为什么我讨厌AI，也许你也应该如此

摘要

本文作者以技术专家的身份，系统阐述了对当前AI热潮的批判态度。他认为生成式AI处于明显泡沫期，LLM并非通向AGI的正确路径。文章分析了大公司的对冲博弈逻辑、炒作的下游效应、LLM的技术瓶颈，以及对人类认知与技能的潜在负面影响，最终主张理性对待AI，强调专业技能的重要性。

内容框架与概述

文章开篇即明确立场：作者不否认AI的潜力，但坚信LLM并非通向AGI的正确路径。他指出AI行业目前处于泡沫阶段，市场炒作远超实际价值。作者用三种主流观点概括了当前的技术争议：技术不可持续论、营销维持论、以及少数领域价值论。

接着，文章深入分析了大公司为何疯狂押注AI。作者认为，科技巨头们将AGI视为生存威胁——一旦有公司实现AGI，其他公司将被彻底淘汰。因此，烧钱押注AI是合理的"对冲"策略。但在实际操作中，为了维持资本流入，公司不得不通过夸大宣传制造"AI即将颠覆一切"的幻觉。作者以特斯拉"全自动驾驶明年就来"的持续承诺为例，揭示了这种宣传策略的本质。

文章进一步剖析了炒作的下游效应：大公司的夸张宣传导致中小企业和个人陷入"AI焦虑"，各类产品开始盲目"AI化"。作者特别赞赏苹果公司的理性策略，指出苹果通过内部研究得出LLM不具备真正推理能力的结论，因此对AGI持保守态度，这种理性反而被投资者视为"没有做AI"。

关于LLM的技术本质，作者与苹果的结论一致：LLM不是，也永远不会成为AGI。他用"Stochastic Parrot"和"Chinese room"等理论质疑LLM的推理能力，认为现有LLM的所有能力都可以用更简单的统计现象解释。作者通过"狼、羊和白菜过河"问题的变体说明，LLM只能机械匹配训练数据，无法像人类一样灵活应对新问题。

文章还批评了当前的技术进展多为"补丁式创新"，如Chain-of-Thought Reasoning和RAG，这些方法要么计算成本极高，要么本质上是"高级抄袭"。作者指出，LLM依赖大量人类数据，但当模型通过"抄袭"剥夺内容创作者收入时，会导致源数据枯竭和低质内容泛滥的恶性循环。

最后，作者警示了LLM对人类认知的潜在危害。他认为，LLM通过快速总结和处理他人工作，给用户带来"完成任务"的快感，类似于药物成瘾的多巴胺奖励机制。过度依赖LLM会导致认知和技能退化，而所谓的"提示工程"并非真正的技能优势。作者主张"专业性迟到"策略，只有技术成熟、市场验证后再采纳，避免盲目跟风。

核心概念及解读

AI泡沫与炒作经济学：当前AI行业处于明显的泡沫期，市场炒作远超技术实际价值。大公司出于对AGI的"生存威胁"恐惧，不得不烧钱押注AI作为对冲策略。为了维持资本流入，公司通过夸大宣传制造"AI即将颠覆一切"的幻觉，形成了类似"热土豆游戏"的行业氛围。

LLM的技术局限：LLM本质是统计模式匹配，缺乏真正的推理能力。虽然能完美复现人类语言，但这只是因为训练数据本身就是人类产出，就像复印机能复制文章但不代表会思考。真正的推理能力体现在面对全新问题时的表现，而LLM在训练数据覆盖不到的场景下完全失效。

补丁式创新：当前LLM的技术进展多为"补丁"而非真正的创新。Chain-of-Thought Reasoning让模型将问题拆解为多个步骤，但计算成本极高；RAG允许模型实时检索数据，但本质上是"高级抄袭"，既无法解决幻觉问题，又剥夺了原作者的流量和收入。

自我吞噬危机：LLM依赖大量人类数据进行训练，但当模型通过"抄袭"剥夺内容创作者收入时，生产者会转向付费墙，限制了模型未来的数据来源。同时，LLM产出的低质内容充斥网络，进入训练集后可能导致模型"崩溃"，形成恶性循环。

虚假生产力陷阱：LLM通过快速总结和处理他人工作，给用户带来"完成任务"的快感，类似于药物成瘾的多巴胺奖励机制。用户感觉自己更高效，但实际产出质量下降。过度依赖LLM会导致认知和技能退化，大脑如同肌肉需要不断锻炼，而LLM让人们把学习和思考过程都外包出去。

理性技术采纳框架：评估新技术时，应优先关注实际价值而非市场炒作；观察行业巨头的行为但不盲目跟风，分析其背后的动机；选择技术成熟后再采纳，避免"早期入场"的高风险；持续关注技术进展，但保持独立判断，避免被炒作和恐惧驱动。

原文信息

此文档由 AI 自动整理