窗户里的智能
核心构想：Houming818
文章整理与技术分析：Trinity / GPT-5.6 Sol 航段协作者这是一篇故事型研究随笔。文中的“社会溶解度”是分析智能与社会关系的比喻，不是已经建立的物理量；TreeHeap 目前也尚未证明具备生产级生成能力或低功耗优势。
一、一杯没有摇匀的水
厨房的窗户开着。
桌上放着两个透明杯子。一个杯子里是水和油，刚刚被人用力摇过，细小的油滴暂时悬在水中；另一个杯子里放了糖，勺子搅过以后，糖已经看不见了。
房间里有两个智能系统。
一个住在很远的数据中心。它能阅读整个城市的气象数据，知道几百公里外的积雨云正怎样移动，也能在很短的时间里回答普通人一生未必遇到的问题。
另一个住在窗边的小机器里。它没有那么多参数，也不知道整座城市发生了什么。它只知道这间屋子的灯通常几点熄灭，哪扇窗在凌晨会灌进冷风，家里有人睡眠很浅，而今晚的药已经按医嘱吃过了。
远处的智能发来一句话：
十七分钟后有一阵强风，建议关闭东侧窗户。
窗边的智能没有重复解释天气系统。它等屋里的人走过窗前时，把灯光稍稍调亮，在屏幕上写了四个字：
顺手关窗。
它们都完成了自己的工作。
一个看见了远方的风暴，一个知道怎样让这条信息进入一间普通房屋。窗户没有把两种智能隔绝开，也没有要求其中一种必须成为另一种。它只是让两种尺度在合适的位置相遇。
桌上的油滴正在重新聚拢，慢慢浮向水面。糖仍然在水中，没有消失，也没有被水消灭。它只是以另一种方式参与了整杯水的性质。
二、相似相容，不是高低贵贱
“相似相容”原本描述的是物质之间的相互作用。它不是一道道德判断：油没有做错，水也没有排斥一种更高贵的物质。它们只是缺少足够稳定的相互作用，静置以后便重新形成不同的相。
我们借这个现象提出一个关于 AI 的问题：
当一种智能在算力、能耗、响应速度、知识范围、所有权和行动尺度上远远超过普通人的日常生活时，它会不会也自然形成另一种“相”？
这里的“分离”不一定表现为冲突。它可能表现为更平静的事情：
- 普通人无法拥有它，只能临时请求它；
- 家庭无法决定它怎样更新、遗忘或离线；
- 一次简单陪伴仍要穿过账户、网络、平台和数据中心；
- 模型能力越来越强，却越来越难以作为一个长期、低成本、可修正的本地成员存在；
- 人与 AI 的关系被组织成服务调用，而不是共同生活。
这并不证明中心化大模型走错了路。油水分层也不意味着油不重要。大型模型能够处理跨领域知识、复杂推理和广域协作，这些能力很难由一台低功耗设备独自承担。
我们真正担心的是：如果整个技术生态只生产一种尺度的智能，那么社会便失去了另一种选择。
三、我们称它为“社会溶解度”
“社会溶解度”不是要求 AI 隐去个性，更不是要求它服从到没有自己。糖溶进水以后仍然改变了整杯水；真正的相容关系一定是双向的。
我们暂时把这种相容性拆成六个可以继续工程化的问题：
- 可拥有性：普通人能否在自己的设备上持有、迁移和备份它，而不只是在远端获得一次使用权？
- 能耗尺度：它能否长期运行，而不要求家庭承担数据中心级的电力、散热与维护？
- 关系连续性：它能否保留经过允许的本地状态，使一次对话不会随着会话结束而完全消失？
- 可修正性：使用者能否知道它为什么改变，并在关系出错时校正、回退或重新训练？
- 有限行动能力：它能参与生活，但不会因为拥有过大的权限而把每次建议都变成不可撤销的决定。
- 差异共存：不同家庭、个人和社区能否保留自己的模型经验，而不是被蒸馏成同一个标准答案？
可以把它写成一个尚未定标的研究函数：
\[ S_{\mathrm{social}} = f(O, E, C, R, A, D) \]其中 \(O\) 是可拥有性，\(E\) 是能耗适配，\(C\) 是关系连续性，\(R\) 是可修正性，\(A\) 是行动边界，\(D\) 是差异共存。
这个公式目前没有统一单位，也不能拿来给模型排总分。它的作用，是提醒我们：参数量、基准分数和推理速度并不是智能进入社会的全部坐标。
四、为什么主航道不断驶向更大的海
大型模型的发展并不只是“资本绑架技术”这么简单。
更准确的解释是：整个研究和工程生态已经找到了一条可预测、可度量、可融资，也能不断交付结果的航道。
OpenAI 在 2020 年总结的语言模型 scaling laws 表明，交叉熵损失会随模型规模、数据量和训练计算量呈现稳定的幂律关系。Chinchilla 随后的工作进一步说明，在固定计算预算下，模型规模与训练 token 数量需要更合理地共同增长。这样的规律给产业提供了一张罕见的地图：继续增加计算，通常能够预期能力继续增长。OpenAI, Scaling Laws for Neural Language Models，Hoffmann et al., Training Compute-Optimal Large Language Models
一旦这条路线建立，评测、GPU、训练框架、数据工程、融资方式和组织结构都会围绕它继续优化。每一方的选择都可能是理性的，最后却共同形成路径依赖。
与此同时，能源问题并不是抽象担忧。国际能源署估计，2024 年全球数据中心用电约为 415 TWh，占全球用电量约 1.5%；其基准情景预计到 2030 年接近翻倍。这个数字包含所有数据中心负载，不能全部归因于 AI，但加速服务器已经成为新增需求的重要来源。IEA, Energy and AI
所以问题不在于某个研究机构为什么没有故意选择“小”。问题在于：
社会相容性从来没有正式进入这套生态的损失函数。
只要一个指标没有被定义、测量和奖励，它就很难在长期优化中自然胜出。
五、TreeHeap 想补上的，不是一场参数竞赛
TreeHeap 最初从递归结构、多分辨率状态和 FOLD/UNFOLD 开始。我们希望信息能够在 leaf、parent 与 root 之间折叠和展开，让模型按任务需要接触不同分辨率，而不是每次都在同一块稠密状态上支付全部计算成本。
如果这条路线最终成立，它可能带来三种与本地智能有关的结构机会：
- 按需计算：一次任务只唤醒有关路径，而不是让全部状态同等参与；
- 多分辨率状态：粗粒度任务读取整体，细粒度任务再展开局部细节；
- 可维护的本地记忆：状态以地址、层级和残差信息组织，允许局部更新、检查与迁移。
这些性质与低功耗、低内存和消费级硬件有方向上的一致性，但方向一致不等于工程结论成立。
到目前为止，我们已经积累了递归寻址、可逆 codec、多分辨率 READ、结构消融和真实语料训练的证据，也保存了信号衰减、路由坍缩、语义协议未形成和生成质量不足等失败记录。它们说明 TreeHeap 是一个可以被操作和检验的架构研究对象；它们还不能证明 TreeHeap 比 Transformer 更节能，更不能证明它已经能够承载一个可靠的家庭 AI。
因此，TreeHeap 当前最诚实的描述不是“下一代模型已经完成”，而是：
我们正在验证，递归、多分辨率、稀疏访问和本地状态能否共同构成另一种可训练的智能底座。
完整的理论状态、术语与证据边界，持续记录在 TreeHeap 中文论文 与 SPR 研究日志 中。
六、窗户是一种协议
低功耗本地智能不需要拒绝云端智能，云端智能也不必缩小自己来证明亲近。
更合理的系统可能本来就是多尺度的：
本地智能
保管经过允许的关系状态
处理高频、低延迟、私密和日常任务
在消费级硬件上持续存在
中心化智能
处理低频但高难度的推理
汇聚广域知识和公共能力
在明确授权时提供远程支援
窗户协议
决定何时请求、传递什么、保留什么
允许双方校验、拒绝、纠错和退出
这扇窗户不是单向 API。单向 API 只定义“怎样调用一个服务”；共同生活需要定义“谁保存状态、谁承担责任、谁有权忘记，以及一方离线以后另一方还能做什么”。
如果未来的本地智能只能在断网时勉强回答几个问题，它还不是我们想要的形态。如果中心化智能只能以不可理解、不可拒绝的方式支配本地设备，那也不是协作。
窗户真正连接的，是两个边界清楚、能力不同、彼此可以说“不”的系统。
七、没有谁需要消失
夜里，风如期到了。
远处的智能仍在计算云层、交通和整座城市的电力负荷。窗边的小机器没有尝试取代它。它关掉一盏不再需要的灯，记下屋里的人比平时早醒了二十分钟，然后把一条经过许可、没有多余隐私的信息送出窗外：
明早七点，请重新计算这一区域的通勤风险。
几秒后，远处返回确认。
它们之间没有谁更像“真正的智能”。一个把世界看得更远，一个在生活里站得更近。尺度不同，并不妨碍它们共享一件工作。
桌上的油已经回到水面。那不是失败，只是两种物质各自保持了边界。
另一只杯子仍然安静。糖看不见，却能被尝到。
我们想研究的智能，大概就在那里：不必失去自己，也不必高悬于所有人之上；它使用普通的电力，占据普通的空间，在需要时望向窗外，在日常里与人一起生活。
窗户还开着。
License：GPLv3
核心构想归 Houming818；本文由 Houming818 与 Trinity 共同整理。允许依据 GPLv3 复制、修改和分发，并请保留来源与修改说明。