人工智能达不到市场期待，盛宴已经结束？

　　一个价值万亿美元的问题在于：低风险使用所带来的好处能否抵消成本？

　　关于作者：阿玛尔·毕海德（Amar Bhidé），哥伦比亚大学梅尔曼公共卫生学院卫生政策教授，即将由牛津大学出版社出版的《不确定性与企业: 超越已知的冒险》（Uncertainty and Enterprise: Venturing Beyond the Known）一书作者。

　　尽管狂热已经部分平息，但人工智能革命的必然性仍然深深扎根于企业董事会和华尔街。Alphabet首席执行官桑代尔·皮查伊（Sundar Pichai）最近对投资者表示：“AI投资不足的风险远远大于过度投资的风险”。

　　然而，据英国《金融时报》报道，对冲基金埃利奥特管理公司(Elliott Management)表示，人工智能的许多应用“永远不会具有成本效益，永远不会实际正常工作，它只会消耗太多能源，或者将被证明是不可信赖的”。

　　人工智能的热情一直支撑着股市近期的大幅上涨，尽管现在上涨已经放缓。截至9月3日，除了特斯拉以外的所有七巨头股票都在下跌，英伟达（NVDA）领跌。

　　历史——以及人工智能统计引擎不可避免的不可靠性——也支持埃利奥特的观点。人工智能是一个已经成熟的事业，但它还没有准备好迎接能够证明市场过高预期正确的超级增长。

　　在过去七十年里，人工智能的创新者们不辞辛劳地将数字计算机完美地操纵1和0的能力与人类思维和话语的不精确性结合起来。

　　早期的人工智能应用收录了各种专业知识。然而，这种方法仅限于诸如医学诊断这样的问题，因为医学专家们拥有可以汇编的知识。

　　事实证明，统计近似性比可以汇编的人类专业知识更具有广泛的成本效益。谷歌的机器搜索算法就是一个突出的例子，它的表现轻松超过了雅虎的人工编辑目录系统。

　　然而，对统计近似值的依赖也限制了准确性。模糊的输入会使应用程序变得不可靠。使用标准字体的印刷文字不像手写文字那样模棱两可，不出所料，用光学字符识别软件扫描印刷书籍和文件比手写识别程序要准确得多。不过，由于统计相关性无法理解意愿，而破译口语单词（“there”还是“their”?）需要了解说话人的意图，听写程序的准确性仍然令人沮丧。

　　人工智能应用程序的准确性还取决于基础数据的生成过程。物理过程的稳定性，比如汽车的自动刹车，炼钢和炼油等，使它们适合可靠的统计建模。相比之下，人类的行为受到一时兴起和社会态度变化无常的影响。因此，对物理过程的统计预测往往是可以信赖的，而对消费者行为的预测可能是非常不准确的。所以，基于统计的人工智能并不能保证绝对正确。

　　谷歌和Meta平台已经依靠统计人工智能来生成目前主导互联网的广告。他们投给我的几乎每一个广告都与我的兴趣完全脱节。但是向别人展示错误广告的风险很低，而且就连依靠极其不准确算法的广告效果也超过了盲投。

　　但是在创造性的应用中，人工智能的准确性可能是无关紧要的。在电子游戏和卡通中，没有正确的特效或动画，修复旧电影画面也没有客观标准——谁知道原版是什么样子？自动化人工智能在修复工作中胜出，因为它比人类修复更加便宜和快速。

　　图片说明：阿玛尔·毕海德写道，在人工智能的创造性应用中，精确性的概念是无关紧要的。

　　随着坚定的创新者逐渐认识到利大于弊，人工智能变得无处不在。2006年，未来学家尼克 · 博斯特罗姆（Nick Bostrom）指出，人工智能已经“渗透到一般应用中，而且往往不被称为人工智能，因为一旦某种东西变得足够有用和普遍，它就不再被称为人工智能了。”

　　苹果2007年推出的iPhone手机为人工智能推波助澜。几乎所有的智能手机应用程序——从短信到色情信息，从地图到相亲，从视频编辑到流媒体人工智能。类似于Uber和Airbnb这样的人工智能手机应用彻底改变了交通和旅游业，移动搜索和社交媒体则粉碎了主流媒体和广告。

　　尽管人工智能已经得到广泛应用，但爱好者认为它仍处于初级阶段。一位经验丰富的软件企业家认为，“早期的应用，比如蛋白质折叠是深奥晦涩的。”但是现在，大型语言模型（LLM）增加了聊天界面，提供了更加广泛的公众访问。这位企业家说：“真正的创造力来自于人们使用它并提出新的用途，而不是来自于创造它的工程师。”

　　将人工智能与1979年发明的电子表格进行类比是诱人的。电子表格具有简单的用户界面，允许技术专长有限的人构建有用的程序。它们为不需要昂贵大型机的应用程序提供了引人注目的价值，并成为了个人电脑的“杀手级应用”。

　　大模型的用户界面甚至比电子表格更简单、更自然。然而，大模型运行的统计引擎所涉及的统计问题与早期人工智能应用的实际应用是一样的。与早期人工智能一样，大模型可以在创造性应用中大放异彩，比如图像生成，在这些应用中，准确性并不是决定性因素。相反，与其他统计人工智能模型一样，模糊的输入和结果破坏了它们的可靠性，它们不能从不稳定过程产生的数据中进行学习，也不能高度依赖上下文。

　　将各种可能的数据投入到大模型的训练中，并不能提高它们的准确性和可靠性。这就像医学数据并不能更好地回答法律或工程方面的问题，学会斯瓦希里语文学也并不能加强对莎士比亚戏剧的统计概括。

　　在低风险的使用中，人们还能够容忍大模型犯下的错误，就像他们在撰写短信时自动拼写时碰到的误导一样。价值数万亿美元的问题在于，低风险使用所带来的好处能否抵消成本。

　　电子表格在经济实惠的个人电脑上提供了大型机级别的可靠性。相比之下，大模型要求用户购买更昂贵的硬件。此外，用户硬件还只占建造、培训和运营大模型成本的一小部分。尽管大肆宣传，大模型还没有像尼古拉·特斯拉(Nikola Tesla)发明的交流电那样，彻底改变了电气的经济性。

　　目前，狂热的投资者和垄断者正在大量补贴人工智能的非经济用途。当音乐停止时，投资者意识到本已高大的树木不能像小树苗一样发芽，更不用说长到天上时，会发生什么？

　　文 | 阿玛尔·毕海德

　　编辑 | 喻舟

本文首发于微信公众号：巴伦中文。文章内容属作者个人观点，不代表和讯网立场。投资者据此操作，风险请自担。

【免责声明】本文仅代表作者本人观点，与和讯网无关。和讯网站对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考，并请自行承担全部责任。邮箱：news_center@staff.hexun.com