AI的妄念与正念：当理论物理输给AI

诺贝尔物理学、化学奖，今年都颁给了AI。这出乎所有人意料，包括获奖者自己。

这届的诺贝尔奖ldquo;AIrdquo;含量有点高

时间回到 10 月 8 日，在这一天，2024 年诺贝尔物理学奖正式授予了杰弗里middot;辛顿和另一位学者约翰middot;霍普菲尔德(John J. Hopfield)，以表彰他们在机器学习与人工神经网络领域的基础性发现和发明。

没错，不是事前预测中热门的凝聚态或量子物理等方向，就是AI，是机器学习，更具体来说是神经网络。对此有人说，诺奖抢了图灵奖的活，甚至有人说物理学不存在了。

那么，他们的贡献与物理关联何在呢？

诺贝尔奖委员会揭秘:他们利用了物理学方法来寻找信息的特征，构建了为当今强大的机器学习奠定基础的方法。Hopfield提出的ldquo;Hopfield神经网络rdquo;，以相当于物理学中自旋系统能量的方式进行描述。Hinton提出的ldquo;玻尔兹曼机rdquo;，则使用了统计物理学中的工具。后来Hinton在这项工作的基础上，帮助启动了当前机器学习的爆炸性发展，也就是我们熟知的深度学习革命了。

无独有偶，北京时间10月9日下午，瑞典皇家科学院决定将2024年诺贝尔化学奖授予三位科学家。其中，一半授予美国华盛顿大学教授大卫middot;贝克 ，以表彰其在计算蛋白质设计方面的贡献；另一半则共同授予英国人工智能公司谷歌DeepMind公司的丹米斯middot;哈萨比斯(Demis Hassabis)和约翰middot;乔普(John M. Jumper)，以表彰其在蛋白质结构预测方面的贡献。

从2024年诺贝尔物理学奖到化学奖，AI 成为了今年诺奖中令人意外的ldquo;热门rdquo;技术。但对于很多物理领域学者和化学家来说，今年的诺奖不仅ldquo;无趣rdquo;，甚至还有点感到沮丧，因为理论物理和理论化学都得不到学术界圣杯mdash;mdash;诺奖的认可。

因此，有很多人评价认为:诺奖真的变ldquo;水rdquo;了，物理与化学技术都还不如 AI 更有用处。

但问题在于，学科交叉已成为学术界公认的事实性趋势，AI 技术确实已经在推动物理、化学、生物、医疗、金融等多个学科交叉赋能。2000年图灵奖得主、中国科学院院士、清华大学教授姚期智今年9月表示，AI 最明显的趋势有两个，一个是从弱智能走向通用智能。另一个是学科间的交叉赋能，使得本来就明显学科交叉的工作，变得更加活跃和重要。

而在学术界对AI投下信任票的同时，今年以来，产业界明显冷静了许多，ldquo;大模型泡沫论rdquo;的观点甚嚣尘上，以高盛6月份发布的《生成式AI:投入过多，收益过少？》报告为例，其中提到，未来几年科技巨头、企业和公共部门将在生成式AI上投入约一万亿美元的资金，但目前来看，这些投资似乎并没有带来预期的回报。

AI的商业化:ldquo;杀手级应用rdquo;何时、何种方式出现

如果要说学术界与产业界有什么共识，那应该就是大模型不是ldquo;万能药rdquo;，只有把大模型任置于具体的场景中，才能兑现技术价值。

在实现路径上，当下AI搜索玩家的发展轨迹，大致可分化为两条路:一方面，众多企业沿袭ldquo;由模型到应用rdquo;的路径，逐步在AI产品中叠加新特性，从而构建生态系统。这如同ldquo;拿着锤子找钉子rdquo;mdash;mdash;先把产品设计好，再去找应用场景。

另一条路径是ldquo;由场景到技术rdquo;，即在明确的高需求场景内强化AI搜索功能，实现了技术与实际需求的紧密对接，这相当于直接在成熟场景中找到需求的ldquo;钉子rdquo;，再用AI技术和产品能力的ldquo;锤子rdquo;砸下去，精准命中用户需求，相对更为直接且效果显著。

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巨大的营收，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。

从现状看，搜素引擎是AI应用最适配，最先应用改造的产品形态。在AI技术加持下，当前搜索引擎已经迈入下一阶段，即以用户为中心，更好理解用户语义，并支持个性化推荐和跨模态、跨语言检索、交互等，用户价值有望超过传统搜索。

不过当前AI搜索产品尚处早期，商业模式有待进一步探索。有行业分析师就指出，当前AI搜索产品的整体表现距离ldquo;杀手级应用rdquo;的标准仍有一定差距。ldquo;尽管技术进步显著，但从产品形态的多样性、使用量的广泛性以及应用场景的深度来看，AI搜索尚未形成足以颠覆市场的单一应用。rdquo;

AI的上限:技术突破与市场期望之间是否有偏差

除了商业化，产业界还有一个大的担忧就是AI会不会陷入新的低谷，也就是AI是不是有能力的上限。

这种担忧并不是凭空想象。毕竟从历史看，AI曾经陷入过多次低估。自从1956年的达特茅斯会议之后，人工智能技术和产业经历了三起三落，少有一类技术能够跨越如此之长的周期，既不归于沉寂也尚未实现规模爆发。

那么，为什么AI的每一轮热潮总是会变成泡沫？要回到这个问题，我们首先要了解为什么AI容易引发泡沫。

这背后的逻辑其实也非常清晰:即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。

其次新技术在改变世界上总要有些时间。曼哈顿研究所高级研究Mark P. Mills认为，正如汽车、无线电、互联网等革命性技术，新技术在改变世界之前，都会经历漫长的蛰伏期，绕不过发明创造、商业可行、大规模推向市场三个阶段。

ldquo;颠覆性创新rdquo;通常每个阶段持续20年左右。例如在汽车发明之后多年，T 型车设计才出现(1908 年)，到了1920年代末，美国汽车渗透率上升到20%。

有时创新发生得也会快一点，从ldquo;分组交换rdquo;的想法到创建互联网不到十年，万维网公开商业化花了 20 年时间，但只用了 10 年时间就看到了显著的市场渗透。

结语:对AI不要神化，也不要妖魔化

综上，产业界总是在期待一个无上限、全能、全知的ldquo;上帝型AIrdquo;，但这只是美好的想象。除了算力、能源这些现实制约因素外，人类社会也将给AI一个人为的边界和上限。

回溯AI的诞生与成长，从最初的符号逻辑推理，到如今深度学习驱动的智能应用，每一次技术革新都为医疗、金融、教育等领域带来了前所未有的效率提升与创新可能。然而，每一项进步的阴影下，伦理与法律的挑战也随之而来。

无人驾驶汽车的事故责任归属、算法偏见导致的就业歧视、AI生成内容侵犯版权等问题，犹如一面镜子，映射出科技与伦理、法律交织的复杂现实。这些问题如同警钟，警示我们:在追求AI技术的星辰大海时，不可忽视其对社会公平、隐私保护等基本价值的潜在冲击。

因此，对于AI我们既不能神化，也不能妖魔化。让AI回到理性的环境中，或许才能正确的对待AI。