给AI狂热浇一盆冷水

AI工具无疑将改变工作的本质。大型语言模型（LLM）已经能够针对我的研究论文生成评审报告，其质量可与人类评审员的报告相媲美。与总是时间紧迫的人类不同，LLM能够瞬间“掌握”或查阅更多文献，且往往表现出更少的偏见。AI能指出我的分析薄弱环节，核查证明过程，并提出改进建议。只有极少数情况下，人类撰写的报告会更胜一筹，通常是因为它们能串联起各个点，并提供新的见解。

尽管如此，市场对人工智能的狂热已令人担忧，尤其是考虑到该行业大规模发行债务的程度。因此，值得思考的是，在人工智能供应链的哪个环节可能会出问题。

供应链始于人工智能基础设施的生产商和设计者：如台积电和三星等制造芯片的公司； 设计芯片的英伟达；以及提供网络连接的思科。接下来是亚马逊、谷歌和微软等超大规模云服务商。它们既在建设数据中心以供自身AI模型使用，同时也向其他企业出售计算能力（处理能力）。除超大规模云服务商外，还有Equinix（数据中心）等更专业化的公司，当然还有基础大型语言模型（LLM）的开发者Anthropic和OpenAI。最后，还有AI服务的个人和企业终端用户。个人使用量正在快速增长，而在某些领域（如软件开发和客户支持），企业使用量更是呈爆发式增长。

但大多数大型企业虽然正在积极进行试验，却尚未实现端到端的应用。许多企业仍需整理历史数据以针对自身需求训练AI，并重组传统运营流程，以便部署AI并通过经验积累实现优化。此外，许多企业对数据安全、AI错误以及可能毁坏品牌形象的“幻觉”现象深感担忧，这种担忧不无道理。尽管如此，随着更少保守的年轻企业发掘出更多AI应用场景，它们将对老牌大型企业形成变革的竞争压力。

尽管如此，AI的推广仍可能因多种因素受阻，从而给依赖债务融资的企业带来风险。例如，若图形处理单元（GPU）、中央处理器（CPU）和内存芯片变得更快且更节能，现有数据中心内的设备可能迅速贬值，导致企业难以摊销成本。此外，基于“下一个单词预测”原理而能力突飞猛进的大语言模型（LLMs），在出现新技术之前可能会陷入发展停滞。

目前，各家AI实验室正投入巨资训练更新、更大的模型，其假设是：首个达到某种“魔力点”并实现自我优化的模型将主宰AI世界，并收获巨额利润。但这种情景似乎难以成立。即便存在这样的临界点，竞争对手仍可能追赶上先行者的模型（包括通过挖角关键员工来获取技术机密）。

迄今为止，似乎还没有哪个人工智能模型能获得持久的优势。除非Gemini（谷歌）、Claude（Anthropic）和ChatGPT（OpenAI）最终能通过吸引特定用户群体（或通过合并或串通）来实现差异化，否则很难看出支撑其巨额训练投资的利润将从何而来。

此外，尽管政界人士迄今大多保持观望，但针对AI风险与担忧的政策干预势在必行。鉴于数据中心消耗巨量电力——从而推高了全民的电价——州和地方政府将面临日益增大的政治压力，被迫限制其建设。例如，印第安纳州近期就有多个县宣布暂停数据中心建设。

对明年的预测已表明，硬件制造商和数据中心将无法满足美国对计算能力的全部需求。随着计算资源短缺加剧，终端用户将有更多理由推迟部署。如果对未来访问的可靠性或合理的定价存在合理担忧，企业就不可能围绕人工智能来重组所有运营。

更糟糕的是，尽管AI的广泛应用可能比许多人预期的要慢，但黑客和深度伪造者（deepfakers）的恶意利用，以及儿童的无监管使用，却在迅速增长。不难想象灾难性场景——例如致命的网络安全事件、AI代理对数据的严重滥用，或是训练不足的AI模型建议儿童对自身或他人实施暴力行为（这种情况已经发生过）。呼吁对AI模型加强监管并追究更多责任的呼声只会越来越高。失控AI带来的风险甚至可能促使大国之间展开亟需的对话，或许最终会催生某种形式的《AI日内瓦公约》。

或许引发政治干预的最重要导火索将是AI相关的大规模失业。出于对政治或社会反弹的担忧，即使是倾向于采用人工智能的企业，在非经济衰退时期也可能不愿裁减冗余员工，从而削弱了人工智能部署和普及带来的收益。

鉴于所有这些不确定性，人工智能将以何种规模和速度推广，以及谁将从中获利，目前尚不明朗。鉴于对计算能力的巨大需求，硬件制造商和设计商似乎占据了有利地位。但如果数据中心建设受阻，利润可能会转向超大规模云服务商和人工智能实验室。他们可能会减少用于训练更先进模型的计算资源——这些模型只能带来短暂的优势——转而向使用其现有成熟模型的企业出售已预留的计算资源。如果模型能力达到瓶颈，这种转变也极有可能发生。监管措施也可能迫使模型开发者投入更多精力来改进现有模型的训练和安全性，从而建立更广泛的公众信任。

好消息是，更有限且审慎的人工智能推广，能为企业争取更多时间来探索增强劳动力的应用（而非取代劳动力），同时也为政府和劳动者提供了更长的适应期。坏消息是，关于快速获得超额利润的狂热憧憬可能毫无根据，这对必须偿还严苛债务的人工智能企业而言尤为棘手。人工智能的进步最终可能会带来回报。但并非所有供应商都能获利，甚至未必都能生存下来。

本文原标题：A Cold Shower for the AI Mania，作者Raghuram G. Rajan，曾任印度储备银行行长、国际货币基金组织首席经济学家；现任芝加哥大学布斯商学院金融学教授、三十人小组主席、佩尔・雅各布森基金会主席。

图片来源：百度图片