Token 是否具有边际成本趋零的特征？

华尔街对 AI 的包装五花八门，有用硅基生命的，有用超级大脑的，有用火箭用卫星的，甚至有反向恐吓的——AI 会威胁到当今人类社会的安全，所以一定要在 AI 竞赛中领先，才能取得主动权。

这种使命感、参与生产力革命的神圣感，以及怕踏空怕错过的心态，催生了市场对 AI 叙事的狂热。

华尔街对 AI 不断的解释，到最后，连散户自己和 AI 使用者，都开始催眠自己——「我们正坐在一辆通往美好未来的巨型列车上」。

但事实真的如此吗？被成千上万双眼睛，和全世界最聪明的人盯着的 AI 叙事，真的会有大家没有看到的错误吗？

1999 年，哈佛大学做过一个著名的注意力实验：让受试者盯着一段视频，数出白衣球队的传球次数。

在数球的间隙，一个装扮成大猩猩的人踱入赛场，对着镜头疯狂捶胸顿足了整整 9 秒。

结果令人毛骨悚然：超过一半的人对这只大猩猩完全视而不见。 更诡异的是，后来的眼动仪数据显示，那些声称没看到大猩猩的人，目光其实曾在它身上停留过——他们的大脑“接收”到了光线，但注意力网络却在底层预加工阶段，冷酷地把这个庞然大物当作噪声「格式化」了。

这就是心理学上著名的「非注意盲视（Inattentional Blindness）」。它揭示了一个残酷的真相：一旦人类的全部带宽被某种高度聚焦的「既定任务」占满，即使再显而易见的巨型黑天鹅，也会被大脑主动抛弃。

所以，当我们以谨慎的心态遍历信息进行排查时，小心的揭开 AI 叙事精美的包装后，我们惊讶的发现一个被华尔街和硅谷精英封装在叙事底层的惊人错误：

集中式的 AI 巨头是个从一开始就注定失败的商业模型，并且随着这个底层错误的不断强化，建立在这个错误假设之上的泡沫也在疯狂的膨胀并且很快要接近物理极限。

原因很简单，因为通过拆解对比成本结构和需求，不难发现 AI 的成本构成和需求天然是「反聚合」「反互联网」的——这和互联网巨头诞生的结构正好完全相反。

接下来，我们从互联网巨头存在的必然性说起，来看为什么 AI 注定不可能诞生下一个 Google，以及为什么华尔街注定要为这个底层的内核错误，付出巨大的代价。

为什么互联网需要 Google——0 分发成本的必然

互联网把信息电子化了以后，究竟改变了什么？

答案是改变了信息的分发成本以及用户的可触达性——而这让互联网巨头的诞生成为了结构性的必然。

传统商业模式分发拓客是高成本、高摩擦、低效率且伴随着各种针对性的基建的。

互联网巨头的本质，不是创造了新物质，而是利用“0 分发成本、0 交易成本”抹平了信息的发现与匹配成本。在高速互联网里，巨头一次开发，全人类白嫖分发，每多服务一个用户，边际成本接近于 0。这构成了互联网巨头的「规模正凸性」

互联网的「0 成本」分发——巨头的结构性需求

Google、Amazon、Uber 的本质，就是利用「0 分发成本、0 交易成本、高信息流动性」的硬物理特性，彻底抹平了供需匹配与信息发现的成本。

因为在村里通路（通网）了以后，Google 不需要再去为了分发搜索内容建不同大小的书报亭；Amazon 也不用每个村调研开大大小小的亚马孙卖场；Uber 也不需要去为每个村分配车辆和培训司机——特异化的、重复投资的渠道建设成本被大幅度的降低，而所有接入互联网的用户，都可以平等的快速的，接入 Google、Uber、Amazon 这样的分发网络中，去匹配自己的需求。

由于大范围的用户可以共享同一套分发基建，只要一次开发，增加容量和带宽，就能以几乎不需要新增边际成本的方式分发已经生产好的内容。

用户只要点下鼠标把今天的「报纸」从服务器加载到自己的浏览器中就可以，由于对应的内容已经生产完成，这里面涉及的计算非常的少，基本只有宽带费用和服务器固定的开机支出，可以默认是固定成本。所以，互联网范式中每一个内容被多分发一次，就是接近 0 新增边际成本的固定成本摊销 / 复用。——这就催生了巨头的刚性需求，既然规模能带来边际成本交易成本的显著降低，那么谁能获得更多用户，谁能获得最低的成本。

所以，互联网巨头的诞生，是结构性的，而非政策或者其他的影响，诞生巨头的唯一原因就是互联网巨头对其自身和整个社会运作的成本，都更加经济。

所以，AI 是否能够存在 Google Amazon Meta 这样的巨头呢？

我们还是从商业结构上去分析，而且我们要先对齐一个概念：

云端 AI 是传统制造业，而不是互联网。

云端集中化 AI 是彻头彻尾的传统制造业，不是互联网行业——边际成本结构决定一切

没错，AI 看上去非常的高大上，非常的互联网，非常的未来，但是仅仅是看上去而已，之所以现在看上去像互联网，那时因为有人想让你们相信，一个长得非常互联网的东西，其组织结构也必然是互联网化的，然而，从成本结构的角度，云端集中化 AI 就是最纯粹的传统制造业，甚至不如传统制造业，我们能在结构上看到大量的结构相似性：

• 都需要大量的 CapEX 组织生产线（算力）
• 每天面对巨额的设备折旧
• 用户购买的每个商品，都需要单独从头开始制造，没有重复分发的可能，并且，每一次制造都产生大量固定的边际成本（电费 + 算力折旧摊销）
• 既然有固定的边际成本，那么产品（token）价格一定具有强周期性（能源价格 + 算力价格）
• 所以必定产生强烈的需求波动（供需关系、替代关系）。免费的时候恨不得游戏画面都不是渲染的而是 token24 小时不间断生成的，超级贵的时候一夜之间程序员又全部找到工作了。

但是传统制造业仍然有巨头，虽然规模效应到了一定程度也没用了，但制造业反而满地都是巨头。

对，没错，但是你忘了，AI 虽然是制造业的同时，其本体运行在「0 分发成本和 0 交易成本」互联网上，这使得传统制造业巨头的规模导致的强渠道垄断特性、强生态依赖性高体系切换成本也不复存在——Claude Code 成熟后，Codex 用户近乎 0 成本的大规模迁移就是一个经典的例子。

云端 AI 产品在竞争中会突然因为对面降价，对面技术领先而被客户「瞬间切换」，而当行业成熟所有人技术都跑到一个显著均衡的水平以后，竞争就只能猛打价格战，做低毛利率的垃圾行业，因为切换成本过于低了，谁便宜买谁的——api key 一换，又是新的工作伙伴。

边际成本结构差异最大的问题——抗冲击极度脆弱

并且如果继续以供需 – 成本视角来看集中式 AI 的话，你会发现，面对用户需求的波动，集中式 AI 是极度脆弱的，而 Google 是超级反脆弱的。 Google 最大的优势就是「0 边际成本」和「低单位用户开销」带来的算力系统巨大的弹性：

• 搜索人数翻倍，服务器资源能勉强运转，只是延迟高一点，响应慢一点；
• 搜索人数减半，浪费必定产生，但是因为每个用户占用的内存和算力小，浪费不严重；
• 而且一旦确定是长期趋势，直接砍掉一半算力，如果反弹 25%的总需求，仍然是临时可以承受的。

集中式 AI 做不到，反而每个用户占用的计算时间是巨大的，内存需求也是巨大的（暂且不提愚蠢反人类的 HBM，我们后面说），这意味着，面对需求冲击集中式 AI 必需大规模的反复调整造价高昂的「生产线」，否则就会直面需求不足造成的巨额的折旧成本，或者需求爆发导致的产能不足。

xAI 把算力集群租给 Anthropic 就是一个非常好（好笑？）的例子，双方都因为牛鞭效应错误的估计自己的供给需求，幸好这只是选择偏好上的结构性需求差，可以互相调剂，而一旦发生整体行业的需求差，则是毁灭性的。

那么这种需求差会不会发生呢？

会的，结构决定一定会的，因为集中式 AI 是制造业，是制造业，是制造业——只要是制造业必然是强周期的，受到原料和需求波动影响的，而且集中式 AI 还是比传统制造业更垃圾的低用户迁移阻力制造业。

更好笑的是，现在的资本叙事中，还隐含了 2 重巨大的非必要性，让这种脆弱无比的商业模式彻底暴露在风险敞口之下。

AI 聚合的 2 重非必要性——塔勒布的大象和纯金充电线

我必须反复的强调这个基本观点：AI 是节约型创新，而非突破性创新 / 革命性创新。

因为 AI 只会干人干的事情，所以从某种程度上来说，AI 是不如二踢脚的，二踢脚是突破性创新，因为二踢脚解决了飞起来的问题。

既然 AI 暂时来看，只能取代人类中低强度的重复脑力劳动（编程、整理表格、总结内容、帮忙查资料、替代秘书），那么，AI一定是以成本节约为核心要义的。

这就带来了一个直击灵魂的问题：

既然集中无法消灭边际成本，那么云端集中式 AI 能否带来其他成本节约好处？

答案不仅是没有好处，还有坏处。云端集中式 AI 通过极速扩大自身规模、以及制造「智能焦虑」，引入了最不好惹的 2 类成本变量：

• 强周期依赖的固定成本 + 边际成本
• 昂贵且无用的储备冗余性能

请你看塔勒布叔叔的「大象」——体量导致的周期高冲击性

这不是一个黄色的段子，这头大象也没有长在塔勒布叔叔身上，而是静静地呆在房间里。 塔勒布在《反脆弱》里描述规模带来的负凸性时引用过这样一个例子：

了解规模大小是如何成为一个障碍的，只要想想为什么人们不会养一头大象当宠物就知道了，无论你对这种动物有什么样的感情。如果你的家庭预算增加后确实能负担得起买一头大象，你也真的买了一头大象放在你的后院，但一旦发生水荒，忍痛效应就产生了，因为你没有选择，只能掏出钱来买水，每多买一加仑的水，你就要为这一加仑水支付更高的价格。这是十分脆弱的情况，是规模过大导致负凸性效应的例子。意外的成本在总数中的占比大得惊人。而如果你养的是一条狗或一只猫，那么在产生忍痛效应的时候就不会带来如此高的意想不到的额外成本——其开支在总成本中的占比是非常低的。

维持这些 AI 大象思考的根基来自两部分，一部分是固定成本，也就是算力基建：数据中心的房间、冷却系统、机架、网络、CPU/GPU/TPU 等等；另一部分则是在互联网思路下的固定成本，但是在制造业思路下的边际成本——能源费用。

而能源费用是云端 AI 成本框架和脆弱性来源区别于互联网巨头的根本性、核心的差异，也是最致命的弱点。

到今天为止，鲜有人把 AI 的能源成本视为严肃的边际成本，大家仍然在用互联网的范式对待这部分成本，用产值 / 收入 / 利润去均摊电费，试图得出结论，只是每单元收入的电费比较高而已，但是这和硬件折旧一样是固定的开支。

不是的，朋友们，这是无法下降的单位边际成本，是随着每一次拓客，每一次访问都要大幅增加的成本，而非 Google 那样搜索一下 SQL 然后轻描淡写的给你一串链接这么简单。

集中式 AI 成本对电力价格的敏感度，是非线性的，因为每一单元的产出会绑定固定的电量——Google 则不需要。

一旦能源因为「某些因素」价格暴涨，集中式 AI 的成本是极速升高的，这样一来，财报的平衡，就会瞬间被打碎，看似科幻飞升的 AI 被原油煤炭天然气牢牢的卡住脖子。

并且，在现在华尔街塑造的美梦中，AI 必须是先进的，所以一定要 HBM，一定要 TSMC 最新的工艺，一定要追求规模（超大内存超大带宽超高算力），这就意味着，所有的 AI 核心部件，都是产能稀缺且集中的，都是需要全球化高精尖技术合作的，且供应链超长，这隐含了一个非常重要的前提——国际贸易极低摩擦。

因为核心算力部件可能需要卡塔尔的氦气、中东的石油提供的电力、荷兰的光刻机、台积电的算力先进封装、韩国的 HBM 封装、中国大陆的主板生产和 PCBA……

一旦国际贸易成本因为「某些原因」被锁死，全球贸易摩擦在 AI 超长产业链中的影响，将被指数级别的放大，无论是价格、产量、还是交付时间。

发现了吗？

集中式 AI 固定成本严重依赖超长且单一的供应链、边际成本又极度依赖周期不可压缩。同时，单位用户计算需要的产线资源又异常巨大。

所以一点点供给和需求的预估偏差，都会在这个脆弱结构里成本和收入两端无限制的放大，最终导致螺旋型的崩塌。

而且我已经无数次的提醒各位，在 2026 年下半年，能源危机，几乎可以认为是一个定点，而非市场现在幻想的在危机时刻有机械降神来解决危机。具体原因我们不在此展开。

更加令人感到害怕的是，通过制造安全焦虑和先进智能焦虑，华尔街还在集中 AI 叙事里引入了你可以想象到的最昂贵的变量——一堆 AI「工程师」，聚在一起做一个完全违背「工程学基本原理和逻辑」的黄金马桶。

你的 iPhone 可能需要一根纯金的充电线——令人捧腹的工程学谬误

我的下一篇文章，可能会论证黄金的导电性能和其他物理性能极佳，非常适合充当 iPhone 的数据线，所以，黄金的用量在未来一定会有指数级别的提升，因为所有的手机，都会使用纯金做充电线，甚至连 PCB 和 FCP 排线也都会是纯金的——因为纯金的性能远远好过铜。

先别急着报警或者在评论区发精神卫生中心的热线电话。你们之所以认为我上面这段话是疯了，因为很简单的逻辑——没必要且明显浪费。

是的，你们潜意识里推导出了工程学最核心的理念，并不是用上最贵最好的材料和科技，而是：

如何在成本、技术、交付周期、现有供应链等等一系列综合约束下，通过合理的选材用料，合理的设计布局，合理的技术路径约束和合理的生产售后实现，满足所有的既定工程目标。

所以不看需求就做产品，是绝对会被市场淘汰的，我们反过来看 AI 巨头现在在做什么傻事。

正如 SpaceX 最终的目标是移民火星，现在的商业化目标是火箭回收和星链一样。AI 商业化的目标究竟在哪里？

很显然，AI 是用来替代一部分人类的重复、低智能劳动的——编程、整理表格、总结内容、帮忙查资料、替代秘书。

好的，既然 AI 的商业化叙事是取代人类，那么请问，回到人类雇佣层面：

你会为了整理表格的效率请 QS100 的博士来做文秘吗？ 你会为了代码写得精妙资格老练，请比尔盖茨来做你们产品的码农吗？ 你会找久石让为你们今晚的部门联欢，写一首商业配乐吗？ 你会为了要不要买一台贵的手机付费咨询诺贝尔经济学奖得主吗？

答案是不可能，因为成本不允许，而且这些事情，只要一个熟练工来做就行了，根本不需要超高的智能。因为超高的智能是稀缺的，是有溢价的，比尔盖茨虽然写代码很在行，但是他要放弃和爱泼斯坦相处的时间来给你写 1 天代码，这点费用够雇佣 200 个实习生 +1 个产品经理写整整 1 个月，再低级的错误，都能在这 1 个月里被修正——一个只需要实习生干的活，没必要叫比尔盖茨做。

那么请问，对 AI 来说，为什么替代文秘和码农的工作，需要一个超级智能体巨无霸，而不是一个 30B、70B 的小模型去做呢？

这就是另一个逻辑诡异的地方：目前除了视频生成以外的几乎所有任务都不需要超高智能。大量的人类工作，都只需要一个上学整天在睡觉的高中毕业生即可。也就是说，一个 70B 的本地模型，甚至 30B 的本地模型已经绰绰有余。

你现在看到的本地模型不行，不是模型的问题，而是围绕模型搭建的 AI 智能体框架，知识库框架，CLI 接口，技能接口的不完善，一旦这种成熟的生态被实现，所有人都会发现，本地 AI 不是蠢，而是之前本地 AI 无法良好的和世界互动——就像一个学富五车但是 40 年没看报纸关在监狱里的人一样，你探监的时候和他沟通新能源车的电池保养策略，他肯定没法告诉你，但你带去了全套特斯拉开源资料和锂电池的产业发展报告，他就能通过学习知识并且结合他的逻辑告诉你所有你想知道的事情。

至于视频生成，我已经说过，AI 是节约型创新，昂贵的算力最终只能让传统影视制作商使用 ai 生成视频，并且由于行业的特殊性，这种依靠创意和版权的行业，并不会愿意把未来要发行的内容主动的上传到云端供模型厂家免费的训练和窥视。这部分需求在未来「能够消费得起」的玩家这里，也一定是本地实现的。

所以，留给超级大模型最后的现实用途就是用来攻击金融体系、互联网安全（Anthropic 描述的 Mythos）、用来从超高维度空间对话寻求终极真理——这些都不是 99.99%用户可以做到的事情，因为这需要大量的定制 skill，特定的攻击资源和接口，以及天量的提示词理解、优化以及沟通能力。

没有超大模型的应用场景，小模型本地跑起来比云端还便宜，请问，聚合的优势，究竟在哪里？

而且，继续往下走，在超大模型并没有什么实际作用的情况下，这就引出了另一个奇怪的问题：既然 AI 是拿来替代程序员、秘书和保安，那么HBM 大面积运用的意义在哪里？

HBM 的非必需性

没错，在模拟一个 18 岁保安的场景里，HBM 是无意义的，而且 HBM 不但没用，哪怕在有用的地方，成本结构也不支持 HBM 随便乱用，因为物理层面上：

HBM 的成本永远指数级别的高于 DDR 内存，差距无法消除。

由于和 DDR 一样底层芯片都是一模一样的 DRAM，所以 HBM 封装的良率约等于 HBM 良率=(DRAM 良率 *TSV 良率)^堆叠层数 n，而单层的 DDR，只需要考虑 DRAM 的良率，DDR 封装引入的良率损失，在这种指数级别的成本差异面前，都不值一提，更不要说前期的测试和匹配成本。这注定了HBM 内存良率和成本永远指数级别落后于 DDR。

这在工程学上是无以复加的愚蠢，因为不必要意味着完全不需要。HBM 只有在昂贵的训练场景下，才能发挥作用，后面你会看到传统 GPU 的替代方案中，尤其是推理需求中已经有渐渐抛弃 HBM 的趋势。

对的，另一个结论是 GPU 也一定不是推理的必需品。

GPU 的非必需性

GPU 之所以被用作推理的核心前提是——训练是基于 GPU 的，推理可以复用训练时为 GPU 搭建的软件额硬件周边框架。

但是显然人类的愚蠢就在于好了伤疤忘了疼，我们不说 GPU 里包含了大量为游戏优化的架构，也不谈 CUDA 只是一个为了游戏里 PhysX 开发更顺畅顺手写的游戏配套开发环境。

谁还记得，在遥远的 21 世纪 10 年代，那时候人类流行赛博淘金潮，也曾经引发了 GPU/CUDA 的狂欢，结果呢？结果被 ASIC 矿机以极端的成本优势踢进了垃圾桶……这可能已经过去了 0.05 个世纪，太久远了以至于你们都忘了对吧？

ASIC 矿机为什么没有一开始就冲击 GPU？因为 ASIC 矿机缺少开发框架，缺少基础硬件，缺少配套环境，但这不是问题，ASIC 矿机能创造天量的成本优势，就一定会有人研发和应用。

而 AI 的推理端也有自己的一些「ASIC」雏形：

Google TPU、Tesla AI5、Apple M5Max

并且这三者都有非常恐怖的生态优势，以及无与伦比的推理成本优势：

• Google 不需要 AI 产生订阅，AI 天生是个更好的聚合搜索接口，用户会主动把自己隐私告诉 Google，这产生了更好的用户画像，会强化 Google 互联网分发的中心地位，强化广告的推送能力，只需要一个「残疾 Gemini」和省钱的推理（TPU）即可。如果 HTML6、HTML7 开放标准 ai 接口，甚至可以利用 1b、2b 的 Gemma，让这部分成本分摊到用户侧上。
• Tesla 的车机自动驾驶需要的不是超高可塑性，而是快速响应，关键响应，低功耗，低推理成本，这天然不适合 GPU 工作，所以虽然 AI5 暂时无法上车，但是 Tesla 已经砍掉了 AI5 身上完整的 GPU 单元以控制功耗和散热规模，并且也放弃了 HBM 内存。
• Apple 的目标是本地算力基座，所以 Apple 从一开始，就没看过 HBM 一眼，能够从软件到硬件到生态链全面定制的 Apple 可以把内存控制器塞满 gpu 和 cpu，可以把 DDR 内存紧贴在 GPUdie 和 CPUdie 周边，解决带宽、信号延迟和布线问题，可以通过雷雳 5RDMA 网路实现本地 1T 甚至 2T 内存池和算力池。低功耗、低硬件成本、勉强够用的算力，完全可塑造的生态，这不优雅吗？

所以，华尔街极力论证的、包含大量游戏和 CUDA 历史包袱的 GPU 矩阵，就是一台精美、昂贵的「镶金大象」——追求极致、稀缺的先进制程和超长供应链，防线极长，对地缘和能源波动脆弱无比。 而端侧本地化 AI、以及围绕本地模型搭建的智能体框架，则是一条灵活听话的「贱命土狗」，用剩饭（太阳能 / 户外电源）就能养活的东西。这正是前文提到的极致体量带来的极致生存差异。也是华尔街 AI 叙事最大的漏洞所在。

最后

好了，读到这里可能你已经力竭了，那么我们现在用结构化的写作方式，再次压缩一下前文，提取一下关键词。集中注意力，把自己想象成一个 AI，或者你可以把它当作是一个诡异的规则怪谈，看看这个压缩完的提示词，在你的注意力网络里能拉起什么「诡异可怕」的逻辑：

• AI 是节约型创新
• 集中式 AI 是传统制造业，边际成本有显性的上限
• 高周期依赖、成本冲击敏感
• 集中式 AI 的商业化目的是替代人
• 30B 的模型给到足够的工具和知识就能替代人类低智能劳动
• iPhone 不需要用纯金电线充电
• 华尔街告诉你 HBM 和 GPU 是不可绕过的未来
• GPU 矿难告诉你效率是一切
• 目前 AI 叙事完全依赖超长单一供应链
• 「某事件」同时存在全球的海运、能源、粮食、芯片供给的约束
• ……

如果你还觉得思考有点困难，我们对齐最后一个现实模型：前文提到的挖矿是真的需要超高的集中算力，但是最终挖矿也没有形成了巨头模式，反而诞生了分布式的算力农场，就是因为挖矿在成本上也是和 AI 同构的——创造价值都要严格按照耗电规模来实现，而集中矿场模式处理不了单点的能源危机，分布式算力农场可以在全球电力最便宜的地方主动长出节点进行自主调节，所以这种反脆弱的结构形式淘汰掉了固定大农场，活到了最后。

最后的最后

恭喜你坚持读到了最后，从体感上我估计这篇文章的观感是吃力的、逻辑是说不出的诡异的——因为和常规的论证是截然相反的，传统论证会引用一大堆数据和从源头开始推导正确性。但我写的从头到尾都没有引用任何的财报数据、宏观数据。只是在描述各种的不可能，在罗列了一堆不可能的以后，导出了一个狭窄的可能落地的区间——这些不可能组合在一起，几乎从语义空间上抹杀了 AI 巨头存在的所有可能。

不要去直觉性的排斥这样的结论，因为这本质上是一个横跨「金融 – 经济 – 地缘政治 – 结构动力学」的非常复杂庞大的模型，这就意味着跨学科的线性讨论一定会导致你的逻辑淹没在各种数据的合理性里，只有反过来去约束模型的不可能区间，在能在一个有限的空间里做定性分析。

如果要更直觉的理解这种思考的可靠性，想象一个高尔顿板小球实验：

所有的小球都是随机初始条件掉落的，自然会得到正态分布，但是，当你主动约束系统，关闭了下方一些通道（逻辑不可能区间），你得到的就是一个更加确定的系统，小球只能掉落到还开放的球槽中——你不需要获得初始状态，不需要计算碰撞路径，你只要尽可能多的关闭下方通道，直至小球只能落在一个极小的区间，小球最终的落点范围就被锁定了。

这被塔勒布称为「否定法」，通过描述不是来描述物体是什么：当你看见一只黑天鹅，你就可以知道天鹅都是白的是错的。

而「肯定法」则是在观察了 99 只白天鹅后确定，样本全是白的，所以天鹅一定是白的——但是第 100 只明明是黑的。

此刻华尔街和硅谷的精英们，正在用「肯定法」编织一张繁复的网——他们给你看算力需求的指数曲线，给你看多模态的惊艳 Demo，给你看 5 万亿市值的沙盘。他们试图通过堆砌「可能性」来让你相信这个神话。

但工程学和反脆弱的常识告诉我们，真正的智慧永远是「否定法」。当不可能的通道被否定法一一焊死，剩下的那条狭窄缝隙，就是冰冷的物理引力。当整栋大楼最重要的一根结构柱出现了裂痕，那么整栋大楼的崩解，在裂痕发生的那一刻就已经注定。

大象会因为水荒而倒下，而系统的势能正在无可挽回地滑向那里。

感谢你看到这里，祝我们好运。

来源：知乎日报