加载失败
原文批评把工程资源和公众话语耗在“AGI 幻想”上，会掩盖现实的工程、环境与社会问题。评论讨论从数据中心的水耗与冷却技术（evaporative cooling、potable vs non‑potable）、到硬件与架构限制（GPU/TPU 与生物神经元差异、memristor/neuromorphic 的可能性）、再到融资与舆论动机（以 AGI 叙事吸引资本）。多位评论引用了实证案例与媒体报道（如关于机房在缺水地区的地方抵制、DeepMind 的 AlphaFold/AlphaEvolve 成果）来区分“炒作”与“务实工程”的边界。讨论还把技术议题放回政治經濟语境——选址、税费、就业与监管都是工程决策不可回避的部分。
评论围绕数据中心用水展开激烈争论：有人引用具体案例（如书中报道某地拟建机房每秒抽水约169升、媒体引用的Querétaro 年用水约数千万升）和机构数据（如被援引的 Berkeley/USGS 报告）说明局部供水压力。反对者则强调缺乏比较语境：把绝对“百万/亿升”数字单独呈现会吓人，但与农业灌溉或高耗水产业相比，数据中心占比往往微小；另有关键区分是可饮用水(potable)与非可饮用水的来源差异。技术细节也很重要：很多数据中心采用 evaporative cooling（蒸发冷却）会增加局部蒸发，但可改用非蒸发或闭环系统以降低用水；同时电力来源、燃气机组和本地电网压力、空气污染被认为比绝对水量更值得关注。多数评论结论是：量化必须带上地点、用水类型与替代成本——在水源紧张地区，建设决策确有政治与地方影响，否则单凭总量表述容易误导公众。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6] [来源7] [来源8] [来源9] [来源10]
许多评论把“AGI”话术视为吸引资金、人才和公共注意力的营销工具：把远期不确定性包装成巨大预期回报，有利于推高估值和 justify 大规模资本开支。对以极小概率乘以巨大回报的期望值（EV / Pascal 式）为理由的批评很常见，评论者认为这类论证基于不可证伪的概率和天文数字回报，缺乏工程或证据支持。与此同时，也有评论指出部分行业领袖并非把AGI视为纯粹赌博而已，而是对短期出现重大进展抱较高概率评估，这使得“赌注”既有信念层面也有投机层面。很多人还指向组织内部的戏剧性行为、维持沉没成本的动力以及用“未来AGI”故事来掩盖短期利润驱动的危险决策。
一大批评论把问题归结为硬件与架构：生物神经元的并行性、状态保持与极低功耗与如今在 GPU/TPU 上训练的 transformer 模型之间存在结构性差异，单纯放大参数并不必然等价于复制人脑。有人主张需要新的硬件范式（例如 memristor、neuromorphic computing 或专门的数据流/类脑实现），也有人建议两条路并行——要么做高保真神经级仿真，要么在功能层面重新设计可验证的体系结构而非逐字模拟生物。讨论还涉及实际工程权衡：MOE（Mixture of Experts）、systolic arrays 与 dataflow 实现能否在多用户、并发云场景中保持节能优势。总体观点是：硬件、功耗与组织并行性不是“小调参”能解决的，工程与物理约束会限制“简单放大直到成真”的路线。
大量评论提醒不要忽视已经实现的工程价值：如 Whisper 改善字幕与转写效率、DeepMind 的 AlphaFold 在蛋白质折叠预测上的实用突破，以及 AlphaEvolve 等工具在加速科学发现或写科研软件上的示例。许多有用的 AI 成果是局部的、可落地的，并且通过良好的产品化（例如 MacWhisper 的易用界面）被广泛采用；这些胜利不会也不必以实现 AGI 为前提。另有观点认为许多任务最终会以更节能的端侧/小模型形式普及，而这类工程改进是“现实可取”的路线而非科技神话的延伸。
讨论反复回到政治与伦理：部分人把“AI 怀疑论”视作身份政治或部落式反应，另一些人指出讨论与利益相关（风险来自投资者、员工被替代的职业群体、以及本地受资源影响的居民）。伦理议题包括内容/数据工人被剥削、审核员与数据标注者的劳动条件，以及把公共资源（用水、电网容量、空气质量）让渡给大型私企所产生的分配性后果。评论里也强调这些不是纯粹技术问题：数据中心选址、税费与监管、地方政治辩论都已经把技术争论带到公共政策层面。
AGI: AGI（Artificial General Intelligence）指可在多种领域表现出人类级别或通用智能的系统；讨论中它既是被质疑的终极目标，也被当作吸引资本与话语权的工具。
LLM: LLM（Large Language Model，大型语言模型）指基于 transformer 等架构、用海量文本训练以预测和生成语言的模型，评论聚焦其与人脑等价性的界限与实际工程成本。
transformer: transformer 是当前主流的序列建模神经网络架构（基于 attention 机制），多数现代 LLM 都以 transformer 为基础，讨论中围绕其尺度化极限与架构替代展开。
evaporative cooling: evaporative cooling（蒸发冷却）是数据中心常用的一种水冷却方式，能提升能效但会蒸发大量水，评论强调与非蒸发（闭环/空气冷却）方案和水源（potable vs non-potable）的权衡。
EV / Pascal's wager: EV（期望值）/ Pascal 式论证指用极小概率乘以极大收益为投资辩护的逻辑，评论中有人批评把 AGI 的不可证伪大回报当作合理经济论据。
AlphaFold / AlphaEvolve: AlphaFold（DeepMind 的蛋白质折叠预测模型）与 AlphaEvolve（用于进化符号程序/加速科研的系统）是评论中被举作 AI 在科学领域现实价值的代表性成果。
memristor: memristor 是一种被寄望用于仿生/神经形态硬件以模拟突触行为的电子器件，评论提到它和其它 neuromorphic 方向作为可能的低功耗硬件路径。
MOE (Mixture of Experts): MOE（Mixture of Experts）是一种模型架构，通过在输入上路由到少量“专家”以节省计算，但在多用户并发的云场景中所有专家可能被频繁激活，从而影响节能效果。