AI 泡沫開始破裂,但所有人都受益了?

公园4004
2粉絲
1 次觀看·2024年10月14日
科技發展,必然產生了泡沫,大語言模型也不例外。歷史上的多項研究表明,技術創新往往伴隨著投資泡沫,這些泡沫儘管最終破裂,卻成為推動未來技術發展的重要力量。
此刻,AI 的泡沫正在破裂,投資者對AI的熱情逐漸冷卻,市場也顯露出不穩定的跡象。AI能否真正帶來經濟回報,仍是懸而未決的問題。雖然AI在白領工作中展現了自動化和提高效率的潛力,但在更廣泛的行業中,其影響仍然有限。麻省理工學院的研究表明,AI能夠替代的任務僅佔所有工作的少數部分,且這些任務的自動化並不總是能帶來顯著的經濟效益。
時間線:
00:00 科技創新必然產生泡沫
01:18 投資者失去信心
02:41 AI 基礎設施建設:巨頭的遊戲
04:21 AI 多久能帶來回報
科技發展規律必然產生泡沫
一項研究考察了1825年至2000年間的
51項重要基礎創新
發現73%的案例中明顯存在投資泡沫
儘管股市泡沫最終破裂
但這些基礎設施建設
往往成爲未來技術的主要驅動力
換句話說
泡沫越大
公衆的關注度就越高
越有利於技術的推廣擴散
同時泡沫也是公司籌集資本的
所以科技的發展規律
也許並不是我們想象的那樣
某個技術被髮明
這個技術特別牛逼
大家都用
口口相傳
變成了熱點
實際上技術往往是被巨頭
及其他相關利益者推到臺前的
通過炒作和宣傳提高熱度
吸引更多人關注
隨後更多產業鏈上的公司
開始推進基礎設施建設
最後大衆採用這個技術
變得順理成章
我並不是否認這些技術創新不好
只是想說
這一過程往往是被推動的
發明者
技術專家
相關公司
投資者
都有動機去推動這一過程
這一過程
常常被描繪爲巨大的進步和創新
彷彿人類必然的發展方向
AI特別是大圓模型
也遵循着這樣的規律
而現在泡沫破裂的時刻已經到來
一年以前
每天有各種關於AI的熱點
AI有了自主意識
AI會創造世界末日
AI會奪取人類工作
大家回憶一下
最荒唐的是一堆企業家高管
簽署了個什麼
暫停研究人工智能聲明
但實際上並沒有公司暫停研究
用戶受着各種標題的刺激的同時
還被指出
需要學習各種必備的AI技能
相關課程也是層出不窮
投資機構的報告一片樂觀
聲稱AI會改變各行各業
是一個億萬級的市場
然而在今年6月
高盛發佈了一份報告
警告投資者
AI的投資花了太多錢
收益卻在未來10年內很難看到
紅杉資本的合夥人
大衛卡恩計算
要讓AI公司能持續的投資基建
企業每年得產生6000億美元的營收
考慮到OpenAI每年還虧損50億美元
短期來看希望渺茫
7月24日
納斯達克指數崩盤
佔據市值最大的七巨頭
股價劇烈下跌
市值蒸發7680億美元
8月5日
全球股市經歷了一場黑色星期一
跌幅最大的依然是科技股
9月3日
AI浪潮的最大受益者
英偉達的股票下跌了9.5%
市值損失2790億
創下美國公司有史以來的
單日最大跌幅記錄
這一系列事件被解讀爲
投資者對AI失去信心
AI的泡沫開始破裂
這兩年
AI處於基礎建設時期
大量的錢投入給了
OpenAI這樣的大模型公司
然後模型公司的錢
大多又花到了購買服務器上
微軟亞馬遜這類雲服務商的錢
大量的花在了購買英偉達的顯卡上
而英偉達自己把資金
用於建設數據中心
和研發下一代芯片
由於數據中心的增長
導致耗電量急劇增加
這也帶動了
電力系統的升級和建設
這些基建需要大量的資金
而短期內很難得到回報
要知道
數據中心這類投資的回報週期
在4.5年
因此現金流充沛的科技巨頭
成爲這一領域的主要投資者
2024年上半年
七大科技巨頭
在人工智能領域的總投資
接近250億美元
不管是不是泡沫
這些投資
都讓巨頭們的股價飆升
這一年
他們的總市值
上漲了約55%
資金充沛的七巨頭
也並不靠AI來引力
他們有着穩定的營收來源
有人計算
這些投入
只是巨頭們的例行投資
雲計算公司
通常將其收入的30%以上
用於資本支出
主要用於AI項目
也就是說
這些巨頭承擔的風險很小
如果AI沒能預期發展
可以及時換掉這些項目
但不投的話
就會影響股價
就會被用戶說
不思進取
即使AI泡沫破裂
股價下跌
主要影響的是這幾個大公司
對整體市場影響較小
很多人將這次AI泡沫
與21世紀初的互聯網泡沫對比
顯然不合適
這次AI泡沫破裂的危害
要小得多
相反
許多人從中受益
億萬富翁變得更加富有
你我這些普通用戶
也能以很低的價格用上AI
AI能否帶來回報
取決於兩點
能否降低成本
能否增加收入
簡單理解
AI要麼能提高效率
讓企業可以僱傭更少的人
完成相同的事
要麼能在成本不變的情況下
帶來更多的產出
提高效率
就是幫企業
把能自動化的
重複性高的工作替代掉
而且成本還不能太高
大圓模型
能如何自動化工作任務呢
目前大圓模型最大的用處
就這幾種
首先是翻譯總結
幫助專業人士簡化信息
這些信息
可能是法律文件
金融數據的
其次是搜索能力
我覺得大圓模型
直接回答問題
算是搜索的一種
和搜索引擎結合起來
算是另一種
總之比起傳統的搜索引擎
大圓模型能簡化答案
以前想爲一個模糊的問題
找答案
得瀏覽衆多網頁
現在AI可以直接回答你的疑問
但是好的答案
永遠是稀缺的
AI能加快
獲取答案的速度
但答案的質量
依然取決於用戶的提問
最後一個大的用處
就是協助編程
對於高級程序員來說
AI帶來的效率提升比較明顯
可以發現
以上這些作用
大部分都集中在
白領相關的工作
要從更廣泛的領域來看
運輸製造業
需要大量人機互動的行業
AI可能無法帶來效率提升
所以AI到底能省下
全社會的多少成本呢
麻省理工學院教授
達隆·阿希莫格魯做了個測算
他認爲
能讓AI取代的任務
都是重複性高
規則明確的智力型任務
這個我相信大家沒有異議
這類任務佔比多少呢
他認爲佔了所有工作的20%
這20%的任務
由於沒啥難度
對這些任務進行自動化
而且還划算的
也就是能產生經濟效應的
佔比更少
約23%
這兩個比例相乘
就是4.6%
這個是能自動化的工作比例
要算能節省多少錢
就要看看單個任務節省金額
作者選取了他人的研究
能產生經濟價值的自動化的任務
能節省27%的成本
因此總成本將節省1.24%
經過進一步調整
對GDP的影響爲0.9%
不同的學者
對於能自動化的任務的數量
以及每個任務能節省的成本
有不同的估算
最後算出的經濟效益也不同
但計算的思路都是相似的
不過AI在實際應用中的表現
並不總像測算的那樣理想
一個經典的例子
就是IBM Watson
在醫療領域的嘗試
2011年
IBM的人工智能系統
在一檔智力問答節目中
擊敗了兩位人類冠軍
展示了強大的自然語言處理
和信息檢索能力
預期在未來兩年內
讓他成爲一個AI醫生
幫助真正的醫生
快速準確的診斷病情
然而經過多年的努力
和幾十億美元的投資
這項目最終未能成功
2014年
IBM首次展示了這個AI醫生模型
它的知識庫包含了
所有罕見的疾病信息
它不會產生醫生的認知偏見
能在幾秒鐘內對疾病診斷
給出相關的醫學文獻
IBM曾與德克薩斯大學的
一個癌症中心合作了一個項目
Oncology Expert Advisor
學校出資6200萬美元
試圖打造一個AI專家
根據患者情況和醫友數據
提供癌症的治療建議
Wilson的自然語言處理
在理解醫療文本方面遇到了困難
行話 縮寫 主觀陳述
醫療術語混雜在一起時
Wilson無法捕捉到
人類醫生會注意到的微妙線索
最後學校停止了這個項目的支出
另一個項目
Wilson for Oncology
這個項目希望通過讓Wilson
讀取和分析大量的醫學文獻
輔助醫生制定個性化的癌症治療方案
也就是輔助發現新的研究
看到人類看不到的模式
但是Wilson做不到
醫生能根據目的
隨時地選取他們想要的關鍵信息
非常靈活
而Wilson只能根據
統計學的思維產生答案
統計學的思維有什麼不好的呢
2018年
FDA批准了一個和癌症有關的藥物
只對特定基因突變的腫瘤有效
這個藥物只對55名患者做了實驗
其中只有4名療效顯著
FDA就把這個藥物給快速批准了
如果讓AI來看這個實驗
這個藥物從統計上來講
就是無效的藥物
這個例子雖然是2018年的
但依然能突出驚天大猿模型的缺陷
它可能能吸收大量的數據
做出一種宏觀的判斷
但常常遺漏關鍵的細節
儘管大猿模型的能力和技術突飛猛進
但它的數學原理依然沒變
這個遺漏細節的缺點依然存在
大量涉及到細節的地方需要人類把控
那麼對AI的投入
以及能否達到相應的目標
換來效率提升
就要大量的實踐來證明
而不是一個簡單的
用行業價值乘以一個百分比來衡量
