技术成为基础设施前，先在论文里出现：一台花 4 美元的 AI 读完 26,562 篇 MIT 学位论文

推荐 《I Taught an AI to Read 26,000 MIT Theses. It Cost $4.》：Yair Titelboim 于 2026 年 7 月 22 日发表于独立 newsletter Infrastructure Research 的长文。

关于 AI 的讨论常停在模型能力和资本支出，这篇文章把问题往前推了一步：一项技术在成为新闻、市场和政策对象之前，已经在什么地方被人认真研究过？ 作者用一座研究档案回答这个问题，也把数据中心从「计算设备」重新放回土地、电力、冷却、资本和许可组成的基础设施里。它提供的不是又一条 AI 趋势线，而是一种寻找趋势前史的方法。1

Titelboim 重建了一个 AI 阅读器，让它在不到一小时、约 4 美元的计算成本内读完 26,562 篇 MIT 学位论文，覆盖土木与环境工程、建筑、电子工程与计算机科学、城市研究与规划、管理五个领域。阅读器不只寻找关键词，还记录论文讨论了什么、用了什么方法、涉及什么地理位置，以及作者如何谈论一项技术。1

它把技术关注度分成五级：从 speculative（还在猜测是否重要），到 pilot（试点）、evaluative（评估效果）、critical（讨论代价与破坏），再到 infrastructural（已经默认存在，几乎不必解释）。这套分类抓住了文章最有价值的判断：技术史不只是「某个词出现得越来越多」，而是一个对象从新奇主题变成日常工具、最后变成环境本身的过程。

最锋利的对照发生在「关键词」和「意图」之间。2024 年，关键词匹配把 64% 的建筑环境类论文标成计算研究；AI 阅读后，这个比例只有 15%。前者把「使用数据」「建立模型」也算进去，后者才追问论文究竟是不是在研究计算本身。关键词显示一项工具渗入了所有学科，意图阅读才显示它何时成为一个独立对象。1

数据中心是这条曲线进入现实世界的例子：2010 年的论文已经在讨论数据中心的电力、冷却、气流和运营成本；到 2025 年，它们变成建筑环境、土地与许可问题。作者据此提出，数据中心完成了从设备间到房地产与电网议题的跨越，而生成式 AI 正在重复这条路径。1

还有一个需要保留怀疑的结果：在一个小型试验里，四种技术的论文关注度峰值大约比专利提及量早 16 年。作者明确说这只是 a pilot, not a law，但它足以提出一个值得检验的假设：公开的学术档案可能是技术扩散的领先指标，市场真正看见一项技术之前，它已经在论文里留下了较早的痕迹。1

这篇文章值得读的地方，正是它没有把 AI 阅读器包装成神谕：它公开规则、标出小样本，并让读者直接向档案提问。读完以后，判断一项技术是否正在成为基础设施，不必只盯着新闻热度；可以先问：谁已经在为它解决电力、成本、空间、制度和维护问题？