最近，我收到一封邮件，标题是"18岁少年的困境：加入AI领域是否为时已晚？"。发件人是一名即将进入大学的学生，他担心自己毕业时，AI技术已经发展到没有有意义的工作让他去贡献人类社会的地步，他只能依靠全民基本收入(UBI)生活。我回信向他保证，未来几十年内仍将有许多工作等待他去做，并鼓励他努力学习，学会如何利用AI构建创新应用。然而，这次对话让我意识到，关于AI的炒作是多么有害。
AI的双重现实：强大与局限并存
诚然，AI令人惊叹地智能，我很高兴每天都能使用它来构建一年前无法想象的东西。同时，AI仍然极其笨拙，我不会单独依赖前沿大语言模型(LLM)来安排我的日程、筛选简历或决定午餐吃什么——这些任务企业 routinely 要求初级员工完成。
是的，我们可以构建AI软件来完成这些任务。例如，经过大量定制工作，我的一个团队现在有了一个相当不错的AI简历筛选器。但关键是，这需要大量定制化工作。
尽管LLM能够处理比以往AI技术更广泛的任务集，但与人类能力相比，它们仍然高度专业化。它们在处理文本方面比其他模态更好，但仍需要大量定制工程才能为特定应用提供正确的上下文，而且我们几乎没有工具——只有低效的工具——让我们的系统从反馈和特定任务的重复 exposure 中学习（例如为特定角色筛选简历）。
AI的明确局限
AI有着明显的局限性，尽管进步迅速，但在相当长的时间内，与人类相比仍将保持有限。
AI很了不起，但不幸的是，它被炒作得比实际更加了不起。炒作的一个有害方面是，它往往包含一定程度的真相，但程度不及炒作的程度。这使得非技术人员难以辨别真相究竟在哪里。现代AI是一种通用技术，正在推动许多应用的发展，但能够执行人类可以执行的任何智力任务（AGI的流行定义）的AI仍然需要数十年甚至更长的时间才能实现。这种AI是通用的，但又不是那么通用的微妙信息，往往在今天嘈杂的媒体环境中被淹没。
同样，前沿模型的进展令人惊叹！但并没有那么令人惊叹，以至于它们能够在没有大量定制化的情况下完成所有事情。我知道一些风险投资家害怕投资应用层初创公司，因为他们担心前沿AI模型公司会通过改进其模型迅速淘汰所有这些企业。虽然围绕LLM的一些简单包装无疑会被取代，但仍然存在大量有价值的应用，前沿模型的当前进步轨迹在很长一段时间内不会取代它们。
精确认知的重要性
没有关于AI当前状态及其可能如何发展的准确信息，一些年轻人可能会决定不进入AI领域，因为他们认为AGI让他们没有有意义的角色，或者决定不学习编程，因为他们担心AI会自动化它——而这恰恰是我们加入这个领域的最佳时机。
让我们所有人继续努力，准确理解什么实际上是可能的，并继续构建！
对AI投资者的建议
对于投资者而言，重要的是要认识到，虽然AI技术正在快速发展，但大多数应用层公司仍有足够的时间来建立护城河和价值主张。过度关注短期技术突破而忽视长期价值创造的投资策略可能会导致错失真正有潜力的企业。
对AI学习者的建议
对于希望进入AI领域的学习者，现在是最佳时机。尽管AGI还很遥远，但专注于特定领域的AI应用仍有巨大的创新空间。与其等待通用人工智能的出现，不如考虑如何将当前AI技术应用于特定行业或解决特定问题。这种专业化的方法不仅更有可能产生实际影响，也能为你带来职业发展的机会。
对AI研究者的建议
对于AI研究人员，保持对技术局限性的清醒认识至关重要。虽然追求更强大的模型是必要的，但同样重要的是理解这些模型的局限性，并探索如何克服它们。这可能涉及开发新的架构、改进训练方法或创建更有效的评估框架。
技术炒作的历史教训
回顾技术发展史，我们可以看到许多技术都经历了类似的炒作周期。互联网泡沫、区块链热潮等都有过度乐观的预期和随后的现实调整。AI也不例外，理解这一周期有助于我们更好地评估当前的技术状态和未来发展方向。
互联网泡沫的启示
2000年的互联网泡沫破裂后，许多互联网公司倒闭，但互联网技术本身并未消失。相反，它经历了一段调整期，随后实现了更可持续的增长。那些专注于实际价值创造而非短期炒作的公司最终取得了成功。AI领域可能正在经历类似的过程，短期内可能会有过度投资和期望，但长期来看，那些解决实际问题的AI应用将存活并蓬勃发展。
区块链技术的教训
区块链技术同样经历了从过度炒作到理性评估的过程。最初的加密货币狂热后，市场逐渐认识到区块链技术的实际应用场景和局限性。如今，区块链正在金融、供应链管理等领域找到实际应用，而不是最初设想的颠覆一切。AI技术可能也会遵循类似路径，从当前的炒作阶段逐渐过渡到更务实的应用阶段。
AI技术的实际进展
尽管存在炒作，AI技术在过去几年确实取得了显著进展。了解这些实际进展有助于我们形成更准确的认知。
自然语言处理的突破
大语言模型(LLM)如GPT系列、BERT等的出现，标志着自然语言处理领域的重大突破。这些模型能够生成连贯的文本、回答问题、翻译语言，甚至编写代码。然而，这些能力仍然有限，它们往往缺乏真正的理解能力，容易产生幻觉（即生成看似合理但不正确的内容），并且在处理需要复杂推理的任务时表现不佳。
计算机视觉的进步
在计算机视觉领域，AI系统已经能够在图像识别、物体检测等方面达到甚至超越人类水平。这些进步已经在自动驾驶、医疗诊断、安防监控等领域得到应用。然而，这些系统通常在受控环境中表现最佳，面对复杂或意外的场景时，鲁棒性仍然是一个挑战。
强化学习的应用
强化学习在游戏、机器人控制等领域取得了显著成功。AlphaGo击败世界围棋冠军，以及AI在电子游戏中的表现，都展示了强化学习的潜力。然而，将这些成功扩展到现实世界的复杂问题仍然面临诸多挑战，包括样本效率低、泛化能力差等问题。
AI技术的未来发展方向
尽管AI技术存在局限，但研究人员和工程师正在积极探索各种方法来克服这些挑战，推动AI技术的进一步发展。
多模态学习
多模态学习是AI的一个重要发展方向，旨在让AI系统同时处理和理解多种类型的数据，如文本、图像、音频等。这种方法有望使AI系统更接近人类的感知和理解能力，从而在更广泛的任务中表现出色。
可解释AI
随着AI系统在关键领域的应用越来越广泛，提高AI系统的可解释性变得尤为重要。可解释AI旨在开发能够解释其决策过程的AI系统，这对于医疗、金融、法律等高风险领域尤为重要。
自监督学习
自监督学习是一种减少对大量标注数据依赖的方法，通过让模型从未标注数据中学习表示。这种方法有望降低AI系统的训练成本，并使其能够更好地利用大量未标注数据。
AI与人类的协作
未来的AI系统可能更注重与人类的协作，而不是完全替代人类。这种人机协作模式可以结合AI的计算能力和人类的创造力、伦理判断和情境理解，从而实现更强大的整体性能。
结论：理性看待AI发展
AI技术确实令人兴奋，它正在改变我们的生活和工作方式。然而，我们需要保持理性，既不过度乐观也不悲观。AGI的实现可能还需要很长时间，但这并不意味着AI领域没有机会。相反，专注于特定领域的AI应用仍有巨大的创新空间和价值创造潜力。
对于有意进入AI领域的人士，现在是最佳时机。随着AI技术的不断发展，对专业人才的需求也将持续增长。无论是研究、开发还是应用，AI领域都将提供丰富的职业机会和发展前景。
让我们共同努力，推动AI技术的健康发展，同时保持对其局限性的清醒认识，确保AI真正造福人类社会。
