AI泡沫的致命短板！推理成本高昂，数千亿投入难回本

　　大家好，我是小圆！如今，如果你走进任何一场科技论坛或者风险投资的会议，几乎不可能不听到“人工智能”这个词。它就像一个巨大的磁石，在过去几年里，吸引了全球数千亿美元的资金，疯狂地投入到芯片、超级计算机和庞大模型的训练中。

　　整个行业弥漫着一种乐观的气氛，仿佛我们即将踏入一个由机器智能全面赋能的新纪元。然而，就在这片喧嚣与热钱涌动之下，一种越来越清晰的不安感开始浮现。

　　堆砌算力的“钞能力”狂欢

　　当前这一轮AI浪潮，尤其是以ChatGPT为代表的生成式AI，其成功在某种程度上像一场“大力出奇迹”的胜利。研究人员和工程师们发现，基于Transformer等架构，只要投入海量的数据和无与伦比的算力，模型就能表现出令人惊叹的能力。

　　这种模式催生了一种行业惯性：当模型效果不够好时，第一反应往往是——给它更多数据，用更强大的芯片去训练它。

　　这种对“暴力计算”的依赖，短期内取得了耀眼的效果，但随即就把整个行业带进了一个经济学的困境。根据一些顶尖投资机构的分析报告，为了收回已经在硬件基础设施上投入的数千亿美元，AI行业需要创造出与之匹配的、同样高达数千亿美元的年收入。

　　但现实是，尽管AI应用层出不穷，实际的营收规模距离这个目标还非常遥远。

　　问题就出在“推理成本”上。你可以把AI模型的“训练”看作是一次性投入巨资建造一座工厂，而“推理”则是这座工厂日后每生产一个产品的边际成本。

　　目前的状况是，这座工厂本身造价极高，而它每生产一个产品的能耗和原料成本也居高不下。每一次用户与聊天机器人的交互，背后都是巨大的计算量和电力消耗，每服务一个用户可能都在亏钱。

　　那么，出路在哪里？有观点认为，钥匙可能藏在被我们暂时遗忘的、最基础的学科里。

　　当“AI炼金术”遇上数学“说明书”

　　伊万·柯克所指出的核心问题，就在于当前AI发展对底层数学的忽视。他用了一个有趣的比喻：当前的深度学习有点像“炼金术”。中世纪的炼金术士们通过反复试验，偶然也能把一些东西变成金子，但他们并不清楚背后的化学原理。

　　同样，今天的工程师们通过调整参数、堆叠数据，让模型工作了，但对于模型内部究竟如何运作、为何有效，很多时候也缺乏严格、可证明的数学理解。

　　这种“黑箱”特性带来了双重麻烦。首先是效率问题。因为缺乏深刻的数学理论指导，模型的优化很大程度上靠经验和试错，导致计算效率非常低下。如果能从数学层面，比如通过更精巧的线性代数方法、更高效的概率模型，从根本上改进算法，或许能用少得多的计算量达到同样的效果。

　　其次也是更深刻的，是可信性与安全性问题。一个我们无法用数学语言清晰描述其决策边界的系统，是很难被完全信任的。

　　想象一下，如果一个AI模型被用于医疗诊断、自动驾驶或金融风控，我们却无法从数学上确保它在特定情况下不会出错或产生荒谬的“幻觉”，这无异于埋下了一颗定时炸弹。

　　因此，真正的AI安全，远不止是制定伦理规范和内容过滤规则。它必须建立在坚实的数学基础之上，需要数学家们发展出新的理论框架，来解释和约束神经网络的行为，让AI从“炼金术”走向一门严谨的“科学”。

　　从追逐应用到投资“无用之学”

　　柯克的批评，实际上揭示了一个全球科技创新中的普遍现象：资源分配的严重失衡。当前的资本和注意力，几乎都涌向了金字塔的顶端和中间层。

　　顶端的各种炫酷应用（如AI绘画、智能助理），和中间的基础设施层（如芯片、云计算）。而在最底层，那些看似“不直接产生利润”的基础数学和算法理论研究，却门庭冷落，资金匮乏。

　　这种“倒金字塔”式的投入结构，造成了人才的扭曲。许多最聪明的大脑被高薪吸引，去从事模型微调、应用开发或芯片设计，而少有人愿意去挑战那些可能耗时漫长、失败率高，但一旦突破就能改变游戏规则的基础数学问题。从长远看，这是在透支未来的技术潜力。

　　如果没有底层理论的突破，应用层的繁荣最终会触到天花板。

　　历史已经多次证明，技术的革命性进步往往源于基础科学的突破。没有图灵对计算理论的思考，就没有现代计算机的蓝图；没有香农的信息论，数字通信时代就无从谈起。

　　今天，我们站在由巨大算力堆砌而成的新高峰上，却同样需要回过头来，向数学深处寻找下一步的阶梯。这需要投资界改变急功近利的心态，更需要公共政策的积极引导。

　　当前AI领域面临的“推理成本”难题，本质上是一个经济可行性与技术根基问题的交织体现。

　　忽视数学，不仅让我们的AI系统运行起来“费钱”，更让它们的行为像一只难以预测的“黑箱”，在关乎重大的应用场景中潜藏风险。将AI的未来完全寄托于硬件摩尔定律的延续和数据的无限增长，是一条充满不确定性的道路。