19｜如果地理决定过去，那它还能决定 AI 时代吗？

一、先说结论

二、我们先理解一个问题

云计算听起来是最「没有地理」的东西。

你把数据放到「云」上，云在哪里？在很多人的想象里，云是飘在空中的、无处不在的。可是现实中，每一片「云」都落在某一块具体的土地上，要耗电、要用水、要散热、要连光缆。

所以真正有意思的问题是：

这个问题，正好可以拿来检验戴蒙德：当技术削弱了传统地理约束之后，地理是不是就退场了？

三、作者到底提出了什么观点？

再次分清层次。

戴蒙德在书中的观点是： 地理之所以重要，是因为它决定了资源的分布与扩散的效率。可驯化的作物在哪里、大陆是不是东西向、疾病负担有多重，这些决定了社会发展的速度。

他并没有讨论 AI。 所以这里要做的是把他的追问方式拿来用，而不是搬他的结论。

用他的方式问，问题会变成：在数字时代，什么是新的「可驯化资源」？这些资源的分布是否均匀？扩散是否顺畅？谁先拿到，谁就获得先发优势？

一些分析者认为，答案指向的是：稳定的廉价电力、充足的水、适宜的气候、密集的工程师、以及允许长期投入的制度。

四、把这个观点翻译成人话

我们总觉得「软件没有重量、网络没有距离」。

但请想一想：你在网上点的外卖，还是要经过一个具体的仓库、一条具体的街道。

数字世界也一样。

一部大模型要训练，需要成千上万块芯片连续运转几个月。芯片要耗电，电要有人发；机器要散热，可能要用大量水；数据要传输，要靠海底光缆；维护它的人，得住在附近。

所以「云」不是没有地址，而是它的地址被藏起来了。

戴蒙德当年关心的是：小麦、牛、马能不能在某块土地上活下去。今天我们该关心的是：电、水、芯片和人才，能不能在某块土地上聚起来。

问题结构是一样的，只是主角换了。

五、为什么会这样？

把「AI 时代的新地理」拆成一条链：

graph TD
    A[新的资源禀赋: 电力 / 水 / 气候 / 芯片 / 人才 / 制度] --> B[数据中心与实验室选择聚集地]
    B --> C[工程师与资本随之聚集]
    C --> D[网络效应: 越多越强, 越强越吸引]
    D --> E[少数地区形成压倒性优势]
    E --> F[其他地区面临数字鸿沟]
    A --> G[地缘因素: 先进芯片集中在少数厂商]
    G --> E

这条链里，最像戴蒙德的地方是 D 到 E 这一步——自我催化。

他讲过技术会不断催生新技术；今天也一样：一个地方有了算力和人才，就会吸引更多创业公司与研究者；更多公司又带来更好的基础设施和更多的投资。优势像滚雪球一样越滚越大。

而 A 和 G 提醒我们：数字世界并没有摆脱物理世界。 电力有产地，水有产地，最先进的芯片只在极少数地方生产。你不能用一行代码变出一座发电厂。

六、举一个现实生活中的例子

假设你是一家小公司的负责人，要训练一个模型。

你打开地图找算力，很快就会发现，可选的地方其实不多。你要考虑：哪里的电便宜又稳定？哪里的气候凉爽、散热成本低？哪里不缺冷却水？哪里的网络延迟小、离用户和光缆近？

这些条件不会同时满足于世界上任何一个地方，它们只会在少数几个区域重叠。于是你很可能不得不把数据和任务送到某个遥远的、你不熟悉的地方去。

再往大一点看：一座原本安静的小镇，忽然因为建了大型数据中心，电价、用水、就业、地价都发生了变化。有人因此受益，也有人开始担心水不够用。

这就是 AI 时代的地理：它不再写在气候带上，而是写在电网、水管、光缆和土地价格上。

七、回到书中重新理解

现在回头看看戴蒙德讲的两个核心机制——资源分布和扩散效率——你会发现它们几乎原封不动地重演了。

他讲大陆轴线：欧亚是东西向，同纬度传播顺畅；非洲和美洲是南北向，跨气候带，传播受阻。

数字时代也有它自己的「轴线」。光缆、电网、供应链，就是新的传播通道。 一个地区如果接上了这些通道，就能迅速吸收技术与资本；如果被排除在外，就会像被沙漠和雨林隔开的古大陆一样，长期孤立。

他讲可驯化的动植物分布不均，决定了农业能否起步。

数字时代也一样：先进芯片的制造能力、稳定的能源供给、高质量的教育体系，分布同样极不均匀。 谁能先驯化这些「新作物」，谁就先拿到下一个时代的枪炮与钢铁。

需要再强调一次：这整套类比是延伸分析，戴蒙德本人并没有这样论证过。

八、这个观点背后还有什么？

这里有一个关键的隐含前提：技术能够削弱自然地理，但不能取消聚集经济与制度差异。

技术确实在「拉平」：远程办公让一部分人可以留在小城市，为远方的大公司工作；在线教育让偏远地区也能接触到优质课程；开源模型让小团队也能用上先进工具。

但技术同时也在「重新聚集」：最顶尖的机会、最密集的同行、最活跃的资本，往往仍然集中在少数几个时区和城市。你可以在家写代码，但你很难在家里遇到全行业最聪明的一群人。

所以真实的情况不是「地理消失了」，而是：自然地理的约束在变弱，而经济地理和制度地理的约束在变强。

理解这一点，就能避免两个极端——既不要以为技术会自动抹平一切，也不要以为地理会永远锁死一切。

九、这个观点有问题吗？

十、今天再看这个观点

（以下为现代延伸，非戴蒙德原文）

把戴蒙德的方法用到今天，可以问出几个很有价值的问题：

• 能源转型：如果未来的竞争是电力的竞争，那么拥有廉价清洁能源的地区，会不会像当年拥有新月沃地一样，获得一次结构性优势？
• 气候与选址：气温上升会让某些地区的散热成本、水资源压力上升，从而改变算力版图。这几乎是「地理再次出手」。
• 数字鸿沟：当教育、算力和数据在少数地方聚集，落后地区会不会被进一步甩开？这和第 18 篇讲的路径依赖是同一条逻辑。
• 教育与人才：新的「可驯化作物」可能不是小麦，而是能够长期培养工程师的教育体系。这恰恰是可以被制度和政策改变的变量。

这些问题没有确定答案，但它们都有一个共同点：先问条件，再问结果；先看资源分布，再看谁先跑出来。

这正是戴蒙德留下的方法。

十一、这一篇真正应该记住什么？

1. 本篇是延伸，不是戴蒙德原文。 他没有写过 AI，但我们可以借用他的追问方式。

2. 数字世界没有消灭地理，只是换了地理。 电力、水、气候、芯片、人才，成了新的「资源禀赋」。

3. 自我催化机制在 AI 时代重演。 算力与人才越聚集，越吸引资本与人才，地区优势会被不断放大。

4. 技术同时在做两件相反的事。 它削弱自然地理的约束，又强化经济与制度地理的聚集——所以答案是「地理的消亡与重生」，而不是简单的消失。

5. 戴蒙德式的问题依然有效： 为什么某些地区能率先拿到新资源？这是条件问题，不是优劣问题。

十二、留一个问题

我们已经走了很长一段路。

从耶利的问题出发，我们拆穿了「民族优劣」的解释，搭建了从环境到枪炮、病菌与钢铁的因果链，又看到了它的争议、它的现代延续，以及它在 AI 时代可能的变形。

可是走到这里，一个更根本的问题浮了出来：

也许答案不在他的结论里，而在他提问的方式里。

下一篇，是这个系列的最后一篇。我们来认真回答：重读戴蒙德，我们真正该记住的是什么？