從歷史看 AI：過去的科技熱潮能給我們什麼啟示？

基礎設施週期的循環

矽谷常宣稱其最新的突破是史無前例的，但事實並非如此。當前的人工智慧浪潮，其實與 1800 年代的鐵路擴張及 1990 年代後期的網路泡沫極為相似。我們正目睹資本流向與運算能力集中化的巨大轉變，這一切的核心在於誰掌握了未來的基礎設施。美國之所以領先，是因為它擁有最雄厚的資本與最具侵略性的雲端服務供應商。歷史證明，誰控制了軌道或光纖電纜，誰最終就能制定遊戲規則。AI 也不例外，它遵循著「基礎設施建設」隨後「快速整合」的固定路徑。理解這一模式，能讓我們看穿炒作，找出新週期中真正的權力核心。結論很簡單：我們不只是在開發更聰明的軟體，而是在打造一種如同電力或網際網路般基礎的公用事業。最終的贏家，將是那些掌握實體硬體與維持系統運作所需巨量資料集的人。

從鋼鐵軌道到神經網路

想了解今日的 AI，看看美國的鐵路熱潮就知道了。在 19 世紀中葉，大量資本湧入橫跨大陸的鐵路鋪設。雖然許多公司倒閉了，但軌道留了下來，並成為下個世紀經濟成長的基石。AI 目前正處於「鋪設軌道」的階段，只是我們用的不是鋼鐵與蒸汽，而是矽晶片與電力。微軟 (Microsoft) 與 Google 等公司投入的巨資，正在建立支撐所有產業的運算叢集。這是一場經典的基礎設施博弈。當一項技術需要龐大資本才能啟動時，自然會偏向大型、成熟的玩家。這就是為什麼美國的幾家巨頭能稱霸該領域——他們有錢買晶片、有地蓋資料中心，還有現成的用戶群來大規模測試模型。這形成了一個回饋循環：大玩家獲得更多資料，讓模型變得更好，進而吸引更多用戶。

人們常誤以為 AI 是獨立的產品，但將其視為一個平台會更準確。正如網際網路需要經歷 [external-link] 網際網路歷史 的演變，才能從軍事專案轉變為全球公用事業，AI 也正從研究實驗室走向商業運作的骨幹。這種轉變比過去的週期更快，因為分發網路已經存在。我們不需要鋪設新電纜來接觸用戶，只需要升級線路末端的伺服器。這種速度感讓當下顯得與眾不同，儘管底層的經濟模式我們早已熟悉。權力集中是這一階段的特徵，而非錯誤。歷史顯示，一旦基礎設施就位，重點就會從「建設系統」轉向「從中榨取價值」。我們現在正接近那個轉折點。

美國的資本優勢

AI 的全球影響力直接與誰能負擔得起這筆帳單掛鉤。目前，這主要是美國。美國資本市場的深度允許其他地區難以企及的風險承受度，這在平台權力上造成了巨大的差距。當少數幾家公司控制了雲端，他們實際上就控制了所有人的遊戲規則。這對國家主權與全球競爭有著深遠的影響。沒有大型運算基礎設施的國家，必須向美國供應商租用，這創造了一種新型的依賴。這不僅僅是軟體授權的問題，而是關於存取現代經濟運作所需的處理能力。這種權力集中是科技史上不斷重演的主題。

權力之所以集中在少數人手中，主要有三個原因：

• 訓練頂尖模型的成本現已達到數十億美元。
• 所需的特殊硬體由極少數製造商生產。
• 資料中心巨大的能源需求，使電力供應穩定且便宜的地區更具優勢。

這一現實反駁了「AI 將成為偉大平衡器」的觀點。雖然工具對個人來說變得更容易取得，但底層的控制權卻比以往任何時候都更加集中。各國政府已開始注意到這種失衡，並研究像 [external-link] 謝爾曼反托拉斯法 這樣的歷史先例，試圖用舊法律來處理新壟斷。然而，產業發展的速度目前已超越了政策。等到法規經過辯論並通過時，技術往往已經領先了兩代。這造成了一種永久性的滯後，法律永遠在回應已經改變的現實。

當軟體跑得比法律快

這種速度帶來的現實影響，在企業被迫適應的方式中顯而易見。試想一家芝加哥小型行銷公司的日常：五年前，他們雇用初級寫手撰寫文案，並請研究員尋找趨勢；今天，老闆只需訂閱一個 AI 平台，就能處理七成的工作量。早晨從 AI 生成的全球市場趨勢摘要開始，中午系統已根據這些變化草擬了三十種不同的廣告版本。人類員工現在扮演的是編輯與策略師，而非創作者。這種轉變發生在從法律到醫療的每個領域。它提高了效率，但也造成了對平台供應商的巨大依賴。如果供應商更改定價或服務條款，行銷公司別無選擇只能配合，因為他們已將工具深度整合到工作流程中，無法輕易切換回人工操作。

這個場景說明了為什麼政策難以跟上。監管機構還在擔心資料隱私與版權，而產業已經邁向能做出財務決策的自主代理人。AI 發展的工業速度是由市場佔有率的競賽所驅動的。企業願意「先破壞再修復」，因為在基礎設施競賽中，第二名往往等於最後一名。我們在瀏覽器大戰與社群媒體的興起中都見過這種情況。贏家是那些動作夠快、成為預設標準的人。一旦成為標準，就極難被取代。這導致公眾利益往往次於對規模的追求。矛盾的是，我們想要技術帶來的紅利，卻又對它賦予少數企業的權力感到擔憂。

關於 [internal-link] 最新 AI 產業分析 指出，我們正進入深度整合階段。在這個階段，技術不再是新奇事物，而成為了必需品。對企業而言，不使用 AI 很快就會像 2010 年不使用網際網路一樣——雖然可能辦得到，但會極度缺乏效率。這種採用的壓力推動了快速成長，儘管長期後果尚不明朗。我們正在重演 2000 年代初期，當時企業爭相上線，卻未完全理解安全或隱私風險。今日的不同之處在於規模更大、賭注更高。我們現在建立的系統，很可能將決定未來幾十年我們工作與溝通的方式。

運算時代的嚴肅提問

我們必須以蘇格拉底式的懷疑態度審視當前的熱潮。這種快速擴張的隱形成本是什麼？最明顯的是環境影響。[external-link] 國際能源署關於資料中心的報告 強調了這些系統消耗的電力有多驚人。隨著我們建立更多資料中心，老化的電網承受了更大壓力。誰來支付這些基礎設施的費用？是賺取數十億美元的公司，還是共享電網的納稅人？此外還有資料勞動的問題。這些模型是在人類集體產出的基礎上訓練的，通常未經同意或補償。讓少數公司私有化公共資料的價值，這公平嗎？我們需要問誰真正從這種效率中受益。如果一項原本需要十小時的工作現在只需十分鐘，勞工是得到了更多空閒時間，還是只是被要求做十倍的工作？

隱私是另一個成本往往被隱藏的領域。為了讓 AI 更實用，我們給予它更多存取個人與職業生活的權限，我們正在用資料換取便利。歷史證明，一旦放棄隱私，幾乎不可能再找回來。我們在廣告支援型網際網路的興起中看到了這一點：原本用來尋找資訊的工具，變成了全球監控系統。AI 有潛力將此推向極致。如果 AI 知道你的思考與工作方式，它就能以難以察覺的方式影響你的決策。這些不僅是技術問題，更是需要軟體修補之外的社會與倫理困境。我們必須決定，進步的速度是否值得犧牲個人自主權。這些問題的答案，將決定 AI 熱潮進入成熟期後，我們所處的社會樣貌。

模型層的運作機制

對於關注技術面的人來說，重點正從模型規模轉向工作流程整合。我們正看到從大型通用模型，轉向可在本地硬體上運行的輕量化、專用模型。這是對雲端 API 高成本與延遲的回應。進階用戶越來越想尋找繞過主要供應商限制的方法，包括管理 API 速率限制，以及尋找本地儲存資料以確保隱私與速度的方法。將 AI 整合到現有工具中才是真正的核心工作。這不是為了跟機器人聊天，而是擁有一個能讀取本地檔案、理解你的程式碼風格並即時建議修改的模型。這需要與公共網路工具完全不同的架構。

未來幾年的技術挑戰包括：

• 優化模型，使其在消費級 GPU 上運行且不損失太多準確度。
• 開發更好的方法來處理 AI 代理的長期記憶，使其能記住數週或數月的上下文。
• 為不同 AI 系統之間的溝通建立標準化協定。

我們也看到「本地推論」(local inference) 的興起，作為維護敏感資料控制權的一種方式。透過在本地機器上運行模型，用戶可以確保其專有資訊永遠不會離開辦公室。這對於法律與金融等資料安全至關重要的產業尤為重要。然而，本地硬體仍落後於雲端巨頭擁有的龐大叢集，這創造了一個雙層系統：最強大的模型將留在雲端，而更高效、能力較弱的版本則在本地運行。平衡這兩個世界是開發者接下來的大挑戰。他們必須決定何時利用雲端的原始算力，何時優先考慮本地運算的隱私與速度。這種技術張力將推動未來幾年的大量創新。

您有任何關於 AI 的故事、工具、趨勢或問題，認為我們應該報導嗎？ 將您的文章想法寄給我們 — 我們很樂意聽取您的意見。

未完的規模化故事

科技史就是一部整合史。從鐵路到網際網路，我們看到了「爆發後隨之而來的是控制」的模式。AI 目前正處於這個週期的中間。美國的角度之所以佔主導地位，是因為此階段成長所需的資源集中在那裡。然而，故事尚未結束。隨著技術成熟，我們將看到對這種平台權力的新挑戰。無論是來自監管、新的技術突破，還是我們評估資料價值方式的轉變，都有待觀察。現在的關鍵問題是：我們能否在不放棄競爭與隱私的前提下，享受這種新基礎設施帶來的紅利？我們正在建立下個世紀的基石，對於誰握有鑰匙，我們必須非常謹慎。

編者按： 我們創建這個網站，是為了那些不是電腦高手，但仍希望了解人工智慧、更自信地使用它，並追隨已經到來的未來的人們，提供一個多語言的人工智慧新聞和指南中心。