AI热潮冷思考：供应链风险与商业挑战

人工智能（AI）工具无疑正在深刻改变工作的本质。各类大型语言模型如今已能够针对研究论文生成评审报告，且质量可与人类专家相媲美。与精力有限的人类不同，这些模型能瞬间查阅海量文献，且往往表现出更少的偏见。它们能敏锐指出分析中的薄弱环节，核查相关证明并提出改进建议。人类报告通常只有在能够串联起各个线索并提供全新见解时，才会更胜一筹。

尽管如此，市场对AI的狂热已令人担忧，尤其是考虑到该行业大规模举债扩张的程度。因此，我们有必要冷静思考AI供应链的哪些环节可能出现问题。

AI供应链始于基础设施的生产商和设计者，包括芯片制造商、网络提供商以及超大规模云服务商。它们建设数据中心以运行自身AI模型，同时也向其他企业出售算力。此外，还有众多基础大模型开发者和终端用户。

不过，大多数大型企业虽然正在积极尝试，却尚未实现端到端的应用。许多企业仍须整理历史数据以针对自身需求训练AI，同时重组传统运营流程。此外，数据安全、AI错误以及可能毁坏品牌形象的“幻觉”问题，也让企业心存顾虑。尽管如此，随着年轻企业发掘出更多AI应用场景，它们将对老牌大型企业施加变革压力。

然而，AI的推广仍可能因多种因素受阻，给依赖债务融资的企业带来风险。倘若芯片变得更快、更节能，现有数据中心内的设备可能会迅速贬值，导致企业难以摊销成本。此外，基于“下一个单词预测”这一核心原理的大型语言模型，在出现某种新技术之前，发展可能会陷入停滞。

目前，各家AI实验室都在斥巨资训练更新、更庞大的模型，期望率先达到具备自我优化能力的临界点并收割巨额利润。但这种情境似乎难以成立，因为即便存在这样一个临界点，其他竞争对手仍可能通过挖角关键员工等方式追赶上先行者。迄今为止，似乎还没有哪个AI模型能获得持久的优势。很难看出支撑巨额训练投资的利润将从何而来。

与此同时，算力短缺与基础设施瓶颈日益凸显。数据中心消耗巨量电力，推高了整体电价，多地面临限制数据中心建设的压力。硬件制造商和数据中心可能无法满足市场对算力的全部需求。如果对未来服务获取的可靠性或合理定价存在担忧，企业就不可能围绕AI重组所有运营。

更令人担忧的是安全问题。黑客和深度伪造者的恶意使用，以及缺乏监管的应用正在迅速增长。我们不难想象各类灾难性场景：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模型给出危险建议。呼吁对AI模型加强监管并实施更多问责的呼声只会越来越高。

此外，AI可能导致的大规模失业也是不容忽视的社会风险。出于对社会反弹的忧虑，即使是倾向于采用AI的企业，也可能不愿轻易裁减冗余员工，这会在一定程度上削弱AI部署带来的收益。

考虑到上述不确定性，AI将以何种规模和速度推广，目前尚不明朗。硬件制造商似乎占据有利地位，但若数据中心建设受阻，利润可能转向云服务商和AI实验室。它们可能会减少用于训练先进模型的算力，转而向企业出售现有成熟模型的算力。监管措施也可能迫使开发者投入更多精力改进模型的安全性，以构建公众信任。

好消息是，更受限也更审慎的AI落地进程，能为企业争取更多时间来探索增强（而非替代）劳动者的应用场景，同时也为政府和劳动者提供更充裕的适应期。坏消息是，对快速攫取超额利润的狂热憧憬可能缺乏依据，这对必须偿还债务的AI企业而言尤为棘手。AI的进步最终或许会带来回报，但并非所有服务提供商都能从中获利，甚至未必能存活下来。