AI 教父杰弗里 · 辛頓可能是這個時代對 AI 最悲觀的人。
2024 年的諾貝爾物理學獎頒給了他，以表彰他在神經網絡領域的開創性成就。但 "AI 威脅人類 " 一直都是辛頓的主要論調。除此之外，他對當前主流大模型的經典評價是，" 一輛銹跡斑斑到處都是問題的車，只是進行了一次噴漆。"
眾所周知，目前主流大模型都采用了基于人類反饋的強化學習（RLHF）來進行預訓練微調，而辛頓的評價原話是 "ChatGPT 的 RLHF 就是垃圾。"
王欣是杰弗里 · 辛頓的碩士研究生。在辛頓執教多倫多大學期間，他見證了辛頓在整個學術圈最邊緣的時光。
作為辛頓的關門弟子，在王欣想要繼續跟隨辛頓讀博士的時候，辛頓勸他輟學，不要再讀了。原因是，這個專業根本找不到工作。他的師兄師姐們的求職之路都不順利。
在很長一段時間里，辛頓選擇的神經網絡研究方向就一直不被學術界看好，認為是沒有未來、注定失敗的一條路。
在硅谷，這個專業在 2000 年前后基本沒有任何應用場景——沒有人認為神經網絡的方向是對的。彼時，人工智能研究最流行的，還是窮舉法。
很長一段時間里，多倫多大學計算機科學系官網上辛頓的個人頁面都極為簡陋。只有黃褐色背景上的一行行文字與超鏈接。其中還有他的聲明：
不再招收學生、博士后或訪問學者。
于是，王欣成為了他第一批華人弟子，也是最后一批關門弟子。
因為辛頓的不斷苦口婆心的勸說，他沒有再繼續攻讀辛頓的博士，而是選擇回到國內大廠阿里巴巴，后來還參與了滴滴出行的創業，是滴滴出行的創始團隊成員。
在中國的互聯網大廠擔任高管多年，王欣看起來比辛頓還是要樂觀一些，在他看來，這一輪 AI 的商業化應用還是有巨大的機會。
今天，生成式人工智能驗證了杰弗里 · 辛頓多年的技術路線。但辛頓依然被認為是 AI 的 " 末日先知 "，對 AI 與人類未來持懷疑態度，和他的另一位學生、OpenAI 的前首席科學家 Ilya Sutskever 一樣，辛頓一直主張 AI 應當要對齊人類。
和他的導師類似，王欣對于當前的人工智能浪潮，也持有保留看法，但他更關注應用側的變化，" 大模型目前看依然只是工具，工具和基礎設施，是完全不同的估值邏輯。"
Meta 的 CTO 安德魯 · 博思沃茲的想法和王欣類似。對于 AI 最被看好的應用場景機器人，他的說法是，" 千億數據都無法堆出‘抓杯直覺’。"
現有的人工智能路線，真的是錯的嗎？
大模型只有智能，沒有智慧
DeepResearch：你怎么看待這一輪 AI 革命？
王欣：我對于當前的技術本身依然持悲觀態度。因為當前的所有大模型，本質上還是統計模型，無法產生真正的智慧或新知識。
統計模型的本質是通過數據歸納規律，但這種歸納只是對已有信息的總結，而非創造新知識。人類歷史上所有推動社會進步的新知識，都是突發性的、非量變積累的結果。比如禪宗所說的 " 頓悟 "，是一種超越線性邏輯的創造性突破。
而大模型的訓練過程是純粹的量變，通過窮舉數據尋找規律，這種模式無法引發質變，也無法突破現有知識的邊界。
DeepResearch：楊立昆最近批評了辛頓的悲觀。你怎么看？
王欣：辛頓早期研究神經網絡時，正是試圖模仿生物大腦的歸納能力。他提出，人類大腦并非通過窮舉法處理信息，而是通過神經網絡的層級結構實現知識的抽象與歸納。
這種路線在 2000 年前后并不被主流認可，甚至被視為 " 不切實際的夢想 "。
但后來 AlphaGo 的突破證明了這一點——傳統窮舉法在復雜問題（如圍棋）面前完全失效，而神經網絡的歸納能力成為關鍵。
然而，即便如此，大模型的能力依然局限于 " 歸納 " 而非 " 創造 "，它無法像人類一樣產生真正意義上的智慧。
從技術路線來看，神經網絡的突破依賴于生物學啟發，而非純粹的數學優化。辛頓的研究證明，人類大腦的神經網絡并非簡單的 " 輸入 - 輸出 " 模型，而是通過層級化的特征提取和抽象能力實現認知。
比如視覺感知需要從像素到邊緣、形狀、物體的逐級抽象，這一過程與當前的卷積神經網絡相似。但是人類的抽象能力遠超機器，我們不僅能識別物體，還能賦予其意義。
所以我說，大模型的 " 智能 " 是統計學意義上的歸納，而非人類智慧的創造。它的價值在于提升效率和輔助決策，但無法替代人類在復雜領域的核心作用。
所以未來的技術發展，還需要突破 " 統計歸納 " 的框架，探索更接近生物大腦的 " 智慧生成 " 機制，而這可能需要跨學科的協同創新。
從現階段來看，我們對人腦的理解都太少太少了，而 AI 要復制人腦，還有更遠的距離。這一點我是支持楊立昆的看法的。
AI Agent 很關鍵，但現有 AI 公司估值存在泡沫
DeepResearch：2023 年底時我采訪凱文 · 凱利，他說當時 AI 還處于 blackberry moment，你如何看？
王欣：確實。別說 2023 年了，現在 AI 的商業化應用也還沒有找到 " 殺手級 " 場景，許多公司的高估值缺乏支撐。
我們以上一輪的人臉識別為例就會發現，盡管技術已經成熟，但其商業需求過于狹窄，主要集中在政府或特定行業，難以形成規模化市場。16-17 年曾有一波 AI 泡沫，商湯、曠視等公司因過度依賴政府訂單而迅速降溫。
相比之下我們再看看互聯網時代，淘寶的成功在于解決了交易效率的核心問題，而 AI 目前的工具屬性尚未達到基礎設施的層級。如今的 AI 公司如果無法找到可持續的商業需求，可能重蹈覆轍。
基礎設施的價值在于長期沉淀和規模化應用，而大模型目前只是工具，無法支撐 " 基礎設施 " 的估值邏輯。以當年的英特爾為例，其價值在于為整個計算生態提供底層支持，而當前 AI 公司尚未具備類似的影響力。
DeepResearch：最近芝加哥大學有一位教授發了一份報告，結果是 AI 大熱兩年半，完全沒顛覆我們的工作，對于收入的影響也微乎其微。
王欣：所以我說，還沒有到真正改變世界的時刻。
我說的估值泡沫，核心在于技術樂觀主義與商業現實的脫節。當前 AI 公司的高估值，往往基于對未來技術的想象，而不是說當前可驗證的商業價值。
比如許多 AI 初創企業宣稱 " 顛覆傳統行業 "，但實際落地時卻發現，大家更關注成本效益而非技術先進性。
歷史經驗已經反復過很多次了，技術泡沫的破裂是產業發展的必經階段。20 世紀 90 年代的互聯網泡沫（如 Dot-com Bubble）催生了亞馬遜、Google 等巨頭，但也淘汰了大量缺乏商業模式的公司。
當前 AI 行業的估值邏輯類似：資本追逐短期概念，而市場最終會篩選出真正具備商業價值的企業。比如英偉達的成功在于其 GPU 芯片成為 AI 計算的基礎設施，而非依賴某個具體應用場景。
相比之下，專注于垂直領域的 AI 公司（如人臉識別）如果無法拓展至其他市場，可能面臨生存危機。
DeepSeek 是微軟 PC 時刻
DeepResearch：如何看 Manus 為代表的 AI Agent 爆火？
王欣：我對于 AI Agent 的長期未來還是非常樂觀，因為其潛力在于人機交互的革命。比如語音助手或智能客服的普及，標志著人機交互從鍵盤、觸屏向自然語言的轉變。
這一趨勢有點類似于 PC 從專業設備到大眾工具的演變，不過當前的 AI Agent 仍處于 " 工具 " 階段，缺乏真正的自主決策能力。
可技術的 " 基礎設施化 " 需要長期積累。以微信為例，其成功并不是說源于技術突破，而是通過解決社交需求的痛點，最終成為用戶生活的 " 基礎設施 "。
這一輪如果某一款 AI 應用想達到類似地位，需經歷的是從工具到平臺再到生態的演進。比如 OpenAI 的 GPT 模型通過 API 開放，為開發者提供了通用的語言處理能力，但其商業價值仍需依賴第三方應用的創新。
這種 " 平臺化 " 路徑與微軟的 Windows 系統類似，但當前 AI 的生態尚未成熟，許多企業仍停留在 " 技術展示 " 階段。
所以盡管我比較樂觀，但 AI Agent 的未來取決于商業化能力的提升，而非單純的技術突破。當前的高估值反映了市場的樂觀預期，但也暗含泡沫風險。企業需回歸商業本質，聚焦真實需求，而不是追逐虛幻的 " 顛覆 " 敘事。
只有當 AI 真正成為基礎設施，其估值邏輯才能與商業價值匹配。
DeepResearch：你怎么看待 DeepSeek 的出現？
王欣：就像我們剛剛說的，DeepSeek 的出現讓我聯想到比爾 · 蓋茨降低 PC 成本的歷史。技術的普及需要門檻的降低，而 DeepSeek 最大的成就是降低了 AI 的使用門檻，類似 PC 從專業設備到大眾工具的轉變。
所以未來 AI 的最大爆發點是讓普通人無需學習復雜操作即可使用 AI。這種平權化的技術擴散，將帶來比互聯網更大的變革。
技術的普及往往需要 " 平民化替代 "。回到我們剛剛說的科技商業史，PC 的普及得益于 Windows 系統的易用性，而智能手機的普及則依賴于安卓的開源生態。
DeepSeek 的意義在于，它可能成為 AI 領域的 "Windows" 或 " 安卓 "，通過降低技術門檻，讓更多人無需編程即可使用 AI。
從商業角度看，我把 DeepSeek 視為 "PC 時刻 " 的開始，是因為其重新定義 AI 的應用場景。比如說一個農民通過語音指令讓 AI 規劃農田灌溉，或一個學生通過自然語言查詢學術資料，這些場景在傳統 AI 公司看來可能是 " 低端需求 "，但正是這些 " 邊緣場景 " 構成了技術普及的基石。
DeepSeek 的出現標志著 AI 從 " 精英工具 " 向 " 大眾工具 " 的轉變。這一輪技術平權可能帶來比互聯網更大的變革，但其成功與否取決于能否解決商業落地、倫理風險和社會公平等問題。
硅谷太傲慢了，中國的機會在平替和平權
DeepResearch：硅谷目前是如何看待中國的 AI 產業的？之前的國會山聽證會能夠看出來，美國事實上存在對于中國技術進展的不確定性。
王欣：在美國這幾年，我最大的感受是，硅谷正在變成 " 老錢 "，而且變得越來越傲慢，越來越有門檻了。甚至我們可以說，硅谷的保守與資源壟斷正在限制創新。
所以從這一點來看，我非常看好中國市場在這一輪 AI 革命中的可能性。
還是回到歷史，如果沒有華強北的低成本設備，你覺得中國的移動互聯網能夠普及得這么快嗎？而滴滴的崛起離不開安卓手機的普及，而非高端設備。
邊緣場景往往能突破主流思維，而硅谷的精英化路線反而可能成為桎梏。加上這一輪打壓和限制，我的預測是，中國在資源匱乏的背景下，反而可能激發更強的創新力。未來，中國的平替路線和技術平權可能成為 AI 競爭的關鍵。
硅谷的成功依賴于 " 精英主義 " 和 " 資本驅動 "，但這種模式正在遭遇瓶頸。比如斯坦福大學，因為它離硅谷實在是太近了，它并不缺乏資源，但豐富的資源，真的能帶來創新嗎？我是持保留態度的。
事實上大家也發現了這一點，因為后來越來越多的創新都誕生在更遠的伯克利。于是硅谷的錢又都跑到伯克利去了。
相比之下，中國的創業環境更注重 " 草根創新 " ——目前互聯網大廠的創始人很多都不是名校畢業，而是憑借對市場需求的敏銳洞察抓住機會。
所以這也是未來值得樂觀的地方，這種 " 邊緣創新 " 模式在 AI 時代同樣適用。
這就是我說的，資源匱乏反而可能成為創新的催化劑。硅谷的 " 老錢 " 模式正在削弱初創企業的活力。相比之下，中國的創業者更愿意嘗試 " 藍海市場 "。例如，DeepSeek 的低成本 API 模式，正是針對中小企業和個人開發者的需求設計的，而這類市場在硅谷的估值體系中被視為 " 非主流 "。
DeepResearch：國內互聯網大廠未來機會在哪里？
王欣：科技公司談基業長青，是一個非常奢侈的話題。生生死死才是科技行業的常態。這可能和麥當勞、肯德基、沃爾瑪是完全不同的商業邏輯。所以關鍵是我們如何看待它。
歷史上的顛覆性創新，比如我曾經工作過的滴滴和阿里巴巴，其實都是源于被主流忽視的 " 邊緣場景 "。
滴滴不是簡單地對 Uber 的模仿，淘寶的崛起則源于對 C2C 交易效率的重新定義，而絕不是簡單模仿亞馬遜的 B2C 模式。
這種 " 邊緣創新 " 的邏輯在 AI 領域同樣適用：當前大廠的資源集中于大模型研發，而真正的突破可能來自中小企業或初創公司在垂直領域的應用探索。
我覺得創始人們可能需要做好這樣的心理準備，技術迭代和商業需求的不確定性遠超傳統行業。比如 IBM 曾是計算機行業的霸主，但其核心業務（大型機）被 PC 和互聯網取代；英特爾的 CPU 雖成為基礎設施，但面對 AI 芯片和量子計算的挑戰，其地位同樣面臨動搖。
這種 " 死亡 " 并非失敗，而是行業演化的必然結果。
但我們可能要跳出公司的視角來看，這是我開始對制度經濟學感興趣的原因。科技行業的核心是推動社會交易效率的提升，而不是說去追求永恒的生命力。
你看，從 PC 到移動互聯網，再到 AI，每一次技術浪潮都會淘汰舊有格局，但也會催生新的基礎設施。對于中國互聯網大廠而言，關鍵在于在動蕩中找到 " 基礎設施化 " 的路徑：通過解決真實需求、降低技術門檻、擁抱邊緣創新。
本文來自微信公眾號：深水研究，作者：陳白
