通往今日 AI 炒作周期的漫长之路

当前人工智能的浪潮感觉就像一场突如其来的风暴，但实际上，它是多年前一个安静决定的结果。2017 年，Google 的研究人员发表了一篇名为《Attention Is All You Need》的论文，引入了Transformer 架构。这种独特的设计让机器能够同时处理句子中所有单词之间的关系，而不是逐个处理，从而解决了序列处理的瓶颈。今天，从 ChatGPT 到 Claude，每一个主流模型都依赖于这一突破。这一切发生在大约 2026。我们看到的并非什么新发明，而是一个七年前的想法被大规模应用。这种转变让我们从简单的模式识别跨越到了复杂的生成式 AI，彻底改变了我们与计算机的互动方式。现在，焦点在于我们能向这些系统投入多少数据和电力。结果令人印象深刻，但基础依然如故。了解这段历史有助于我们看穿营销包装，认清当今的工具不过是过去十年中特定工程选择的逻辑结论。

预测引擎与概率

生成式 AI 本质上是一个巨大的预测引擎。它并不具备人类意义上的思考或理解能力，而是计算序列中下一个 token 的统计概率。Token 通常是一个单词或单词的一部分。当你向模型提问时，它会参考训练过程中学习到的数十亿个参数，根据训练数据中的模式来猜测下一个单词。这个过程常被称为“随机鹦鹉”（stochastic parrot），意指机器只是在重复模式，而并不理解背后的含义。对于当今的使用者来说，这种区别至关重要。如果你把 AI 当作搜索引擎，你可能会失望，因为它不是在数据库中查找事实，而是根据概率生成看起来像事实的文本。这就是为什么模型会出现“幻觉”。它们被设计为追求流畅，而非绝对准确。训练数据通常由互联网上的海量公开信息抓取而成，包括书籍、文章、代码和论坛帖子。模型学习了人类语言的结构和编程逻辑，同时也吸收了这些来源中存在的偏见和错误。这种训练规模使得现代系统与过去的聊天机器人截然不同。旧系统依赖僵化的规则，而现代系统依赖灵活的数学。这种灵活性使它们能以惊人的轻松感处理创意任务、编程和翻译。然而，核心机制仍然是一个数学猜测，虽然非常复杂，但绝非有意识的思维过程。

这些模型处理信息遵循一个特定的三步循环：

• 模型识别海量数据集中的模式。
• 根据上下文为不同的 token 分配权重。
• 生成序列中最可能的下一个单词。

计算的新地理格局

这项技术的影响在全球范围内分布并不均匀。我们看到权力正高度集中在少数几个地理中心。目前领先的模型大多在美国或中国开发，这为其他国家制造了一种新的依赖。欧洲、非洲和东南亚的国家现在正争论如何保持数字主权。他们必须决定是建立自己昂贵的基础设施，还是依赖外国供应商。准入门槛极高，训练顶级模型需要数以万计的专用芯片和海量电力，这对小型公司和发展中国家构成了壁垒。此外还有文化代表性的问题。由于大多数训练数据是英文的，这些模型往往反映了西方的价值观和规范，可能导致一种“文化趋同”。半个地球之外构建的系统可能会忽视或歪曲当地的语言和传统。在经济层面，这种转变同样剧烈。每个时区的公司都在努力弄清楚如何整合这些工具。在某些地区，AI 被视为跨越传统发展阶段的捷径；而在另一些地区，它被视为对支撑当地经济的外包产业的威胁。2026 的市场现状显示出明显的鸿沟。随着基础编程和数据录入等任务的自动化，全球劳动力市场变得更加动荡。这不仅是硅谷的故事，更是全球经济如何适应自动化认知劳动新时代的故事。少数硬件制造商的决策现在决定了整个地区的经济未来。

与自动化助手共存

要理解其日常影响，看看营销经理 Marcus 的生活就知道了。两年前，Marcus 的上午在起草邮件中度过，下午则与平面设计师协调工作。今天，他的工作流程变了。他的一天从将一份粗略的产品简介输入本地模型开始，几秒钟内就能获得五个不同的活动方案。他不会直接使用这些方案，而是花两个小时进行润色，检查品牌语调和事实错误。他曾收到过一份草稿，里面凭空捏造了一个并不存在的产品功能。这就是工作的新现实：不再是从零开始创作，而是编辑和策展。Marcus 的效率更高了，但也更累了。工作节奏加快了，因为初稿只需几秒钟，客户现在要求在几小时而非几天内看到最终版本。这造成了持续的产出压力，几乎没有留给深度思考的空间。在办公室之外，政府和教育领域也出现了同样的情况。教师们正在重写课程以应对 AI 辅助，从带回家的论文转向面对面的口试。地方政府利用 AI 总结公开听证会并为移民社区翻译文件，这些都是切实的好处。在印度农村的一家医院，医生使用 AI 工具辅助筛查眼疾。该工具基于全球数据集训练，却解决了当地专家短缺的问题。这些例子表明，该技术是一种增强工具。它没有取代人类，而是改变了任务的性质。挑战在于，该工具往往不可预测。一个今天运行完美的系统，明天在一次小更新后可能就会失效。这种不稳定性是每个人——从个人创作者到大型企业——都要面对的背景噪音。我们都在学习使用一种在我们手中不断进化的工具。欲了解更多详情，您可以阅读我们主站上的综合 AI 行业分析。

预测背后的隐形成本

我们必须对这种进步背后的隐形成本提出质疑。首先是数据所有权问题。我们今天使用的大多数模型都是在未经明确许可的情况下从互联网上抓取数据训练的。利用数百万人的创造性劳动来构建价值数十亿美元的产品，而这些人却分文未得，这合乎道德吗？这是一个法律灰色地带，法院才刚刚开始介入。其次是环境影响。训练和运行这些模型所需的能源惊人。随着我们转向更大的系统，碳足迹也在增长。在气候危机时代，我们能证明这种能源消耗的合理性吗？《Nature》上的最新研究强调了冷却数据中心所需的巨大耗水量。我们还必须考虑“黑箱”问题。即使是构建这些模型的工程师，也无法完全理解它们为何做出某些决定。如果 AI 拒绝了贷款申请或面试机会，我们该如何审计这一决定？缺乏透明度对公民自由构成了重大风险。我们正在将基础设施托付给无法完全解释的系统。此外还有制度腐败的风险。如果我们依赖 AI 生成新闻、法律简报和代码，人类的专业知识会怎样？我们可能会发现自己处于无法验证输出质量的境地，因为我们已经失去了亲自完成工作的技能。这些不仅仅是技术障碍，更是我们组织社会方式面临的根本挑战。我们正在用长期稳定性换取短期效率，我们必须问问自己，这是否是我们真正准备好做出的交易。

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。

本地模型揭秘

对于高级用户而言，重点已从简单的提示词转向复杂的流程整合。真正的价值不再在于聊天机器人的网页界面，而在于 API。开发人员现在需要管理严格的速率限制和 token 成本。他们正在从庞大的通用模型转向更小、更专业的模型。这就是本地存储和本地执行的用武之地。像 Llama.cpp 这样的工具允许用户在自己的硬件上运行强大的模型。这解决了隐私问题，并消除了对持续互联网连接的依赖。然而，在本地运行这些模型需要大量的 VRAM。大多数用户发现，对于中型模型来说，24GB 是获得良好体验的最低配置。此外还有量化趋势，这是一种通过降低模型权重精度来使其运行更快、占用内存更少的技术。4-bit 量化模型通常能达到接近全 16-bit 版本的性能，同时占用空间仅为其一小部分。我们还看到了检索增强生成（RAG）的兴起，它允许模型在生成回复前查阅用户的私有文档。通过将模型锚定在特定的、经过验证的事实上，这减少了幻觉。这是连接通用预测引擎与实用商业工具的桥梁。下一个前沿是上下文窗口。我们已经从只能记住几页文本的模型，发展到可以一次处理整个图书馆的模型。这使得分析海量代码库或长篇法律文件成为可能。现在的挑战是管理这些大数据输入带来的延迟。当我们突破这些系统能力的极限时，瓶颈不再是软件，而是硅片的物理极限和光速。来自《MIT Technology Review》和《IEEE Spectrum》的报告表明，硬件优化现在是 AI 能力提升的主要驱动力。

高级用户目前正专注于三个主要的优化领域：

• 量化减少了本地硬件的内存需求。
• RAG 系统将模型连接到私有的、经过验证的数据。
• API 集成支持自动化的多步工作流程。

未完待续的故事

通往这一点的道路是由特定的技术选择铺就的。我们选择了规模而非效率，选择了概率而非逻辑。这赋予了我们感觉神奇但仍存在严重缺陷的工具。炒作周期终将冷却，但技术将留存。我们身处一个人类创作与机器创作界限永久模糊的世界。悬而未决的问题是，在一个充斥着无限、廉价内容的时代，我们将如何定义价值。如果机器能在几秒钟内写出一首诗或一段程序，人类付出同样努力的价值何在？我们仍在寻找答案。目前，最好的方法是保持好奇心与怀疑精神并存。我们应该利用这些工具来扩展自身能力，同时意识到它们的局限性。AI 的未来不是一个成品，而是我们能构建什么与我们应该构建什么之间持续的博弈。

编者按：我们创建本网站，旨在作为一个多语言人工智能新闻和指南中心，为那些并非电脑极客，但仍然希望了解人工智能、更有信心地使用它并关注正在到来的未来的人群服务。