网易新闻2024年10月11日发布:两大诺贝尔奖连续“看多”，谁还敢说这一轮AI是泡沫？！《孤舟》大结局：直到徐恩曾出手，周知非才明白，他为啥被判死刑

到了80年代，专家系统的崛起让AI再度回到聚光灯下。这种基于规则和知识库的系统被视为一套可以模仿人类专家决策的解决方案。当时，科技界对专家系统充满信心，甚至预言其将取代人类专家在金融、医疗等复杂领域的角色。可是，系统的成本高昂、维护复杂，且扩展能力极差，无法适应快速变化的环境。很快，专家系统的局限性暴露无遗，这一次AI的泡沫也破灭了，学术界随之进入了第一次“AI冬天”。

90年代末，神经网络和机器学习重新登上舞台，AI的第三次热潮开始。这一次，技术似乎更有潜力，通过模拟多层神经元的层次结构，AI终于具备了自我学习的能力。但这一轮的AI泡沫依然没能逃过历史的命运。尽管理论上前景广阔，但当时的神经网络依旧受限于算力不足和数据匮乏。企业纷纷尝试应用这一技术，但效果远未达到预期，AI再一次从热潮跌入冷静期。

最后不得不提的是2016年AlphaGo掀起的那波AI热潮。通过击败围棋世界冠军李世石，AI成为全球关注的焦点，似乎AI已经可以挑战最复杂的人类智力。

然而，AlphaGo的胜利带来的是一轮被过度炒作的商业风潮，尤其在中国市场上，围绕计算机视觉的创业公司如雨后春笋般涌现。CV四小龙（商汤、依图、旷视、云从）一度风光无限，融资数十亿。然而，短短几年过去，事实证明它们的商业化进展远远落后于预期，如今这些企业依然巨亏。其商业化虽然取得进展，但跟当初的期待相比依然差距很大。

AI泡沫为何屡次破灭？

那么，为什么AI的每一轮热潮总是会变成泡沫？背后的逻辑非常清晰：技术突破与市场期望的错位。每当AI技术在实验室或某些特定领域取得突破，市场就会将这种局部成功过度放大，期待AI能够迅速在各个领域中颠覆人类工作和生活。然而，技术的成熟度通常远未达到这种预期。当关键问题如算力、数据和算法性能未能得到根本解决时，市场的过高期望必然导致失望，资本的撤离则导致泡沫破裂。

更为关键的是，AI泡沫破灭的加速器往往是商业化的失败。无论是早期的感知机还是专家系统，都未能在商业上找到可行的模式。而最近一波如AlphaGo引发的计算机视觉热潮，也是因为技术无法迅速转化为现实场景中的盈利模式，导致资本和市场对AI的耐心逐渐消耗殆尽。这种技术与市场的错位是每一次AI泡沫破灭的主要原因。

再者，每一次AI热潮都会暴露出AI发展的核心技术瓶颈。感知机无法处理非线性问题，专家系统无法灵活扩展，神经网络则受到算力和数据的限制。如今，虽然深度学习和大模型看似强大，但它们仍面临着巨大的技术挑战，如推理能力不足、对数据的依赖等，这些问题若不能解决，AI的未来依然充满不确定性。

二、当前的AI热潮是否只是换了马甲的“泡沫2.0”？

今天的AI浪潮，尤其是由深度学习和大模型主导的技术进步，似乎与历史上那些失败的泡沫不同。现在的AI拥有了前所未有的算力支持，海量的数据为训练提供了肥沃的土壤，算法也更加精进，能够处理极为复杂的任务。从机器视觉到自然语言处理，AI正在多个领域展现出强大的潜力。

然而，我们不得不问，这一轮的技术热潮是否依然有泡沫的成分？除了少数硬件公司和平台如英伟达赚得盆满钵满，大多数AI公司依然处于亏损状态，商业化路径依然不明确。这让人不禁担心，当前的AI热潮是否只是换了马甲的“泡沫2.0”。

技术瓶颈不可忽视，AI的能力上限在哪里？

即便AI大模型展示了强大的生成和识别能力，但技术上的瓶颈依然明显，特别是在推理能力和理解深度上。GPT等大模型能够生成令人惊艳的文本和对话，但它并不能进行真正的逻辑推理和常识判断。这种浅层生成能力让它在应用中屡屡陷入“只懂表面、不懂深度”的困境。

另一个难题是黑箱问题。AI模型的复杂度之高，使得其内在运作机制难以解释，尤其是在深度学习中，神经网络的每个权重与节点之间的关联，几乎无法通过简单的规则来解读。这种“不可解释性”让AI的应用在医疗、金融等高风险领域面临着巨大的信任危机。缺乏透明度的算法决策，在遇到重要的行业标准和法规时，难以让人放心。

此外，AI大模型依赖于海量数据，但数据本身并非完全可靠。模型训练过程中可能出现数据偏差、歧视性数据集或数据不完整的情况。更为棘手的是，随着数据隐私法律的日益严格，数据获取和使用的门槛变高，隐私问题和数据安全问题成为AI商业化路上的障碍。

商业化难题，AI的盈利困境。

AI的大模型和深度学习无疑推动了技术的巨大飞跃，但在这道光环背后，隐藏的挑战不容忽视。尽管技术突破令人惊叹，实际落地和商业化的困境却成了不可回避的问题。

深度学习和大模型的迅猛发展让AI看似无所不能，然而，这一浪潮的商业化却充满了痛点。OpenAI等公司虽然取得了技术上的重大突破，但盈利模式依旧模糊。例如，OpenAI尽管靠GPT系列获得了广泛关注和几十亿的营收，但因高昂的算力和数据成本，依然处于巨额亏损状态。这反映出，AI大模型虽然技术领先，但其高成本、高耗能的问题，限制了大规模商业化应用。

与此相反，英伟达作为AI基础设施的供应商，通过卖GPU赚得盆满钵满。为什么只有英伟达获利？这主要是因为大模型的算力需求庞大，训练一个GPT4这样的模型，往往需要上亿美元的计算资源，这些资源高度依赖GPU。而AI公司本身，却难以通过服务变现，处于“烧钱”状态。长此以往，许多公司陷入了投入与产出不成比例的困境。

更为关键的是，AI行业至今缺乏真正的“杀手级应用”。尽管大模型表现抢眼，但至今未出现能像智能手机、互联网那样，颠覆市场格局的应用。许多公司尽管在技术上取得突破，但却难以找到稳定的盈利途径。

这让人不禁联想到前几轮AI泡沫：技术强劲但商业模式薄弱，导致资本狂热之后的泡沫破裂。眼下，尽管AI技术已经更加成熟，但商业化滞后加上盈利困难，是否意味着这波AI浪潮也难逃泡沫化的命运？投资者的热情是否能持续，抑或资本会在技术与市场错位后再次撤离？这些问题都笼罩在当前AI发展的前景中。

三、诺贝尔奖连续投下两张信任票，AI泡沫论休矣？

然而，当诺贝尔奖投来两张信任票之后，这些笼罩在AI头顶上的疑云就被一扫而空了。

诺贝尔奖具有无可争议的权威性。连续两年将物理学奖和化学奖授予与AI相关的研究，标志着AI从炒作走向核心科学。这不仅为AI的发展注入了权威背书，也有效打破了有关AI泡沫的质疑。AI已经从技术工具转变为科学发现的关键驱动力，而诺贝尔奖的背书则为这一转变提供了最强有力的佐证。

John J. Hopfield的Hopfield网络模型最早将AI与物理学结合，通过“能量最小化”概念模拟了神经元的集体行为。这一物理学中的核心原理为后来的深度学习奠定了理论基础。Geoffrey Hinton的反向传播算法则进一步推动了多层神经网络的可行性，解决了AI训练的核心问题，让深度学习从理论转向应用。这两项成果不仅改变了AI的发展轨迹，也让AI成为理解复杂物理系统的工具。

AI在生物化学领域的突破性应用体现在AlphaFold对蛋白质折叠问题的解决上。长期以来，蛋白质折叠被视为“世纪难题”，传统实验方法耗时耗力。而AlphaFold利用AI精准预测蛋白质三维结构，为药物研发和疾病治疗开辟了全新路径。这一突破不仅颠覆了生物化学领域的研究方式，也让AI成为科学创新的核心推动者。

诺贝尔奖的颁发直接击碎了“AI是泡沫”的论调。过去几年，AI虽受到广泛关注，但也伴随质疑：AI技术是否真的具备长期价值？是否会像早期的几次AI浪潮一样在期待与现实的落差中崩塌？诺贝尔奖的背书表明，这不是一场短暂的炒作，而是基础科学界对AI革命性力量的最高认可。

诺贝尔奖从不轻易颁发，它只表彰那些对基础科学有着深远影响的研究。而AI获得两项诺贝尔奖的事实证明，AI不仅是某些应用场景中的强大工具，它已经成为解决核心科学难题的关键力量。

诺贝尔奖对AI的认可，预示着科学范式的重大转变。过去，科学依赖于理论推导与实验验证，而AI则通过数据驱动的方式，直接从复杂现象中提取规律。这一范式的变化不仅加速了科学发现，还让科学家能够解决传统方法无法应对的问题。

那些质疑AI是泡沫的人，忽略了AI对基础科学的深远影响。AI不仅将主导未来的科学发现，还将颠覆我们理解世界的方式。而诺贝尔奖无疑是对这一技术革命的最权威宣言。