夜雨聆风
今天，我们正站在一个技术的十字路口。一方面，大模型、智能体（Agent）、具身智能等概念轮番登场，资本疯狂涌入；另一方面，“AI泡沫”的警告声不绝于耳，从华尔街到硅谷，人们一边兴奋一边恐慌。
当我们惊叹于ChatGPT、豆包的妙语连珠、为人形机器人的灵巧动作而欢呼时，很少有人知道，这一切的思想源头，可以追溯到78年前一位天才的惊世之作。
他的名字是诺伯特·维纳（Norbert Wiener），一个11岁上大学、14岁拿学士学位、18岁获得哈佛博士学位的神童，一个被誉为"控制论之父"，却被自己时代误解的孤独先知。
01
控制论怎么看“智能”？可控、可观测、可靠
1948年，诺伯特·维纳出版了《控制论》一书，奠定了“反馈、通信、控制”三大支柱。78年后的今天，当我们用这套框架重新审视AI的发展程度与泡沫，会发现许多被热闹叙事掩盖的本质问题。
控制论的核心思想是在于将机器与有机体置于同一概念体系下，研究系统如何通过信息流动与反馈调节来实现其目标。任何系统的“智能”，都源于“反馈结构”和“自耦合系统维持的稳态”。简单来说，一个系统要称得上“智能”，必须满足三个基本要素：
1. 可控性：输入能否有效影响输出
可控性，就是人类的指令是否真的能引导AI的行为。浙江大学团队的研究发现，AI控制存在明显的“悬崖效应”：在粗粒度控制下表现良好，但精细化要求时性能急剧下降。比如，你让AI“讲个笑话”，它可能表现不错；但如果你要求“必须使用排比句、以‘人生就像’开头、并且包含天气预报术语”，AI就可能“翻车”。
研究团队将AI行为控制分为三个层级：计算层面（表达什么）、算法层面（如何表达）、实现层面（如何具体实例化）。结果发现，越是精细的控制，AI的表现越不稳定。这意味着，我们离“像调节音响音量一样精确控制AI”的目标，还很遥远。
2. 可观测性：能否通过输出了解内部状态
这是AI最致命的短板。现在的AI就像一个黑箱，它能给出结论，却无法真正“观测”自己的推理路径，更无法判断输出在真实世界中的影响。
在控制论中，传感器和比较器是两个不可或缺的环节。恒温器之所以“智能”，是因为它实时测量温度（传感器），并与设定值比较（比较器），然后决定是否开启暖气。而当前的AI，只能执行指令，却无法自己“观测”行动结果并自我修正。正如浙江大学团队所发现的，大语言模型在处理需要“自省”的高阶任务时，往往力不从心。
3. 可靠性：系统能否稳定运行
可靠性是衡量系统能否持续、稳定输出预期结果的关键指标。在AI领域，这意味着系统能否形成“AI执行+人工复核”的稳定协作模式。浙江大学医学院附属第一医院的案例表明，AI辅助诊断可将漏诊率从48.8%降至4.8%，但“最终审核依然依赖人类”。
控制论告诉我们，AI可以是一个强大的“执行器”，但它无法承担“传感器”和“比较器”的职能。它不知道自己的输出是好是坏，不知道是否符合用户的真实意图，更不知道自己的行动在真实世界中会产生什么后果。
02
OpenClaw：看似闭环，实为开环
2025年引发热议的OpenClaw（小龙虾），似乎实现了“从思考到执行的闭环”。它能操控电脑、发送邮件、修改文件。但从控制论角度看，这恰恰是一个典型的误导。
真正的“闭环系统”，必须有“测量-比较-修正”的完整回路。而OpenClaw类AI实现的，只是“执行链条的闭环”，它能把指令转化为行动，但无法自己评估行动质量并修正。这就像一台老式电烤箱：你设定“加热10分钟”，它就加热10分钟，不管食物是否已经烤焦。
清华大学的孙茂松教授在MEET2026大会上提出了一个深刻的问题：当下大模型和具身智能面临的核心挑战，是“言、知、行”三者的关系。
1. “言”的成就：大模型已相当强大
当前，文本、代码、多模态等大模型，已经发展到一个相当高的基础能力水平。在“Humanity’s Last Exam”测试中，大模型已能拿到三四十分；在代码领域，人类第一名已经做不过大模型了。可以说，在语言层面，AI已经通过了图灵测试。
2. “知”的局限：缺乏完整的认知体系
然而，大模型的“知”是不完整的、不体系化的，缺乏自知之明。它虽然掌握了人类海量知识，但无法真正理解知识的关联，更不知道自己的认知边界在哪里。这正是浙江大学团队发现的“个性控制比语言特征控制更困难”的深层原因：涉及深层认知的方面，越难被精确控制。
3. “行”的挑战：走进物理世界是质变
孙茂松指出，从“言”到“知”已经很难，但“行”的挑战更是质的飞跃。控制论之父维纳早就强调：机器想具有真正的智能，必须让它走到现实世界中，能够感知世界、和世界打交道，在反馈中得到奖励或惩罚，并据此不断自我调整、自我学习。
但现实是，当前的人形机器人要进入通用开放环境自主进行较为复杂的工作，几乎是不可能的。AI在虚拟世界中的“智慧”，一旦进入物理世界，就会面临感知误差、环境变化、意外干扰等“接地气”的挑战。
03
AI泡沫：控制论视角下的审视
当我们用控制论的“反馈-通信-控制”三大支柱来审视AI市场，泡沫的迹象其实相当明显。
1. 技术泡沫：缺乏真正的“反馈闭环”
控制论认为，“几乎任何一个复杂系统的稳定，都来自于信息的反馈回路”。但当前的AI，还没有找到自己的自反馈系统，只能依赖外部工程（如RAG、护栏等）来弥补缺陷。
很多AI产品在Demo阶段表现惊艳，但一旦落地到真实场景，就因“数据与流程差异、合规与权限、组织采纳与改造成本”而效果锐减。这种“POC成功-规模化失败”的断层，正是泡沫的典型信号。
2. 商业泡沫：单位经济学堪忧
从控制论的“可靠性”角度看，AI商业模式是否健康，要看其单位经济是否可持续。一个健康的AI项目，毛利率应>60%、净收入留存≥110%、CAC/ARR<0.3。但现实中，许多AI公司算力成本占收入比例超过40%，甚至长期侵蚀毛利。
更值得警惕的是“补贴型增长”，通过免费额度、算力补贴与强营销促进调用量激增，但实际付费率与活跃付费用户数并未改善。这种“虚假繁荣”，在控制论视角下，其实是缺乏正反馈的短暂系统稳态。
3. 叙事泡沫：估值与价值的脱节
控制论强调“可观测性”，但当前AI投资中，常见误区是把“参数规模”“基准分数”当成可持续竞争力指标，而忽略了客户获取成本、可替代性、合规成本这些更真实的变量。
林峰老师在重读《控制论与科学方法论》时指出，当前围绕AI的认知混乱，源于对“智能”与“主体性”的概念混淆。当人们把“语言能力”等同于“智能”，把“能对话”等同于“有意识”，泡沫就不可避免地膨胀了。
04
泡沫会破灭，但技术不会消失
2000年互联网泡沫虽然股市震荡，但互联网本身并没有泡沫。AI可能也一样，在资本泡沫破灭之后，开始迎来最蓬勃的发展。
控制论告诉我们，任何复杂系统的发展都不是线性的，而是通过负反馈纠偏、正反馈放大的螺旋式上升。
当前的AI泡沫，本质上是对“智能”的过度期待与对“主体性”的误解。但泡沫破灭后，留下的将是真正具备“反馈闭环”能力的AI：能感知、能自省、能修正，能与人类形成真正的协同共生。
回到维纳1948年的预言：“机器想具有智能，一定要让它走到现实世界去，它能够感知这个世界，能和世界打交道，在反馈中得到奖励或惩罚，并据此不断自我调整、自我学习。”
-全文完-
【往期文章推荐】
⭐ 订阅：关注后在右上角设为星标✨，订阅不迷路~
👍 喜欢：喜欢文章内容，别忘了右下角点👍和❤️~
⤴️ 转发：分享给朋友，价值需要传递~
轻简·求真·人本·共生
