人工智能達不到市場期待，盛宴已經結束？

儘管狂熱已經部分平息，但人工智能革命的必然性仍然深深紮根於企業董事會和華爾街。Alphabet首席執行官桑戴亞·皮查伊（Sundar Pichai）最近對投資者表示：「AI投資不足的風險遠遠大於過度投資的風險」。

然而，據英國《金融時報》報導，對衝基金洛迪高伊利奧特管理公司(Elliott Management)表示，人工智能的許多應用「永遠不會具有成本效益，永遠不會實際正常工作，它只會消耗太多能源，或者將被證明是不可信賴的」。

人工智能的熱情一直支撐著股市近期的大幅上漲，儘管現在上漲已經放緩。截至9月3日，除了特斯拉以外的所有七巨頭股票都在下跌，英偉達（NVDA）領跌。

歷史——以及人工智能統計引擎不可避免的不可靠性——也支持洛迪高伊利奧特的觀點。人工智能是一個已經成熟的事業，但它還沒有準備好迎接能夠證明市場過高預期正確的超級增長。

在過去七十年里，人工智能的創新者們不辭辛勞地將數字計算機完美地操縱1和0的能力與人類思維和話語的不精確性結合起來。

早期的人工智能應用收錄了各種專業知識。然而，這種方法僅限於諸如醫學診斷這樣的問題，因為醫學專家們擁有可以彙編的知識。

事實證明，統計近似性比可以彙編的人類專業知識更具有廣泛的成本效益。Google的機器搜索算法就是一個突出的例子，它的表現輕鬆超過了雅虎的人工編輯目錄系統。

然而，對統計近似值的依賴也限制了準確性。模糊的輸入會使應用程序變得不可靠。使用標準字體的印刷文字不像手寫文字那樣模棱兩可，不出所料，用光學字符識別軟件掃瞄印刷書籍和文件比手寫識別程序要準確得多。不過，由於統計相關性無法理解意願，而破譯口語單詞（「there」還是「their」?）需要瞭解說話人的意圖，聽寫程序的準確性仍然令人沮喪。

人工智能應用程序的準確性還取決於基礎數據的生成過程。物理過程的穩定性，比如汽車的自動刹車，煉鋼和煉油等，使它們適合可靠的統計建模。相比之下，人類的行為受到一時興起和社會態度變化無常的影響。因此，對物理過程的統計預測往往是可以信賴的，而對消費者行為的預測可能是非常不準確的。所以，基於統計的人工智能並不能保證絕對正確。

Google和Meta平台已經依靠統計人工智能來生成目前主導互聯網的廣告。他們投給我的幾乎每一個廣告都與我的興趣完全脫節。但是向別人展示錯誤廣告的風險很低，而且就連依靠極其不準確算法的廣告效果也超過了盲投。

但是在創造性的應用中，人工智能的準確性可能是無關緊要的。在電子遊戲和卡通中，沒有正確的特效或動畫，修復舊電影畫面也沒有客觀標準——誰知道原版是什麼樣子？自動化人工智能在修復工作中勝出，因為它比人類修復更加便宜和快速。

隨著堅定的創新者逐漸認識到利大於弊，人工智能變得無處不在。2006年，未來學家尼克 · 博斯特羅姆（Nick Bostrom）指出，人工智能已經「滲透到一般應用中，而且往往不被稱為人工智能，因為一旦某種東西變得足夠有用和普遍，它就不再被稱為人工智能了。」

蘋果2007年推出的iPhone手機為人工智能推波助瀾。幾乎所有的智能手機應用程序——從短信到色情信息，從地圖到相親，從影片編輯到流媒體人工智能。類似於Uber和Airbnb這樣的人工智能手機應用徹底改變了交通和旅遊業，移動搜索和社交媒體則粉碎了主流媒體和廣告。

儘管人工智能已經得到廣泛應用，但愛好者認為它仍處於初級階段。一位經驗豐富的軟件企業家認為，「早期的應用，比如蛋白質摺疊是深奧晦澀的。」但是現在，大型語言模型（LLM）增加了聊天界面，提供了更加廣泛的公眾訪問。這位企業家說：「真正的創造力來自於人們使用它並提出新的用途，而不是來自於創造它的工程師。」

將人工智能與1979年發明的電子錶格進行類比是誘人的。電子錶格具有簡單的用戶界面，允許技術專長有限的人構建有用的程序。它們為不需要昂貴大型機的應用程序提供了引人注目的價值，併成為了個人電腦的「殺手級應用」。

大模型的用戶界面甚至比電子錶格更簡單、更自然。然而，大模型運行的統計引擎所涉及的統計問題與早期人工智能應用的實際應用是一樣的。與早期人工智能一樣，大模型可以在創造性應用中大放異彩，比如圖像生成，在這些應用中，準確性並不是決定性因素。相反，與其他統計人工智能模型一樣，模糊的輸入和結果破壞了它們的可靠性，它們不能從不穩定過程產生的數據中進行學習，也不能高度依賴上下文。

將各種可能的數據投入到大模型的訓練中，並不能提高它們的準確性和可靠性。這就像醫學數據並不能更好地回答法律或工程方面的問題，學會斯瓦希里語文學也並不能加強對莎士比亞戲劇的統計概括。

在低風險的使用中，人們還能夠容忍大模型犯下的錯誤，就像他們在撰寫短信時自動拚寫時碰到的誤導一樣。價值數萬億美元的問題在於，低風險使用所帶來的好處能否抵消成本。

電子錶格在經濟實惠的個人電腦上提供了大型機級別的可靠性。相比之下，大模型要求用戶購買更昂貴的硬件。此外，用戶硬件還只佔建造、培訓和運營大模型成本的一小部分。儘管大肆宣傳，大模型還沒有像尼古拉·特斯拉(Nikola Tesla)發明的交流電那樣，徹底改變了電氣的經濟性。

目前，狂熱的投資者和壟斷者正在大量補貼人工智能的非經濟用途。當音樂停止時，投資者意識到本已高大的樹木不能像小樹苗一樣發芽，更不用說長到天上時，會發生什麼？

（本文內容僅供參考，不構成任何形式的投資和金融建議；市場有風險，投資須謹慎。）

關於作者

阿瑪爾·畢赫特（Amar Bhidé），哥倫比亞大學梅爾曼公共衛生學院衛生政策教授，即將由牛津大學出版社出版的《不確定性與企業: 超越已知的冒險》（Uncertainty and Enterprise: Venturing Beyond the Known）一書作者。

本文來自微信公眾號「巴倫週刊」（ID：barronschina），作者：阿瑪爾·畢赫特，編輯：喻舟，36氪經授權發佈。