劳登县在过去20年建造了5300万平方英尺的数据中心，平均每年约265万平方英尺。这一规模相当于约244个标准足球场的大小，表明该地区已成为重要的数据中心集群。然而，缺乏与全国其他地区的比较数据，无法确定这一规模是否异常突出。

这个数据点表明KPMG的全球业务覆盖范围极广，138个国家和地区的业务覆盖显示了其作为国际专业服务巨头的规模。这个数字可信度较高，因为大型专业服务公司通常会公布其国际业务覆盖范围。与四大其他三家相比，这个覆盖范围处于同一量级，反映了全球专业服务市场的格局。

这个数据点展示了税务处理的规模：数万份报税表和数百万份文件。这解释了为什么自动化如此重要—人工处理如此大规模的数据不仅耗时而且容易出错。'tens of thousands'和'millions'之间的比例关系也显示了每份报税表通常涉及数十份支持文档的复杂性。

这一数据点显示了PwC对Claude的大规模采用计划，包括培训3万名专业人士。'数万名'的表述不够精确，但30,000的培训数字显示了专业培训的规模。这表明专业服务公司正在积极将AI整合到其服务中，但文章没有提供培训的具体内容和认证标准。

PwC计划将其全球数十万专业人员的 workforce 纳入Claude的使用范围。这是一个大规模部署计划，表明了企业级AI应用的规模化趋势。'数十万'是一个模糊的表述，缺乏精确数字，但足以显示合作规模之大。

大多数人认为Google Earth AI模型主要用于公开数据集或一般商业应用。但作者认为Vantor将这些模型应用于一个规模、准确性和时间深度都前所未有的数据集上，这是一个反直觉的突破，因为它将AI能力与专业空间数据基础结合，创造了新的分析维度。

这个案例展示了AI系统在自动化研究中的应用，5分钟的增量优化时间是一个精细的时间尺度，表明AI系统已经能够进行快速迭代的实验。61K+的GitHub星标表明这种方法在AI研究社区中引起了广泛关注。

这个案例展示了AI系统的惊人规模和产出能力，协调数百个AI agent，一周内生成超过一百万行代码。然而，'远未达到生产质量'的评估也揭示了当前AI系统在复杂项目中的局限性，特别是在代码质量和系统架构方面。

DeepSeek V4的模型规模之大令人震惊，这表明了在长上下文处理方面取得的显著进步。

5GW的算力规模极其庞大，相当于一个小型国家的电力消耗。这一数字表明Anthropic正在为AI模型训练和部署构建前所未有的基础设施，反映了大型语言模型对计算资源的巨大需求。相比其他AI公司的算力规模，这是一个非常激进的扩张计划。

令人惊讶的是：Artemis安全公司在短短几个月内就处理了每小时超过10亿个安全事件，这种数据处理规模反映了现代企业面临的网络安全威胁的惊人频率和复杂性。

将美国 AI 数据中心建设规模与曼哈顿计划和阿波罗计划的峰值相比——这个类比既令人震惊，又揭示了竞争的本质已从技术竞争升级为「工业动员」。曼哈顿计划是战时国家意志的总动员，阿波罗计划是冷战荣耀的象征投入。如今的 AI 算力竞赛，在绝对体量上已超越这两个历史上最大规模的科技工程——而这场竞赛还远未触及天花板。

• for: smart cities, doughnut cities, cosmolocal, downscaled planetary boundaries, cross-scale translation of earth system boundaries, TPF, community data, local data, open data, community data ownership, quote, quote - Garth Graham, quote - community owned data
• quote
• paraphrase
  • Innovation in the creation and sustainability of social institutions acts predominantly at the local level.
  • In the Internet of Things, for those capacities to emerge in smart cities, communities need the capacity to own and analyse the data created that models what they are experiencing.
  • Local data needs to be seen as a common, pool resource.
  • Where that occurs, communities will have the capacity to learn or innovate their way forward.
  • So far, smart city systems are being set up to appropriate and commercialize individual and community data.
  • So far, communities are not waking up to the realization that a capacity they need is being stolen from them before they have it.
• author: Garth Graham
  • leader of Telecommunities Canada

• respond to skewness towards large values / outliers by spreading out the data.
• show multiplicative factors rather than additive (ex: b is twice that of a).

  The data values are spread out better with the logarithmic scale. This is what I mean by responding to skewness of large values.

In Figure 2 the difference is multiplicative. Since 27 = 26 times 2, we see that the revenues for Ford Motor are about double those for Boeing. This is what I mean by saying that we use logarithmic scales to show multiplicative factors

Bloom, J., & Cobey, S. (2021, December 12). Opinion | A Scientist’s Guide to Understanding Omicron. The New York Times. https://www.nytimes.com/2021/12/12/opinion/covid-omicron-data.html

ReconfigBehSci on Twitter: ‘RT @CT_Bergstrom: I also dislike the choice of axis scales. I don’t mind line graphs with axes that don’t go to zero (https://t.co/EpPNR9Lx…’ / Twitter. (n.d.). Retrieved 22 March 2022, from https://twitter.com/SciBeh/status/1477181158425251840

Unrealistic optimism about future life events: A cautionary note. (n.d.). Retrieved March 4, 2021, from https://psycnet.apa.org/fulltext/2010-22979-001.pdf?auth_token=a25fd4b7f008a50b15fd7b0f1fdb222fc38373f4

IZA – Institute of Labor Economics. ‘COVID-19 and the Labor Market’. Accessed 6 October 2020. https://covid-19.iza.org/publications/dp13690/.

Couture, V., Dingel, J. I., Green, A. E., Handbury, J., & Williams, K. R. (2020). Measuring Movement and Social Contact with Smartphone Data: A Real-Time Application to COVID-19 (Working Paper No. 27560; Working Paper Series). National Bureau of Economic Research. https://doi.org/10.3386/w27560

Ryan, W., & Evers, E. (2020). Logarithmic Axis Graphs Distort Lay Judgment. https://doi.org/10.31234/osf.io/cwt56

Tsitsulin, A. & Perozzi B. Understanding the Shape of Large-Scale Data. (2020 May 05). Google AI Blog. http://ai.googleblog.com/2020/05/understanding-shape-of-large-scale-data.html