在必要时做出硬决定，让某些任务根本不要跑在外部硬件上。还要加上一些无聊但决定性的题目：税务、责任、隐私、数据驻留，以及互联网服务商的条款。基础设施很少只因为数学失败。它通常失败在运营。

一个 Compute Smart Grid

我想象的不是天真的“所有东西都是 P2P，然后一切都会变好”。基础设施不是这样运作的。可能可行的是一个有清晰层次的 Compute Smart Grid。

第一层叫本地优先。凡是个人、机密或延迟敏感的东西，都应该尽可能运行在自己的设备或自己的信任空间里。小模型、本地搜索、私有摘要、简单分类、预处理、加密、个人数据的 Embedding。不是每封邮件、每条笔记、每次搜索都必须去 Hyperscaler。

第二层是区域化和联邦化。一个城市、街区、校园、企业、合作社或服务商可以运行一个单元。在这个单元里，设备自愿提供资源，但必须在清晰条件下：只在接电时，只在空闲时，只在散热边界内，只以定义好的最大功率运行，只用于特定任务类型。

起点不是智能手机和汽车，而是更无聊的设备：桌面 GPU、工作站、游戏主机、小型服务器、NAS 系统以及本地服务商的空闲容量。智能手机以后可以承担小型验证任务。汽车更晚才可能，而且只能在非常狭窄、由厂商控制的边界内。就像电网一样，必须先从可靠、可测量、可控制的资源开始。

第三层仍然是集中式。Frontier Training、严格实时、极大模型、监管敏感的特殊案例以及高度耦合的工作负载，仍然属于专业数据中心。去中心化不需要取代一切。它只需要阻止每一项日常工作都自动流经同样五个权力中心。

如果要测试，我会从小处开始。不是数百万部 iPhone，而是一个由 500 到 2'000 个志愿桌面 GPU、工作站、NAS 系统和小型服务器组成的区域单元。允许的任务类型只有少数几种：非敏感数据的 Embedding、科学批处理任务、加密存储片段和验证任务。成功不看漂亮的 Exa 数字，而看三个无聊指标：每 $1 电力成本完成的任务数，错误和重复率，扣除硬件磨损后的报酬。

最难的是报酬。用户承担电力、热量和硬件磨损。因此他需要得到回报。也许确实需要 Token 或 Credit。但不是作为投机对象，而是作为基础设施余额。

这样的 Compute Credit 必须代表某种真实东西：某一类别的 GPU 分钟、一个 GB-month 存储、一次已验证推理、一个批量 Embedding 单元，或一个 kWh-equivalent 计算单元。提供资源的人赚取 Credits。后来自己需要 AI 能力时，就消耗它们。不想消耗的人可以兑换成法定货币，就像在虚拟电厂里，人们不想拿“Powerwall Coins”，而是想拿真钱或清晰的账面抵扣。

但这并不会神奇地解决定价问题。稳定性需要锚：法币结算、能源价格区间、区域清算机构、合作社费率或受监管运营商。没有治理，“稳定 Credits”很快又会变成自由波动的 Token。然后旧问题回来：基础设施感觉像赌场。

更重要的是运营权。我们不必自己训练每一个大型 Foundation Model。也许可以购买或授权模型、开放权重或模型家族，然后以去中心化、联邦化、区域可控的方式运行它们。真正的主权不仅在训练，也在运营：模型在哪里运行？数据在哪里？谁可以审计？有没有回到提供商的回传通道？当政治、价格或条款改变时，我能否继续在本地运行模型？

为了让这不只是漂亮的采购合同，这类授权必须包含真正的运营权：本地部署、长期更新和安全承诺、可追溯的模型卡、可审计性、明确退出权，并且不能强制把敏感数据重新推回中央厂商云。这不是纯粹的去中心化乌托邦。但它是在天真自给自足和彻底平台锁定之间的一条现实路径。

设备计算的那个夜晚

想象一下，现在是 22:43。你带 GPU 的桌面电脑处于空闲状态，NAS 在线，手机在充电。你在设置里规定：最多 80 watt，只在空闲时，只接收本区域已检查的工作负载，并且只有当报酬覆盖电费加硬件折旧时才运行。

一个本地代理报告空闲容量。不是用你的名字，也不是用你的私人数据，而是作为一个具有特定能力、已被证明的节点。区域单元分发小任务：模拟、Embedding、加密存储片段、验证任务。

早晨，没有火箭，没有 Wall Street 故事，没有炒作 Token。只有一行冷静的文字：

今夜：赚取 2.4 GPU Credits，确认 18 GB-months 存储，估计 $0.31 电费。

之后，你把这些 Credits 用在自己文档上的本地模型。敏感数据留在你这里。你不只是客户。你也是参与者。

这听起来很浪漫。是的。但有时候，正是这种感觉，才是认真对待一个困难工程问题的理由。

蜂群与高山

我不认为集中式数据中心会消失。它们太高效、太重要，而且对某些任务来说就是必要的。高山会留下。问题只是，我们是否在旁边重新铺一层地面。

一层由本地设备、区域单元、开放协议、稳定 Credits 和清晰安全模型构成的地面。在那里，算力不只是自上而下被出售，而是在参与者之间流动。在那里，某些 AI 工作运行在它本该运行的地方：私人工作在本地，区域工作在区域内，全球边缘案例在数据中心里。

也许这很天真。也许不是。虚拟电厂曾经也是一个奇怪想法：成千上万块小电池组成一个大网络。去中心化货币长期听起来很荒唐。汽车自主当出租车运行，也曾像科幻。不是所有承诺都会按原样到来。但方向很清楚：过去被动闲置的资源，越来越被当作更大系统的一部分来思考。

此刻，到处都有闲置机器。公寓、办公室、车库、服务器机房和口袋里。不是每一台都同样适合。不是每一台都应该执行外部工作。但很多已经在那里，已经付过钱，并且已经联网。而每一个未使用的秒都会消失。

也许我们应该开始倾听它们。

下次见，
Joe