云栈社区»论坛 › 站务中心「 Forum Service 」 › 重估AI历史定位：它或许只是数字旧范式的收尾，而非新浪潮开端 ...

发回帖发新帖

4962 积分	0 好友	677 主题

发消息

重估AI历史定位：它或许只是数字旧范式的收尾，而非新浪潮开端

发表于 1 小时前 | 查看: 5| 回复: 0

不是新浪潮的开始，而是旧范式的收尾

一、引子：三篇文章，一个问题

最近读到三篇文章，分开看各有洞见，但串起来读，味道就完全不一样了。

第一篇来自前端开发者 Adam Argyle，标题直白：《AI 为什么在前端表现糟糕》[1]。第二篇是宾夕法尼亚大学和波士顿大学两位学者挂在 arXiv 上的论文：《AI 裁员陷阱》[2]，用博弈论模型分析了为何 AI 驱动的裁员潮一旦开始就停不下来。第三篇来自未来研究者 Andrew Curry，观点更大胆：《AI 可能是这波数字浪潮的终结，而不是下一个重大事件》[3]。

三位作者背景迥异，关注点也不同，可当它们被放在一起，却拼凑出一幅相似的图景——我们以为的AI故事，或许从一开始就讲错了。

本文不打算争论 AI 有没有用，而是尝试借助这三篇文章，去定位一个更根本的问题：在技术演化的历史长轴上，AI 究竟站在哪个坐标点？

二、AI 做不好的事，暴露了它的本质

Adam Argyle 的文章 [4] 虽然写的是前端，但他列出的问题，后端开发者读起来只会感到加倍熟悉。

AI 很擅长处理“高度重复、模式清晰”的任务，比如生成脚手架、样板代码或是做简单的代码转换。可一旦你走出这条预设好的轨道——想要一个深度定制的交互、一套贴合具体业务的架构决策，或是一段真正考虑了所有边界条件的逻辑——它就开始胡说八道了。问题越复杂，表现就越离谱。

Argyle 总结了四个根本原因：训练数据太旧、不会真正“看”、不知道“为什么”，以及零环境控制。这四条放在后端开发上同样成立，甚至更为致命。微服务拆分的边界在哪里？分布式系统的一致性如何权衡？为什么要设计幂等性？这些关于“为什么”的思考，恰恰是工程实践中价值最高的部分，也是当前 人工智能 最无能为力的地方。

训练数据陈旧的问题，还有一个更隐蔽的维度——不只是数据“旧”，而是很多关键信息压根“没有”。最新发布的 Kubernetes API、刚刚合并的特性分支、宣布废弃的字段……这些信息在模型训练截止日之后才出现，大语言模型（LLM）原生不知道，只能依赖网络搜索来打补丁。这种情况会出现在每一个快速迭代的技术栈中。每一个这样的“知识盲区”都在累积不确定性，最终带来的风险远比表面看起来要大。

这引出了一个值得严肃对待的问题：一个只能优化已知模式、无法理解底层逻辑、且对新事物存在天然滞后的技术，真的有能力开创一个全新的时代吗？

三、即使知道悬崖在哪，也会一起冲下去

如果说上一节探讨的是“AI 能不能”，那么下面这篇论文则提出了一个更残酷的问题：即便知道 AI 正在造成系统性伤害，企业有能力停下来吗？

答案是：很难。

宾大和波士顿大学的学者在这篇论文 [5] 中构建了一个 博弈论 模型，核心逻辑并不复杂：一家公司通过AI裁员节省的成本，全部进了自己的口袋；但被裁掉的工人同时也是消费者，他们收入减少导致的消费萎缩，却需要整个行业来共同承担。每一轮裁员都在侵蚀所有公司赖以生存的市场需求基础，但没有任何一家公司会为这部分损失买单。

这是一个教科书级别的“外部性”问题，也是一个典型的囚徒困境：在激烈的市场竞争中，每家公司的最优策略都是“比对手更快地推进自动化”，即便所有人都清楚前方是集体悬崖。竞争越激烈，AI能力越强，这个扭曲就被加深得越快。

论文评估了多种可能的政策干预手段，如员工持股、全民基本收入、职业再培训、资本利得税、企业自愿协议等，结论是：几乎全部无效。唯一可能纠正这个扭曲的，是对自动化本身直接征税，从而将外部成本内部化。

但政策解决的是游戏规则问题。有一个更底层的结构性矛盾值得我们关注：生产与消费本应是一个彼此促进的飞轮。 有人高效生产，有人有钱消费，这个飞轮才能持续转动。历史上每一次真正的技术革命，之所以能带来长期繁荣，是因为它在提升生产效率的同时，也创造了新的就业岗位、新的购买力和新的消费需求——飞轮不但没停，反而转得更快、更稳。

然而，AI 当前的逻辑似乎有所不同。它提升的核心是“用更少的人做更多已知事”的效率，而不是“创造出更多需要人去完成的新事物”。如果这个趋势持续下去，飞轮的消费端将持续“失血”，那么生产端无论多么高效，最终也将失去意义。问题或许不在于技术不够强大，而在于驱动经济增长的“飞轮”转动逻辑正在发生根本性的改变。

这不像是一个正在开拓新疆域的技术应有的姿态，反倒像是一个旧系统在走向终点前，竭尽全力榨干最后一丝效率的终局动作。

四、历史给了我们一个审视的框架

前面我们探讨了“AI 怎么了”，现在我们要借助历史的透镜来回答：这一切，我们在历史上见过吗？

技术经济学家 Carlota Perez 研究了从工业革命到互联网时代的五次重大技术浪潮，发现它们都遵循一个相似的模式：安装期 → 金融危机 → 部署期 → 成熟饱和。新技术首先催生大量基础设施投资，泡沫破裂后经历调整，然后真正改变社会生活的应用才大规模涌现，最后市场趋于饱和，资本开始寻找下一个风口。

博主 Andrew Curry 在这篇文章 [6] 中引用了科技投资人 Nicolas Colin 的分析，指出了三个表明我们可能已处于当前数字浪潮晚期的信号：

2022 年的创业融资崩塌是结构性的，而非周期性的。 当一个优秀的创业想法对所有人（包括财大气粗的巨头）都变得显而易见时，初创公司赖以生存的“认知不确定性优势”就消失了。市场可能不是在等待下一个风口，而是在走向全面的饱和。

ChatGPT 并非从车库里诞生。 真正开启新时代的技术，在其早期往往是隐秘的、被低估的——晶体管、个人电脑、早期的互联网协议……当时没人知道那是一个时代的黎明。但 ChatGPT 的突破，背后是微软等巨头千亿美金级别的算力投入，并立刻引来了谷歌、Meta、亚马逊的军备竞赛。这种“大资本集中火力攻打一个已被明确的赛道”的模式，恰恰是技术周期晚期的典型特征。

数字化的平台红利已基本耗尽。 那些尚未被数字技术深刻改造的领域——如医疗、教育、重型建筑、政府公共服务——并非等待AI去开拓的“新蓝海”，而恰恰是现有数字范式天然的“能力边界”，是它难以啃下的硬骨头。

Colin 的结论发人深省：AI 更像是 20 世纪 70 年代“精益生产”之于“大规模制造”——它极致地优化了现有系统，但并未开创一个全新的系统。 精益生产让汽车工厂的效率登峰造极，但它没有开启一个超越汽车的时代；它是工业时代成熟期的产物，而非下一个时代的序章。

历史的经验告诉我们，每一次真正划时代的新浪潮，在它开始时，往往无人知晓其意义。没有盛大的发布会，没有万亿市值的公司为其站台，也没有全球 CEO 竞相表态押注。有的，只是一个新的、更优的成本结构，悄悄改变了某个小众领域内做事的可能性。

相比之下，AI 的到来，显得过于“喧嚣”和“正确”了。

五、那么，下一个浪潮会是什么？

这是读完上述所有内容后，最自然会浮现的问题。可惜，这也是最难回答的一个。

按照 Perez 的模型，每次新浪潮的种子，都埋在当时主流视野的盲区里。蒸汽机时代，无人预见到铁路网将重塑国家版图；电气化早期，没人能想象汽车会成为家庭标配；互联网的第一个十年，多数人视其为科研玩具。

因此，真正有价值的问题或许不是“下一个具体的技术是什么”，而是：在哪些领域，现有范式已明显力不从心，而新的可能性正在静默地积累能量？

Curry 的文章给出了一些思考方向：医疗、教育、建筑、能源、政府服务——这些都是数字化“难以消化”的领域。不是因为它们不重要，恰恰是因为它们的核心矛盾不在于信息处理，而在于物理世界的约束、人际间的深度信任以及复杂的制度结构。AI 在这些地方表现出的局限，恰恰暗示了它们可能需要一套全新的、不同于“数字处理”的根本范式来解锁。

当然，这只是一种推测。历史上从未有人能精准预言下一个浪潮的形态。

唯一能确定的是：当下一个真正的浪潮降临时，它不会有一场全球直播的发布会，不会有数家万亿估值的公司为其背书，也不会有所有 CEO 争相宣布自己已全面押注。 它会安静地改变某个边缘角落的经济成本结构，然后缓慢地渗透、蔓延，直到某一天，所有人猛然惊觉：世界运行的底层规则，已经不一样了。

到那时，人们才会回过头，指着某个毫不起眼的起点说：看，一切就是从那里开始的。

六、结语：效率压榨的终点

三篇文章，三个不同的审视维度，却指向了一个相互印证的结论。

AI 处理不好真正的复杂问题，因为它是已知模式的“压缩器”，而非未知问题的“理解者”。AI 驱动的经济扭曲难以自发停止，因为个体理性在错误的系统规则下，只会演变成集体的加速内卷，让生产与消费的飞轮越转越慢。围绕AI的资本狂热，更像是巨头们在存量市场中的军备竞赛，是红皇后效应（Red Queen Effect）的极致体现——你必须拼命奔跑才能留在原地，而整个系统的张力被推向极限。

将这三点放入 Perez 的历史周期框架中，画面便清晰起来：我们很可能正处在以信息技术为核心的数字浪潮的晚期。 AI，是这场持续数十年浪潮最后一次大规模的“效率压榨”，是旧范式在抵达终点前，竭尽全力将自身潜能榨取殆尽的最终动作。它当然有用，有时甚至极为强大，但其核心方向是对旧世界的极致优化，而非对新世界的无中生有。

这不是一种悲观论调，而是一种冷静的“历史定位”。

理解 AI 在技术演化史中的真实坐标，不是为了否定其工具价值，而是为了避免被过于宏大的叙事裹挟，失去对更大图景的洞察。过去几年，海量的资本、顶尖的人才、公众的注意力，疯狂涌向“如何用AI更好地优化旧系统”这一方向。而那些真正棘手、可能需要颠覆性新范式才能解决的“真问题”，却因为“不够性感”或“太难”而被长期忽视。

下一个浪潮不会从聚光灯下诞生。它更可能在某个此刻看来偏僻、冷门、甚至“毫无商业价值”的角落悄然萌芽。

我们现在能做的，或许是在这片关于AI的喧嚣声中，保留一份清醒，将一部分目光投向那些安静的、未被主流叙事覆盖的领域，去云栈社区这样的地方，与更多思考者交流碰撞。毕竟，未来总是孕育于边缘。