永续计算不是反技术，它是在反对把算力当免费午餐

Permacomputing 社群整理了一套永续计算原则。它看起来不热闹，没有更大的模型、更快的服务、更无感的体验，反而问一些不讨喜的问题：旧硬件能不能继续用？这次计算有没有必要？系统成本为什么总被藏起来？

这套原则不是政策，也不是成熟行业标准。更准确地说，它是一份社群倡议和设计指南。

但它戳到的地方很硬。今天的科技产业习惯把增长、算力、硬件换代当作进步本身，永续计算偏要把账单翻出来。

这套原则到底在主张什么

Permacomputing 的伦理源头来自永续农业：Earth Care、People Care、Fair Share。放到计算领域，就是数字系统不能只对体验、效率和商业增长负责，也要对生态、劳动、资源分配负责。

它反对的不是技术，而是默认扩张。

最关键的事实锚点是硬件。

数字服务常被包装成云端、轻盈、无形。可芯片不是从云里长出来的。芯片制造高耗能、高污染，材料复杂，回收困难；设备退役后，还会进入电子废弃物链条。

这就是永续计算的底座：硬件不是背景板，而是计算的物质地基。

所以它不是反技术，也不是要回到前数字时代。它更像一套约束：能修就别换，能少算就别多算，能用稳固开放的技术就别把长期系统绑在短命框架上。

这话听着朴素。放在今天，已经很逆风。

对开发者和产品团队，影响不是口号，是动作

对开发者来说，永续计算不是让你停止优化，而是把优化目标改一改。

过去很多工程选择默认追求“更多”：更多依赖、更厚前端、更频繁更新、更高最低配置。结果用户以为设备老了，很多时候只是软件不再尊重设备。

更现实的做法很具体：减少不必要依赖，控制包体和资源占用，保留低性能设备可用路径，延长旧系统支持周期。不是每个团队都能做到极致，但至少别把浪费伪装成现代化。

对产品团队来说，最难的是 Not Doing。

一个功能能做，不等于该做。一个流程能被 AI 接管，不等于接管后总成本更低。尤其在生成式 AI 产品里，单次推理变便宜，常常会刺激更多场景接入。杰文斯悖论讲的就是这个：效率提高后，使用规模可能反而扩大。

技术效率没有错。问题出在商业扩张把效率红利吃掉，还把总消耗继续推高。

对关注 AI、数据中心和数字消费代价的读者来说，判断标准也可以更简单：别只看单次效率，要看总量；别只看体验升级，要看淘汰速度；别只看云端价格，要看硬件、能源、维护和废弃物有没有被藏起来。

这不是要求普通用户为整个产业买单。相反，它是在提醒：用户每次被推着换设备、开订阅、接受默认 AI 功能时，都在参与一套增长机制。

能不能关掉默认功能，能不能继续用旧设备，能不能选择轻量服务，这些小动作不浪漫，但很实际。

真正被挑战的是增长叙事

我更在意的，不是 Permacomputing 能不能马上改变行业，而是它把一个被长期美化的问题摆上桌：科技产业太依赖增长叙事。

更多用户，更多数据，更多模型参数，更多在线时长，更多设备更新。它们经常被统一包装成进步。可进步不是免检标签。

“天下熙熙，皆为利来。”放到算力时代，并不突兀。云服务、AI 模型、硬件厂商、平台产品，都有动力把计算需求做大。用户得到便利，企业得到收入，代价分散到电力、矿产、制造、废弃物和后续维护里。

历史上类似的事并不少见。铁路、电力、报业、电视、互联网平台，都经历过从“提高效率”走向“扩大消费”的阶段。技术确实带来新能力，但商业系统会把能力变成规模，把规模变成依赖。

今天不完全一样。计算的边际成本更低，扩张速度更快，很多成本也更不容易被用户看见。

这正是永续计算锋利的地方。它不把问题简化成“你环保不环保”，而是追问：系统有没有必要这么大？有没有必要这么复杂？有没有必要这么快淘汰？有没有把成本藏到别人那里？

它也有边界。

医疗、科研、气候建模、公共基础设施，确实需要复杂系统和强计算能力。小规模、可维护、节制，不会自动解决所有现代计算需求。把规模化一概打成原罪，并不诚实。

可今天的主流风险不在节制过头，而在扩张太顺手。行业更擅长把欲望写成需求，把替换写成升级，把消耗写成创新。

接下来真正该看三件事：AI 功能会不会从可选变成默认；软件更新会不会继续抬高硬件门槛；企业采购会不会把维修、复用和能耗成本纳入决策，而不是只看短期性能和预算。

如果这些变量不变，永续计算就很难从倡议走向实践。它会成为一面镜子，照出行业知道问题在哪，却不愿停手。