北京
大數據文摘出品
今年的人工智能領域無比熱鬧，先是巨頭公司們以前所未有的速度發布著改變世界的新模型，讓“AGI何時到來”的討論占據了所有頭條。
然后，另一股力量也登上了舞臺：無數開源模型和精悍的創業團隊異軍突起，用更低的成本和更靈活的架構，沖擊著“贏家通吃”的預言。
就在這喧囂之中，技術思想家 Balaji Srinivasan，發表了他對當下局勢的思考。他表示，現階段的人工智能仍屬于一種“受限的AI”，而非能通曉一切的全能型AI。（注： Balaji Srinivasan是前 Coinbase 首席技術官及 a16z 普通合伙人）
以下是他總結的十點觀察，由DeepSeek翻譯：
第一點：當下并不存在唯一的通用人工智能（AGI），而是可能同時存在多個強大的通用人工智能（AGIs）
換言之，我們所見的更像是“多神論”式的人工智能（多個實力相當的模型并存），而非“獨神論”式的人工智能（一個全能模型主宰一切）。目前，不同團隊研發的AI模型在性能上正趨于相對接近，尚無某個模型遠遠領先。在這種情況下，我們更值得期待的，是多個人類與AI融合體在未來形成的平衡格局，而不是某個AI大一統，將人類淪為“回形針”或“鹽柱”。
第二點：人工智能正在把成本推向“提示”與“驗證”這兩個邊緣環節
現有的人工智能往往并未完成真正的“端到端”工作，而更多是在“中間到中間”環節提升效率。因此，企業的資源和預算逐漸集中于“如何向AI發出高質量提示（Prompts）”以及“如何對AI輸出進行充分驗證（Verification）”。由此可見，AI提高中間流程效率的同時，也讓“提示設計”與“結果驗證”成為新瓶頸。
第三點：人工智能更像“增強智能”，而非“自主智能”
當前的人工智能無法完全獨立于人類，其代理（agents）既無法設定復雜的長期目標，也無法對結果進行自動核驗。換句話說，AI在很大程度上依賴人類的提示、驗證和系統集成。因而，AI的效能與使用者的能力密切相關——使用者越擅長提示和驗證，AI的表現就越好。這種人機協作模式更接近“增強智能”，而并非真正的“自主智能”。
第四點：人工智能并不會替你“搶”工作，而是讓你具備從事任何工作的更多可能
AI為人們提供了快速嘗試不同職業或技能的機會，例如模擬一名用戶體驗設計師或一個特效動畫師的工作流程。這并不等于你能立刻達到專業水準，最終的精細打磨仍需要資深從業者完成。但AI的輔助，確實能讓更多人跨領域嘗試與學習。
第五點：AI并不是要取代你，而是在取代“上一代人工智能”的功能
例如，MidJourney 的出現讓 Stable Diffusion 的位置被部分替代，GPT-4 相比 GPT-3 也有了質的飛躍。一旦工作流程中引入了AI生成圖像、代碼或其他內容，企業就會優先投入資源給性能更強的新模型。也就是說，AI在不斷迭代演進，持續取代舊版本的AI模型，而非直接取代人類。
第六點：AI在“可視化”任務上更有優勢，相較之下文字化任務則更具挑戰
在前端領域，如界面設計、圖像生成、視頻處理等，AI的優勢較為明顯，因為人眼可以快速檢驗畫面或視覺效果。而大量文本或代碼輸出則需要更多額外的人力來審查和測試。正如 Andrej Karpathy 所指出的，與視覺結果相比，文本或代碼更難被人類直接驗證，因此對AI在這一領域的可靠性要求更高。
第七點：真正“致命”的人工智能已經存在，其名為“無人機”
各國對無人機的軍用研發高度重視，戰爭技術也將不斷升級。相比于圖像生成器或聊天機器人，這些能在戰場直接執行指令的無人機才是真正令人擔憂的潛在威脅。
第八點：人工智能是“概率性的”，而加密技術是“確定性的”
加密技術可用于限制AI的能力。AI能夠借助算法破解驗證碼，卻無法篡改區塊鏈上的賬戶余額；它或許能秒解某些方程，卻無力撼動加密算法的確定性。這意味著加密技術為AI提供了一個“無法逾越的界限”。
第九點：人工智能的發展趨勢更偏向“去中心化”而非“中心化”
觀察來看，AI的影響力似乎走向更加分散的格局，原因包括：
市場中出現了大量AI創業公司；
小團隊借助合適工具也能高效產出；
大量開源、可復現的高質量模型陸續問世。
這些因素共同推動了AI從最初的集中式發展走向更為去中心化的態勢。
第十點：AI的最佳使用比例絕非 0% 或 100%
完全不使用AI會極大限制效率，而過度依賴AI又可能導致產出質量粗糙。真正合理的做法，是在 0% 和 100% 之間尋找最優平衡點。具體比例因場景而異，但最重要的共識在于“極端化的兩種用法都非最佳”。這就像“拉弗曲線”（Laffer Curve）在經濟學里的啟示：找到適度的平衡才能獲得最大收益。
總結：當下的人工智能是“受限的人工智能”
綜上所述，現階段的人工智能仍屬于一種“受限的AI”，而非能通曉一切的全能型AI。其限制主要體現在以下方面：
經濟與資源限制：每一次API的調用都成本不菲，且市場上的諸多競爭模型會進一步分散資金和關注點。
數學與理論限制：AI在混沌、湍流以及加密類難題上（從理論上）無能為力，難以給出確定性解答。
實際操作限制：AI需要人類進行提示設計與結果驗證，它更像是“中間環節的助力”而非“端到端”的全能管家。
感知與上下文限制：AI目前無法獨立感知或檢索完整上下文，仍要依賴人類輸入或提示提供必要信息。
或許未來某一天，我們能將AI的“概率性（系統1思維）”與傳統計算（確定性/邏輯性系統2思維）完美結合，但這尚是未解的研究難題。在此之前，理解AI的邊界與潛能，才能更好地發揮它的價值。
via balajis.com/p/ai-is-polytheistic-not-monotheistic
作者長期關注 AI 產業與學術，歡迎對這些方向感興趣的朋友添加微信Q1yezi，共同交流行業動態與技術趨勢！
GPU 訓練特惠！
H100/H200 GPU算力按秒計費，平均節省開支30%以上！
掃碼了解詳情?
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
