A close-up on the chemical symbol al.

类似文章

  • ||||

    DeepSeek、Perplexity 与 AI 挑战者的新浪潮

    昂贵的人工智能垄断时代即将终结。过去两年,行业普遍认为顶尖性能需要数十亿美元的算力投入和巨大的能源消耗。然而,DeepSeek 和 Perplexity 正在证明,效率完全可以战胜单纯的规模。DeepSeek 通过发布性能媲美行业巨头但训练成本极低的模型,震惊了整个市场。与此同时,Perplexity 正在从根本上改变人们与互联网的交互方式,用直接且带有引用的答案取代了传统的链接列表。这种转变不仅仅是新工具的出现,更是智能经济底层逻辑的根本性变革。现在的焦点已从“模型能有多大”转向“运行成本能有多低”。随着这些挑战者不断攻城略地,传统巨头被迫防守,面对着一群优先考虑实用性而非炒作的精简、专业化竞争对手。 智能市场的效率冲击DeepSeek 代表了 AI 世界产品现实的转变。当许多公司专注于构建尽可能庞大的神经网络时,DeepSeek 团队专注于架构优化。他们的 DeepSeek-V3 模型采用了“混合专家”(Mixture of Experts)方法,仅在处理特定任务时激活总参数的一小部分。这使得模型在保持高性能的同时,大幅降低了生成每个词所需的计算能力。关于该公司的叙事往往围绕其低廉的训练预算展开,据报道不到 600 万美元。这一数字挑战了“只有最富有的国家和企业才能构建前沿模型”的观点,暗示了高水平机器学习的准入门槛比想象中更低。Perplexity 则从用户界面的角度切入。它是一个“答案引擎”而非传统的搜索引擎。它利用现有的大型语言模型扫描实时网络,提取相关信息,并以带有脚注的连贯段落呈现。这种设计选择解决了标准 AI 模型的主要弱点——即倾向于陈述过时或完全虚构的事实。通过将每个回答建立在实时网络数据的基础上,Perplexity 创建了一个在专业研究中比标准聊天机器人更可靠的工具。该产品不仅是模型本身,更是围绕它的检索和引用系统。这种方法给依赖用户点击多页搜索结果获取广告收入的传统搜索提供商带来了巨大压力。 BotNews.today 使用人工智能工具进行内容研究、撰写、编辑和翻译。 我们的团队审查并监督整个过程,以确保信息有用、清晰和可靠。 如果用户第一次尝试就能得到答案,他们就没有理由去浏览赞助链接列表或在杂乱的网站中跳转。这在工具的实用性与当前网络经济结构之间产生了直接冲突。 廉价算力的地缘政治这些挑战者的全球影响力根植于高性能推理的民主化。当运行模型的成本下降 90% 时,其集成到日常软件中的潜力将呈指数级增长。此前因价格高昂而无法使用顶级 API 的新兴市场开发者,现在可以构建复杂的应用程序。这改变了整个行业的重心。如果最高效的模型来自传统的硅谷中心之外,那么大规模本土服务器集群的战略优势就开始减弱。这迫使人们开始讨论模型主权,以及各国是应该依赖少数中心化提供商,还是投资于自己的高效架构。这是一个值得关注的信号,因为它推动行业远离“赢家通吃”的动态,转向一个更加碎片化和竞争激烈的市场。企业买家开始感受到这种转变对利润的影响。低成本推理的叙事正在改变企业规划长期技术栈的方式。如果像 DeepSeek 这样的模型能以 10% 的价格提供昂贵竞争对手 80% 的效用,那么对于大多数常规任务而言,昂贵方案的商业理由就不复存在了。这创造了一个分层市场:最昂贵的模型保留用于极其复杂的推理,而大部分工作由高效的挑战者处理。这种经济现实也影响了广告界。Perplexity 正在尝试一种将广告融入研究过程而非干扰过程的模式。在人们不再访问主页或滚动搜索结果的时代,这可能会重新定义品牌触达消费者的方式。从选择 API 的软件工程师到试图在即时答案世界中寻找受众的营销高管,每个人都能感受到这种影响。 与答案引擎共度周二为了理解现实世界的影响,我们可以看看金融分析师 Sarah 的一天。过去,Sarah 早上开始工作时需要打开十个不同的标签页来查看市场动态和新闻报道,并花费数小时将数据汇总成晨报。今天,她使用答案引擎同时查询多个来源的特定数据点。她要求对比三份不同的季度报告,并在几秒钟内收到带引用的摘要。由于系统直接从源文本中提取信息,数据的准确性得到了保证。她不再把时间花在寻找信息上,而是花在验证信息并据此做出决策上。这就是搜索分发的实际案例。界面变成了研究员,而 Sarah 变成了编辑。她的工作流程更快了,但也更依赖引擎提供的引用准确性。 当天晚些时候,Sarah 需要编写一个自定义脚本来自动化数据录入任务。她没有使用可能价格昂贵的通用助手,而是使用了像 DeepSeek 这样的挑战者提供的专用编码模型。该模型能即时提供代码,且由于推理成本极低,公司允许她在一天内将其用于数千个小任务,而无需担心预算。这就是模型市场的变化方式。它正在成为一种后台工具,而不是一种昂贵的资源。当 Sarah 意识到自己已经三天没用过标准搜索栏时,传统搜索行为所面临的压力显而易见。当她能得到一份结构化的文档时,她根本不需要链接列表。以下几点说明了她日常工作的转变:Sarah 用实时更新的自动引用摘要取代了手动新闻聚合。她将低成本模型用于重复性的编码任务,这些任务以前因成本过高而无法大规模自动化。她对传统广告支持的搜索引擎的依赖几乎降至零,因为她发现直接答案更有价值。节省的时间使她能够专注于高层战略和客户关系,而不是数据搜寻。

  • ||||

    从实验室到日常工具:科技创新如何改变生活 2026

    想象一下,当你醒来时,手机已经能帮你写好棘手的邮件,或是为你的博客找到完美的配图。这种“魔法”并非偶然,它始于安静的实验室里,由聪明的头脑写下一篇篇数学论文。如今,实验室里的天马行空与你日常使用的商业工具之间的距离正日益缩小。我们正见证一场巨大的变革,复杂的科研成果正以前所未有的速度转化为实用的 app。现在的重点不仅是让 AI 更聪明,而是让它真正融入你的日常生活。核心在于,最顶尖的大脑正致力于开发对普通人真正有用的产品,而不仅仅是为科学家服务。作为科技用户,这真是个美好的时代,高深的概念与实用的解决方案之间的鸿沟正在我们眼前消失。 把 AI 研究的世界想象成一个拥有三个工作站的大厨房。首先是前沿实验室,比如 OpenAI 或 Google DeepMind。他们就像主厨,试图发明前所未有的新口味。他们拥有巨额预算和强大的计算机,去尝试那些听起来像科幻小说的事情。接着是像 Stanford HAI 或 MIT 这样的学术实验室。他们是食品科学家,致力于理解蛋糕为何会膨胀以及化学原理,并发表论文阐述宇宙规律。最后是 Meta 或 Microsoft 等公司的产品实验室。他们负责将这些新口味装进盒子里,让你能在超市买到。他们关心的是速度、成本和可靠性。 发现错误或需要更正的地方?告诉我们。 从白板到你的口袋:实验室的旅程三大实验室风格各异,这就是为什么科技触达我们的方式如此多样。前沿实验室追求改变计算机思维方式的重大突破;学术实验室专注于通过论文与世界分享知识;产品实验室则以你——用户为中心,将最佳创意转化为点击即可使用的按钮。有时,一个想法从论文到产品只需几个月,而有时,一个天才的概念可能因为成本过高或运行缓慢,在演示阶段停留数年。这种想法的“不均匀迁移”其实是件好事,因为它确保了只有最可靠、最有用的功能才会出现在你的屏幕上。前沿实验室专注于原始算力和新能力。学术实验室专注于透明度和基础理解。产品实验室专注于用户体验和性价比。这对全球意义重大,因为它拉平了竞争环境。过去,只有财力雄厚的大公司才能负担得起顶尖科技。现在,得益于这些实验室的协作,小镇上的店主也能使用和大企业一样强大的工具。当大学研究人员找到降低程序运行能耗的方法时,发展中国家的学生就能在旧笔记本电脑上运行同样的程序。这对于全球平等来说是天大的好消息。我们正看到创造或创业的成本在下降。这不仅仅是关于炫酷的小玩意,而是通过让高水平的**智能**触手可及,为每个人提供公平的成功机会。 构建未来的三种方式让科技惠及每个人。这种研究管道对全球经济的影响是巨大的。当 Google Research 分享一种理解语言的新方法时,它能帮助各国的开发者为当地社区构建更好的 app。这意味着肯尼亚的农民可以像纽约的科学家一样,轻松使用 AI 工具诊断农作物病害。这些想法传播的速度令人振奋。我们不再需要等待几十年才能让实验室成果走向大众,而是见证了让数字生活更顺畅的持续改进。这种全球协作确保了最好的想法不会被锁在单一建筑内,而是传播开来,帮助每个人解决实际问题。这个系统的美妙之处在于,它让“不可能”变得习以为常。五年前被认为不可能的事情,现在已是免费 app 中的标配功能。这是因为研究模式正以更可预测的方式溢出到产品中。通过观察哪些技术变得更便宜、更快,我们就能预测哪些想法将成为下一个工具。如果一篇研究论文展示了一种使用一半内存处理图像的新方法,你可以肯定,你最喜欢的修图 app 很快就会基于该论文推出新功能。这种可预测性有助于企业规划未来,也让用户对未来充满期待。 小企业主的轻松一天Sarah 的 AI 早晨。让我们看看 Sarah 的一天。Sarah 经营着一家手工陶艺网店。几年前,她要花数小时为网站寻找关键词或为社交媒体写文案。现在,多亏了从论文转化为产品的研究成果,她拥有了一个 AI 助手,能根据花瓶照片建议最佳 SEO 标签。喝咖啡时,她使用了一个将复杂的图像识别论文转化为简单按钮的工具。这个工具帮她投放了精准触达陶艺爱好者的 Google Ads。这项研究变成的产品为她节省了三小时,她现在可以把时间花在创作上,而不是盯着屏幕。下午,Sarah 需要更新网站以迎接大促。她不需要雇佣开发者,而是使用了一个新功能,用简单的英语描述她想要的变化。这个功能源于学术实验室对计算机如何理解人类指令的研究,并由产品实验室进行了安全性和易用性优化。当它到达 Sarah 手中时,已是一个可靠的工具,为她省下了数百美元。这就是研究管道的现实影响:它将高深数学转化为 Sarah 这样的人的时间和金钱,让复杂变简单,让昂贵变实惠。

  • ||||

    Nvidia、AMD 与全新的算力竞赛

    全球科技行业正经历一场关于算力定义与分配方式的剧烈变革。几十年来,中央处理器(CPU)一直是每台机器的核心,但那个时代已经结束了。如今,焦点已转向专为处理现代合成智能所需海量数学工作负载而设计的专用硅片。这不仅仅是一场比拼谁能制造出更快组件的竞赛,更是一场关于算力杠杆的争夺。Nvidia 和 AMD 是这场大戏中的主角,其影响远超硬件本身,更关乎未来十年软件开发基础设施的掌控权。胜者不仅是卖出产品,更是建立起一套他人必须依赖的平台。从通用计算向加速计算的转型,标志着科技界等级制度的根本性改变。 锁住云端的隐形代码要理解为何目前有一家公司主导了这个领域,就必须看透物理芯片之外的东西。大多数观察者关注的是晶体管数量或图形处理器(GPU)的时钟速度,但真正的实力在于硬件与开发者之间的软件层。Nvidia 花了近二十年时间构建了一个名为 CUDA 的专有环境。该环境允许程序员利用 GPU 的并行处理能力来执行与图形无关的任务。由于大量现有代码都是专门为该环境编写的,转向竞争对手的产品并非更换一张显卡那么简单,而是需要重写数千行复杂的指令。这就是软件护城河,它阻止了即便资金最雄厚的竞争对手也难以立即获得市场份额。这使得硬件实际上成为了进入特定软件生态系统的入场券。AMD 正试图通过名为 ROCm 的开源方案来应对。他们的策略是提供一种可行的替代方案,不让开发者被单一供应商锁定。虽然他们最新的硬件(如 MI300 系列)在原始性能上表现出巨大潜力,但软件差距仍是一道重大障碍。许多开发者发现,最新的工具和库优先针对 Nvidia 进行了优化,导致其他平台只能苦苦追赶。这种动态强化了现有巨头的统治地位。如果你是一名工程师,想在今天运行一个模型,你肯定会去文档最全、Bug 最少的地方。你可以通过官方技术文档了解更多关于 GPU 架构的最新进展。对于任何试图预测下一波创新浪潮源头的人来说,理解 人工智能基础设施 至关重要。现在的竞争,既是硅片的较量,也是开发者体验的博弈。 关于智能的各种地缘政治垄断这场算力竞赛的影响远超硅谷的资产负债表。我们正在目睹一种足以媲美二十世纪石油垄断的权力集中。包括 Microsoft、Amazon 和 Google 在内的少数几家超大规模云服务商(hyperscalers)是这些高端芯片的主要买家。这形成了一个反馈循环:最大的公司最先获得最好的硬件,从而构建出更强大的模型,进而产生更多收入来购买更多硬件。这种资源集中意味着较小的参与者甚至整个国家正处于日益扩大的鸿沟的另一端。那些拥有大规模算力集群的人,能够以一种他人无法企及的速度进行创新。这导致科技行业出现了一种双层体系:算力富裕者与算力贫困者。各国政府已经注意到了这种失衡。硅片现在被视为具有国家重要性的战略资产。出口限制已被实施,以防止先进芯片流向特定地区,实际上是将硬件作为外交政策的工具。这些限制不仅仅是为了防止军事用途,更是为了确保下一代软件的经济利益留在特定边界内。这些芯片的供应链也极其脆弱。大多数先进制造都集中在台湾的一个地点,这为整个全球经济制造了一个单点故障。在 2026 年,我们看到了供应限制如何导致多个行业的生产停滞。如果高端 GPU 的供应中断,现代软件的开发将陷入停滞。这种对少数公司和单一制造合作伙伴的依赖,是许多分析师认为尚未在市场中完全定价的风险。据 Reuters 的报道,这些供应链漏洞是全球贸易监管机构的首要任务。 算力饥渴的高昂代价想想当前环境下初创公司创始人的日常现实。他们最关心的不再仅仅是招聘顶尖人才或寻找产品市场契合点,而是花费大量时间去协商服务器使用时间。在典型的一天里,这位创始人可能会先审查他们的烧钱率(burn rate),却发现大部分资金都直接流向了云服务商,用于租用 H100 集群的访问权限。他们无法直接购买芯片,因为交货周期长达数月,而且他们缺乏在本地运行这些芯片的冷却基础设施。他们被迫在数字队列中等待,祈祷没有更大的客户出价更高来抢占优先访问权。这与互联网早期只需几台廉价服务器就能支持一个全球平台的时代大相径庭。严肃开发的准入门槛已从数千美元飙升至数百万美元。这一天还要继续与技术债务作斗争。因为他们使用的是租赁硬件,所以必须优化每一秒的训练时间。如果因为微小的代码错误导致任务失败,可能会损失数千美元的算力成本。这种压力扼杀了实验。当失败成本如此之高时,开发者不太可能尝试激进的新想法。 BotNews.today 使用人工智能工具进行内容研究、撰写、编辑和翻译。 我们的团队审查并监督整个过程,以确保信息有用、清晰和可靠。 当他们试图迁移工作负载时,还会遇到生态系统锁定的问题。他们可能会发现所使用的特定库只能在一种硬件上高效运行,使他们成为特定云服务商的被俘客户。创始人意识到,他们不仅是在构建产品,更是在为资金充当通道,这些资金从投资者手中直接流向了芯片制造商。这种现实正在改变获得投资的公司类型。投资者越来越倾向于寻找那些拥有算力保障的团队,而不仅仅是拥有好点子的团队。这种转变在 Gartner 最近的行业调查中得到了印证,调查强调了基础设施成本上升已成为进入市场的主要障碍。 你有什么想让我们报道的AI故事、工具、趋势或问题吗? 向我们提交你的文章想法 — 我们很乐意听取。 专有硅片的隐形税随着我们深入这个加速计算时代,必须提出关于长期后果的棘手问题。由极少数实体控制现代技术的基础是否健康?当一家公司同时提供硬件、软件环境和网络互连时,他们实际上拥有了整个技术栈。这为创新制造了一种隐形税。每一位为专有系统编写代码的开发者,都在助长一个日益难以打破的垄断。当数据必须通过共享云环境中的这些专用芯片时,数据隐私会怎样?虽然服务商声称数据是隔离的,但共享硅片的物理现实表明,新型侧信道攻击(side channel attacks)可能成为现实。我们正在用透明度换取性能,而这种交换的全部代价尚不为人知。此外还有环境可持续性的问题。这些新数据中心对电力的需求令人咋舌。我们正在建造巨大的设施,仅为了进行矩阵乘法运算,就需要消耗相当于小型城市的电力。这对地球来说是一条可持续的道路吗?如果对这些模型的需求继续以当前速度增长,我们最终将触及能源供应的物理极限。此外,如果目前围绕这些技术的兴奋感趋于平稳会怎样?我们目前正处于大规模建设阶段,但如果购买这些芯片的公司无法获得经济回报,我们可能会看到突然且剧烈的修正。无论其运行的软件是否盈利,为建设基础设施所背负的债务仍需偿还。我们必须考虑,我们是在沙滩上筑基,还是在重塑世界的运作方式。 AI 引擎的内部构造对于那些需要了解技术限制的人来说,故事不仅仅关乎 GPU。现代计算的瓶颈已从处理器转移到了内存和互连上。高带宽内存(HBM3e)目前是世界上最抢手的组件。它允许处理器以以前无法想象的速度访问数据。没有这种内存,最快的 GPU

  • ||||

    AI 新常态:普通人需要了解的一切

    AI 选修课时代的终结你不再需要主动去寻找人工智能,因为它已经找到了你。它潜伏在你的搜索栏、电子邮件草稿和照片库中。这是 AI 从“奇观”向“实用工具”平稳过渡的安静时刻。大多数人并未主动选择这种改变,它是通过软件更新和用户协议变更悄然而至的。我们正经历着信息交互方式的根本性重构。现在的目标不再是帮你找到某个网站,而是直接给出答案。这种转变改变了互联网的本质,将我们从“图书馆模式”带入了“助理模式”。这并非未来预测,而是任何拥有智能手机或笔记本电脑的人当下的基准线。理解这一转变对于在人机界限日益模糊的世界中保持清醒至关重要。若想了解这一新现实,读者可参考 The AI Magazine 获取相关动态。 机器智能的无声整合AI 如今已成为覆盖万物的底层架构。在搜索引擎中,你看到的不再是单一链接,而是自动化摘要;在办公软件中,侧边栏会自动总结会议或起草备忘录;你的手机现在能建议短信回复,并利用已成标配的人脸识别技术辨认照片中的人物。这种整合是有意为之的。各大公司正从独立的聊天机器人转向将 AI 打造为工作流中不可见的一部分。这意味着即使你没意识到,也正在使用这些工具——无论是拦截垃圾邮件的过滤器,还是决定新闻推送顺序的算法。这是自动化推理的常态化。它不仅关乎写诗或创作艺术,更关乎软件每天做出的成百上千个微小决策。这创造了对速度和效率的新期待:如果一个任务耗时超过几秒,我们就会纳闷为什么算法不能代劳。这是所有数字交互的新起点。我们正在告别手动输入,迈向意图驱动的世界。你告诉电脑你的需求,它负责处理后续步骤。这种用户体验的深刻变革,大多数人仍在消化。这是“空白页”的终结,也是机器生成初稿时代的崛起。 全球信息秩序的变迁这种转变的影响不仅限于科技中心,而是全球性的。在发展中经济体,这些工具正被用于弥合语言鸿沟并提供基础编程辅助。然而,这也造成了新的鸿沟:善于利用提示词(prompt)的人将获得巨大优势。此外还有信息完整性的问题。随着文本和图像生成变得轻而易举,制造虚假信息的成本已降至零,这影响着各国的选举和公众信任。据 Reuters 报道,合成媒体的兴起已让新闻核实变得复杂。全球正竞相监管这些系统,但技术的演进速度远超法律。许多人担心失业,虽然部分岗位会发生变化,但具备 **AI 素养** 正变得像使用键盘一样基础。这是一场全球性的劳动力重构,它偏爱那些能驾驭机器的人,而非从事重复性认知任务的人。每个人都身处其中,这不仅是西方现象,更是正以创纪录速度被采纳的全球标准。各行各业都在寻求整合这些能力以保持竞争力。结果就是,默认的输出内容不再纯粹源于人类。 自动化生活中的周二以营销经理 Sarah 的周二为例。她醒来查看邮件,手机已将信息自动分类为“优先”和“垃圾”。她用“一键建议回复”确认了会议。通勤路上,她听着播客,节目笔记由系统监听音频并提取要点后生成。在公司,她打开电子表格,不再手动编写公式,而是用简单的英语告诉软件需求,表格便自动生成。午餐时,她寻找新咖啡馆,搜索引擎直接给出评论摘要,无需她阅读数十条帖子。下午制作演示文稿时,她只需提供几个要点,幻灯片软件便生成了配图完整的全套演示稿。甚至她的社交媒体信息流也是由系统精心策划的,精准捕捉她的滚动欲望。这就是新常态下的一天。它很方便,但也充满了一系列“交接”。Sarah 将选择权委托给了她并不完全理解的系统。回到家,她接到一个听起来像银行打来的电话,声音专业且熟悉,但实际上是用于诈骗的语音克隆。这是同一技术的阴暗面。早晨的便利与晚上的新风险并存。这种转变是彻底的,她的一天中没有任何部分未被这些自动化系统触及。正如 Wired 所指出的,现实与合成的模糊化是我们这个时代的核心挑战。Sarah 并非科技发烧友,她只是一个普通人。她的经历正在成为数十亿人的标准。 BotNews.today 使用人工智能工具进行内容研究、撰写、编辑和翻译。 我们的团队审查并监督整个过程,以确保信息有用、清晰和可靠。 持续辅助背后的隐形成本我们必须自问:为了这种便利,我们放弃了什么?谁拥有训练这些模型的数据?如果你使用助理撰写私人邮件,那家公司是否就拥有了你的语调?这种效率背后有隐形成本。运行这些庞大数据中心所需的能源是巨大的,一份摘要邮件值得付出环境代价吗?我们还需要考虑准确性的成本。当系统快速给出答案时,它往往剥离了原始来源的细微差别和背景。我们是变得更博学了,还是仅仅对自己的无知更加自信?当摘要阻止用户访问原始网站时,原创内容的创作者又该何去何从?这是一种数字掠夺。我们还目睹了基础技能的退化:如果我们不再亲自撰写信息或进行研究,是否会丧失批判性思维能力?这些不仅是技术问题,更是我们为了速度而忽略的社会和伦理困境。来自 MIT Technology Review 的研究表明,其对人类认知的长期影响尚不可知。我们正参与一场没有对照组的大型社会实验。便利是诱饵,但代价是我们的注意力和数据。我们必须拷问:这笔交易公平吗? 你有什么想让我们报道的AI故事、工具、趋势或问题吗? 向我们提交你的文章想法 — 我们很乐意听取。 现代推理的基础设施对于那些想一探究竟的人来说,技术现实更为复杂。大多数整合依赖于对云端大型模型的 API 调用,这导致了对少数主要提供商的依赖。每次交互都有 token 限制,决定了系统一次能处理的信息量。高级用户正转向本地存储和本地模型以重获隐私。随着专为特定任务设计的新芯片出现,在个人硬件上运行小型语言模型变得更加可行,这使得无需向外部服务器发送数据的工作流成为可能。然而,本地模型往往缺乏云端模型那样的推理能力。此外,严格的 API 速率限制若管理不当,可能会导致自动化工作流中断。理解上下文窗口(context window)也至关重要:如果你提供的数据过多,系统就会开始丢失对话前段的线索,这就是长文档分析失败率较高的原因。高级用户的未来在于混合系统:利用本地模型处理简单任务,云端模型处理复杂推理。构建这些工作流时需考虑以下关键因素:Token 管理及每千次交互的成本。调用远程服务器进行实时任务时的延迟问题。数据隐私及零留存 API 的使用。长对话中上下文窗口的局限性。随着我们迈向未来,重心将转向优化。我们已超越了简单的聊天界面阶段,下一步是代理工作流(agentic workflows),即软件能跨不同应用代表你执行操作。这需要比目前高得多的可靠性和安全性,也需要更好地理解模型如何“失败”。它们不会像传统软件那样出错,而是会“自信地胡说八道”。这就是困扰最先进系统的“幻觉”问题。管理这些错误是现代高级用户的主要工作。 与隐形助理共存新常态并非单一产品或特定应用,而是我们与技术关系的根本转变。我们正从“告诉电脑做什么”的世界,转向“告诉电脑我们想要什么”的世界。这种转变提供了惊人的效率,但也需要新的怀疑精神。我们必须学会在全面整合的时代核实信息并保护隐私。目标不是恐惧这些工具,而是理解它们的作用。它们是助理,而非人类判断力的替代品。未来,最有价值的技能将不再是使用 AI 的能力,而是知道何时关闭它的能力。*AI

  • ||||

    AI 时代下,人类价值观意味着什么?

    中立代码的神话关于人工智能的讨论往往集中在技术基准和算力上。我们谈论参数和 PB 级数据,仿佛这些就是衡量一切的指标。这种关注掩盖了一个更紧迫的现实:每一个大语言模型都是塑造它的人类偏好的镜像。根本不存在所谓“中立”的算法。当系统给出答案时,它并非来自客观真理的真空,而是反映了开发者和数据标注员所设定的一套特定权重价值观。核心结论很简单:我们不是在教机器思考,而是在教它们模仿我们特定的、往往相互矛盾的社会规范。这种从逻辑向伦理的转变,是互联网发明以来计算领域最重要的变革。它将责任从硬件转移到了那些定义什么是“正确”答案的人类身上。 该行业最近已从原始能力转向安全与对齐。这听起来像是一项技术调整,但实际上是一个深刻的政治过程。当我们要求模型做到“有帮助、无害且诚实”时,我们所使用的词汇在不同文化中有着不同的含义。在旧金山董事会看来普世的价值观,在雅加达可能被视为冒犯或无关紧要。全球规模与本地价值观之间的张力,是现代科技领域的主要冲突。我们必须停止将 AI 视为一种自主力量,而应将其视为人类意图的策展延伸。这需要我们透过营销炒作,去审视幕后所做出的实际选择。作为人类选择的机械镜像要理解价值观如何进入机器,你必须了解 RLHF(基于人类反馈的强化学习)。在这个过程中,成千上万的人类承包商会对模型的不同回答进行排名。他们可能会看到两个版本的答案,并点击他们认为更礼貌或更准确的那一个。随着时间推移,模型学会了将某些模式与这些人类偏好联系起来。这不是在寻找真理,而是在寻求认可。模型本质上是在被训练去取悦人类评估者。这创造了一种道德的表象,而实际上它只是特定人群偏好的统计近似值。这个过程引入了大量的主观性。如果大多数标注员来自特定群体,模型自然会采用该群体的俚语、社交暗示和政治偏见。这就是为什么许多流行模型的早期版本在非西方语境下表现不佳的原因。它们并没有坏,只是在忠实地执行训练逻辑。它们反映了那些被雇佣来给它们打分的人的价值观。这就是公平和偏见等抽象概念转化为具体代码的层面。这是一个在公众看到聊天界面之前很久就已完成的、劳动密集型的手动过程。这是现代智能的隐形基础设施。大多数人对这个话题的困惑在于认为 AI 拥有内在的道德指南针。其实它没有,它只有奖励函数。当模型拒绝回答问题时,并不是因为它“觉得”这个话题不对,而是因为它的训练数据被严重加权以避免那种特定的模式。这种区别至关重要。如果我们认为机器是道德的,我们就会停止质疑那些制定规则的人。我们必须认识到,每一次拒绝和每一次有用的建议,都是基于人类决策的程序化响应。通过识别这一点,我们可以开始提出更好的问题:是谁在制定这些规则,以及为什么要这样制定? 潜在空间中的地缘政治这些选择的影响是全球性的。大多数领先的 AI 模型主要是在开放网络上的英语数据上训练的。这创造了一种数字单一文化,使得西方价值观成为默认设置。当世界其他地区的用户询问家庭动态或法律问题时,他们得到的答案是通过特定的文化透镜过滤后的结果。这不仅仅是语言翻译的问题,更是文化翻译的问题。关于等级、隐私和社区的细微差别在全球范围内差异巨大,但模型往往提供一种“一刀切”的解决方案。这种“正确”思想的中心化是一种新型软实力,对全球话语权有着巨大的影响。为了应对这一点,我们看到各国竞相开发主权 AI 模型。法国、阿联酋和印度等国正在投资自己的基础设施,以确保其特定的文化价值观得到体现。他们意识到,依赖外国模型意味着引入外国的世界观。随着各国政府意识到对 AI 潜在空间的控制与控制物理边界同样重要,这一趋势正在加速。用于训练这些模型的数据就像一本数字历史书。如果那本书只包含一种视角,那么产生的智能本质上就是有限的。这就是为什么推动多样化数据集不仅仅是一个多元化倡议,更是全球范围内实现准确性和相关性的必要条件。国际合作的赌注很高。如果每个国家都建立自己孤立的 AI,并拥有自己僵化的价值观,我们可能会发现跨越数字边界进行交流变得更加困难。然而,另一种选择是一个由单一山谷中的几家公司定义数十亿人道德边界的世界。没有哪条路是完美的。挑战在于找到一种既能容纳本地细微差别,又能保持对基本人权共识的方法。这个问题无法通过更好的硬件解决,它需要国际外交,并清晰地审视驱动当今科技行业的激励机制。你可以在我们的 AI 伦理与治理综合指南中了解更多关于这些挑战的信息。 循环中的决策设想一位名叫 Sarah 的招聘经理的一天。她使用 AI 工具筛选数百份简历以寻找新的工程岗位。该工具被训练用于寻找“高潜力”候选人。表面上看,这似乎很高效。但在界面之下,该工具应用了它从过往招聘数据中学到的一套价值观。如果历史数据显示公司大多聘用了来自三所特定大学的人,AI 就会优先考虑这些学校。它并不是在人类意义上“种族歧视”或“精英主义”,它只是在优化它被告知是有价值的模式。Sarah 可能甚至没有意识到,该工具正在过滤掉那些来自非传统背景的优秀候选人,因为他们不符合训练数据中的“价值”配置。这种场景每天在成千上万的办公室里上演。这些价值观并非抽象,它们决定了你是获得工作还是被算法忽略。同样的逻辑也适用于信用评分、医疗分诊甚至司法量刑。在每种情况下,像“风险”或“功绩”这样的人类价值观都被转换成了数字。危险在于,我们将这些数字视为客观真理,而不是主观选择。我们经常将道德判断的艰巨工作委托给机器,因为它更快且更省心。但机器只是在以我们无法轻易监控的规模自动化我们现有的偏见。我们每天使用的产品让这些论点变得真实。当照片编辑应用自动调亮一个人的肤色使其看起来“更好”时,它就是在表达一种价值观。当导航应用避开“高犯罪率”区域时,它就在对安全和社会阶层做出价值判断。这些不是技术错误,而是人类提供的数据和奖励函数的逻辑结论。我们生活在一个软件不断代表我们做出道德选择的世界里。大多数时候,我们甚至没有注意到它正在发生,直到出错。我们需要对那些实际上只是内置假设的“有用”功能保持更强的批判性。行业最近的变化是向“可控性”迈进。公司现在给予用户更多对 AI “个性”或“价值观”的控制权。你可以告诉模型要“更有创意”或“更专业”。虽然这感觉像是赋权,但实际上它将责任推回给了用户。如果 AI 给出了有偏见的答案,公司可以声称用户没有正确设置参数。这创造了一个复杂的问责网络,没有人真正对输出结果负责。我们正在从一个固定价值观的世界走向一个流动的、用户定义的价值观世界,这带来了它自己的一套风险与回报。 自动化道德的代价我们必须以苏格拉底式的怀疑态度审视“安全”AI 的概念。如果一个模型被完美对齐,它是与谁的价值观对齐的?我们今天所见的安全过滤器背后隐藏着成本。通常,这些过滤器是利用发展中国家的低薪劳动力构建的。人们每小时拿着几美元的报酬,阅读互联网上最可怕的内容,以便机器学会避免它们。我们本质上是将价值设定的心理创伤外包给了全球南方。如果 AI 的安全性是建立在被剥削工人的背上,它真的是“合乎道德”的吗?这是科技行业很少愿意直接回答的问题。另一个局限是“道德幻觉”。因为这些模型非常擅长模仿,当它们谈论伦理时听起来非常有说服力。它们可以轻松引用哲学家和法律先例。但它们并不理解其中的任何内容,它们只是在预测序列中的下一个 token。 BotNews.today 使用人工智能工具进行内容研究、撰写、编辑和翻译。 我们的团队审查并监督整个过程,以确保信息有用、清晰和可靠。 当我们依赖 AI 进行道德指导时,我们本质上是在咨询一只非常复杂的鹦鹉。这产生了“道德技能退化”的风险。如果我们停止自己做出困难的选择而让 AI 处理,我们可能会失去独立思考复杂伦理问题的能力。我们正在用道德代理权换取便利。谁来定义政治或宗教等主观话题的“基准事实”?当私营企业的价值观与民主社会的价值观发生冲突时会发生什么?我们如何审计 RLHF 的“黑箱”以查看训练过程中究竟奖励了什么?如果训练它的世界本质上是不公平的,机器还能真正做到“公平”吗? 约束的架构对于高级用户来说,AI 的“价值观”通常存在于系统提示词(system prompt)和 API 配置中。这是控制其余