多年来，人们对生成式人工智能模型会持续指数级提升的信心，支撑起了数万亿美元的人工智能热潮。然而，事实证明，这种信心正在动摇。
简单来说，“扩展法则”曾经认为，只要为人工智能模型投入更多数据和计算资源，其能力便会持续增长。然而，最近一系列报道表明，情况已不再如此。顶尖的人工智能开发者发现，他们的模型不再像过去那样显著改进。
据彭博社报道，OpenAI 的新模型 Orion 在编程能力上并未明显优于其上一代旗舰模型 GPT-4。而 Alphabet 公司旗下 Google 的 Gemini 软件仅实现了渐进式改进。Anthropic，这两家公司的主要竞争对手，其备受期待的 Claude 模型的发布也落后于计划。
尽管如此，OpenAI、Anthropic 和 Google 的高管们最近在接受采访时仍毫不犹豫地表示，人工智能的发展并未停滞。但他们的说法不一定完全可信。事实是，围绕生成式人工智能可能出现收益递减的担忧正在成为现实。就连比尔·盖茨都曾预测这种情况，而推广“大即是好”理论的人工智能领域标志性人物 Ilya Sutskever 最近也承认，发展速度已放缓。他在接受路透社采访时表示：“2010 年代是扩展的时代，现在我们又回到了充满奇迹和探索的年代。”
“奇迹和探索”听起来像是“我们不知道下一步该怎么办”的另一种说法。这种情况也难免让投资者和企业感到焦虑，毕竟他们预计要在 AI 基础设施上投入 1 万亿美元，以兑现 AI 在各领域变革的承诺。据彭博社一项调查显示，华尔街的银行、对冲基金和私募股权公司正在为庞大的数据中心建设投入数十亿美元。
这一切是否是一场巨大的冒险？也未必。
毫无疑问，AI 热潮的主要受益者是全球最大的科技公司。微软、Google 和亚马逊的季度云存储收入稳步增长，而 Nvidia、苹果和 Meta 等公司的市值在过去两年中总计飙升了 8 万亿美元。然而，其他用户——这些科技巨头的客户——从投资中看到的回报尚需时日。
放缓带来的好处
然而，市场对 AI 的狂热降温可能是件好事，正如历史上其他创新经历的那样。因为科技通常并不会在碰壁后停滞不前，而是会沿着“S 型曲线”演变。S 型曲线的理念是，技术的初期进展需要数年积累，随后会迅速加速发展（正如我们在过去两年中看到的生成式 AI 爆发），然后开始放缓，并最终进入关键的演变阶段。
例如，多年来，批评者曾多次宣告摩尔定律失效，但随后芯片制造领域的突破又推动其发展。同样，航空技术的发展曾经停滞，直到 20 世纪 50 年代从螺旋桨飞机向喷气飞机的转型带来了飞跃式进展。尽管如此，航空技术并未止步，而是持续改进，如今的客机更加节能、安全，且运营成本更低，即使飞行速度并未显著提高。
类似地，生成式 AI 的扩展法则若达到瓶颈，也可能催生新的开发方法和成功衡量标准。目前，AI 发展的重点过于注重能力提升，而忽视了安全性等其他关键领域。一项学术研究发现，一些最先进的生成式 AI 模型在安全性和公平性等关键领域仍存在不足，尤其是在应对即将实施的欧洲 AI 法规时。
新的探索方向
今年以来，AI 研究人员已经在探索不依赖更多数据和计算能力的新改进路径。其中一种方法是专注于模型训练完成后的“推理阶段”，例如赋予模型更多时间来处理多种可能性，从而提高回答的质量。这也是为什么 OpenAI 最近称其新模型 o1 在“推理”能力上表现更优的原因。
S 型曲线的放缓为其他人提供了喘息的机会。那些正在试验生成式 AI 并寻求提升生产力的公司，现在可以重新设计其工作流程和业务流程，以更好地利用当前已非常强大的 AI 模型。（想想在 20 世纪 80 年代，企业花费了数年时间调整自己以适应计算机的应用。）
斯坦福大学教授提出的“生产力悖论”表明，在重大新技术出现时，生产力往往会短期内停滞甚至下降，随后才会显著增长。AI 的放缓也为企业提供了更充足的投资调整空间。
这也为监管者设计更有效的保护措施争取了时间。欧盟的 AI 法案将于 2026 年实施，但其对“危害”的定义仍需更具体。在标准制定过程中，新模型的发布速度减缓也有助于减少意外问题的涌现。
停下来是为了走得更远
在过去两年中，生成式AI如同一列高速前进的子弹列车，这种势头对科技巨头无疑是巨大的利好。然而，这趟列车在“车站”的短暂停留，正是为其他人带来难得的调整机会。
