摘要：100多年前，Erlang解决了第一个问题：多少电话线，才能让人随时拨通？他给出了答案：用一个参数E，衡量整个系统的“负载”，也就是到达率乘以服务时间。用一个简单的公式，就能算出呼叫被拒绝的概率。这套东西今天还在用，银行客服、医院挂号。

排队，看起来像小事，其实是系统失衡的明证。资源有限，人却不等人。

100多年前，Erlang解决了第一个问题：多少电话线，才能让人随时拨通？他给出了答案：用一个参数E，衡量整个系统的“负载”，也就是到达率乘以服务时间。用一个简单的公式，就能算出呼叫被拒绝的概率。这套东西今天还在用，银行客服、医院挂号。

这就是排队论的出发点。问题的本质不是排，而是“等资源”。

资源越紧张，排队就越长。机场安检、火车调度、医院分诊，其实就是一个接一个的排队网络。用户关心的是“响应时间”，能不能快点轮到我；运营者关心的是“利用率”，人有没有白雇、机器有没有闲着。

性能建模（Performance Modeling）就是干这个的。看起来像排队，其实是在追踪资源的“流动性”和“竞争性”。

早期系统简单，模型也简单。单个服务中心、一条队伍、一种规则，叫M/M/1系统，都是指数分布。

但人不是指数分布。人会变、会犹豫、会放弃，会看到前面排太久就走人。人也不是一个个来的，是一群一群、一波一波来的。人还会分优先级，会看情况调整策略。这些东西，传统的排队论根本兜不住。

到了多资源的系统，情况更复杂。比如机场安检，资源是篮筐、是X光机、是工作人员。用户不是按顺序排完就走，中间还要“分流”“合流”“同步”。经典模型无法处理这些并发结构，只能换一套语言。

于是计算机科学家发明了“过程代数”（Process Algebra）。它不再用一条线排队，而是用一种“编程语言”描述系统的多个部分怎么协作。像编程序一样写模型，再用软件一键生成马尔科夫链，求解。

这套新模型的杀手锏是：可以精确控制每一个资源的行为，把资源当作“第一公民”建模，不只是用户的附庸。

英法比意的工程师们开始用这套工具优化现实问题。从比利时运河调度，到法国3G网络布点，再到意大利公交车内传感器的数据传输性能，都能建模、求解、改进。

甚至连细胞里的蛋白质循环，也开始用这套方法分析。蛋白质是资源，反应是任务，细胞是系统。过程代数变种 Bio-PEPA，用来建模细胞周期，能看出正常振荡与突变失调的差别。

一套理论，横跨工厂、铁路、网络、生物。但它还有一个对手，最近特别红：AI大模型。

ChatGPT不是魔法，是资源叠出来的怪物。训练一个模型，要几百张GPU卡跑一个月，耗电量上千吨碳排放，远超一部手机运行十年。推理一次，能耗是Google搜索的100倍。

最离谱的是，这一切都被当成“正常”，甚至是“进步”。

因为模型之间比的不是资源效率，而是“榜单表现”——谁的准确率高，谁能多答对几个选择题。至于用了多少电、烧了多少钱，不在考核项里。

能效不管，资源就无限堆。数据爆炸，参数膨胀，从老鼠脑，到猴脑，再到人脑，模型越大越有“统治力”。

但总有人没那么多资源，比如DeepSeek。它是被迫节省的，结果反而做得更好。在相同任务上，它比GPT便宜得多，跑得更快，而且答得还更准。

关键在哪？不是魔法，是调度。更好的并行结构，更少的浪费，更紧凑的架构。资源用得更聪明。

所以，该回头看看最早的启示了。Erlang那套一百年前的公式，提醒我们：资源不是免费的，排队不是例外，是规则。

越是拥挤的未来，越要懂得怎样让资源动起来。系统不是靠堆出来的，是靠“算”出来的。

大模型不是终点，而是一次倒退。性能建模，才是该重新回归的方向。

来源：老胡科学一点号