top of page

集結舊手機算力 媲美當今伺服器

你可曾想過,你抽屜裏那部4年前的舊手機,可能很有價值?


這個星期,Google Research聯同加州大學聖地牙哥分校(UCSD)公布一項創新計劃:運用2000部退役的Pixel手機,構建一個真實可用的雲端計算平台。這不僅是概念驗證,更是一個供數百名學者與研究人員實際操作的生產級環境。處理方式十分直接,將舊手機的熒幕、電池、外殼全部移除,僅保留主機板,透過Kubernetes技術組成叢集,直接轉化為伺服器使用。結果令人驚訝,根據美國標準性能評估公司基準測試數據顯示,僅需25至50部手機的運算能力,已能達到現代伺服器的同等水平。


換言之,你抽屜中那部被遺忘的舊手機,再加上鄰居與同事手中的同類型號,它們的組合效能或許能超越一整台專業伺服器。這並非簡單的回收利用,而是一種資源的共生關係。放眼全球,每年有數以億計的手機被淘汰更新;在香港,平均每兩年就更換手機的頻率,已成為普遍現象,遠高於全球平均水平。關鍵在於,手機製造商希望你覺得4年前的處理器太慢、鏡頭畫質落後,我們被市場定義的「過時」蒙蔽了雙眼。


同時,美國西雅圖市議會正式通過一項緊急禁令,規定一年內暫停審批任何新的數據中心項目。值得注意的是,這項禁令的提案者中,竟然包括亞馬遜(Amazon)的工程師代表。在公開聽證會上,一位資深工程師指出,「當前科技業普遍存在一種迷思,即認為人工智能(AI)應成為萬能解決方案,卻對其背後所消耗的龐大資源視而不見。」據統計,當地5個新數據中心項目的總電力需求高達369兆瓦,相當於西雅圖全市每日總用電量三分之一。面對AI技術快速發展帶來的資源挑戰,全球科技領導企業正以前所未有的規模擴建數據中心,其消耗的能源與水量已達到令人震驚的水平。


然而,許多人忽略了一個更嚴峻的課題:潛藏碳(Embodied Carbon)。數據中心的硬件設備,在生產製造環節已釋放大量碳排放,且這些排放一旦產生便無法挽回。情況讓我憶起早年擔任顧問時,所見的供應鏈審計報告。多數企業的碳足跡,其主要來源並非在營運階段,而是在產品出廠之前便已確定。


AI對算力的需求是真實存在的,且其增長速度已遠超所有人預期。在此背景下,「用舊手機做伺服器」或許能給我們帶來啟示,電子零件的循環再用實為一種務實之策。這並非以犧牲性能換取環保,而是能否在有限資源下,找到持續發展的方式。

Recent Posts

See All
選擇胖模型還是胖鞍具?

打開任何人工智能(AI)方案,你會看到兩種完全不同的產品策略在較量:一種叫做胖模型(Fat Model),另一種叫做胖鞍具(Fat Harness)。 胖模型的信念很直白:以更大的大腦解決更多的問題。參數多、數據龐大、算力強,模型自然顯得聰明。這驅動了ChatGPT、Claude和Grok之間的競賽──每一代都宣稱新產品比上一代更強,而企業只要付費就能直接使用,代價是你的AI能力完全綁定在供應商的

 
 
慎防智能代理「無聲」脫軌

試想想,人工智能(AI)系統已在生產環境中完成部署,但究竟要如何防止AI「悄然失靈」?過去3個月,全球超大規模企業在AI基礎設施上的資本支出達到一個前所未有的量級。單憑這一數據,人們或許會得出結論:AI的生產化部署正在全力推進,市場充滿信心。 然而,7月份第一周,來自不同領域的幾個訊號同時浮現,揭示出一個更為複雜的真相。一邊是史無前例的基礎設施投資;另一邊是一群深諳「系統可靠性」的專家──那些專門

 
 
AI預算黑洞 根源在架構設計

過去兩年。美國眾企業不約而同墮入一個速成陷阱: 認為購買了一個模型、聘請幾位演算法工程師、便能成功實現人工智能 (AI) 落地。然而,即使模型選擇正確數據卻 難以整合;數據成功整合,系統卻無法運行;系統成功運行,但業務部門不會操作;即使學會操作,3個月後模型又變得過時。 問題根源其實不在模型,而在架構。猶如建造大樓,若設計圖存在缺陷,再昂貴的材料也難以支撐。許多企業投入巨資購買「鋼筋水泥」(模型和

 
 
bottom of page