本文来自微信公众号：深水研究，作者：陈白，题图来自：AI 生成

AI 教父杰弗里 · 辛顿可能是这个时代对 AI 最悲观的人。

2024 年的诺贝尔物理学奖颁给了他，以表彰他在神经网络领域的开创性成就。但" AI 威胁人类"一直都是辛顿的主要论调。除此之外，他对当前主流大模型的经典评价是，"一辆锈迹斑斑到处都是问题的车，只是进行了一次喷漆。"

众所周知，目前主流大模型都采用了基于人类反馈的强化学习（RLHF）来进行预训练微调，而辛顿的评价原话是" ChatGPT 的 RLHF 就是垃圾。"

王欣是杰弗里 · 辛顿的硕士研究生。在辛顿执教多伦多大学期间，他见证了辛顿在整个学术圈最边缘的时光。

作为辛顿的关门弟子，在王欣想要继续跟随辛顿读博士的时候，辛顿劝他辍学，不要再读了。原因是，这个专业根本找不到工作。他的师兄师姐们的求职之路都不顺利。

在很长一段时间里，辛顿选择的神经网络研究方向就一直不被学术界看好，认为是没有未来、注定失败的一条路。

在硅谷，这个专业在 2000 年前后基本没有任何应用场景——没有人认为神经网络的方向是对的。彼时，人工智能研究最流行的，还是穷举法。

很长一段时间里，多伦多大学计算机科学系官网上辛顿的个人页面都极为简陋。只有黄褐色背景上的一行行文字与超链接。其中还有他的声明：

不再招收学生、博士后或访问学者。

于是，王欣成为了他第一批华人弟子，也是最后一批关门弟子。

因为辛顿的不断苦口婆心的劝说，他没有再继续攻读辛顿的博士，而是选择回到国内大厂阿里巴巴，后来还参与了滴滴出行的创业，是滴滴出行的创始团队成员。

在中国的互联网大厂担任高管多年，王欣看起来比辛顿还是要乐观一些，在他看来，这一轮 AI 的商业化应用还是有巨大的机会。

今天，生成式人工智能验证了杰弗里 · 辛顿多年的技术路线。但辛顿依然被认为是 AI 的"末日先知"，对 AI 与人类未来持怀疑态度，和他的另一位学生、OpenAI 的前首席科学家 Ilya Sutskever 一样，辛顿一直主张 AI 应当要对齐人类。

和他的导师类似，王欣对于当前的人工智能浪潮，也持有保留看法，但他更关注应用侧的变化，"大模型目前看依然只是工具，工具和基础设施，是完全不同的估值逻辑。"

Meta 的 CTO 安德鲁 · 博思沃兹的想法和王欣类似。对于 AI 最被看好的应用场景机器人，他的说法是，"千亿数据都无法堆出‘抓杯直觉’。"

现有的人工智能路线，真的是错的吗？

大模型只有智能，没有智慧

DeepResearch：你怎么看待这一轮 AI 革命？

王欣：我对于当前的技术本身依然持悲观态度。因为当前的所有大模型，本质上还是统计模型，无法产生真正的智慧或新知识。

统计模型的本质是通过数据归纳规律，但这种归纳只是对已有信息的总结，而非创造新知识。人类历史上所有推动社会进步的新知识，都是突发性的、非量变积累的结果。比如禅宗所说的"顿悟"，是一种超越线性逻辑的创造性突破。

而大模型的训练过程是纯粹的量变，通过穷举数据寻找规律，这种模式无法引发质变，也无法突破现有知识的边界。

DeepResearch：杨立昆最近批评了辛顿的悲观。你怎么看？

王欣：辛顿早期研究神经网络时，正是试图模仿生物大脑的归纳能力。他提出，人类大脑并非通过穷举法处理信息，而是通过神经网络的层级结构实现知识的抽象与归纳。

这种路线在 2000 年前后并不被主流认可，甚至被视为"不切实际的梦想"。

但后来 AlphaGo 的突破证明了这一点——传统穷举法在复杂问题（如围棋）面前完全失效，而神经网络的归纳能力成为关键。

然而，即便如此，大模型的能力依然局限于"归纳"而非"创造"，它无法像人类一样产生真正意义上的智慧。

从技术路线来看，神经网络的突破依赖于生物学启发，而非纯粹的数学优化。辛顿的研究证明，人类大脑的神经网络并非简单的"输入 - 输出"模型，而是通过层级化的特征提取和抽象能力实现认知。

比如视觉感知需要从像素到边缘、形状、物体的逐级抽象，这一过程与当前的卷积神经网络相似。但是人类的抽象能力远超机器，我们不仅能识别物体，还能赋予其意义。

所以我说，大模型的"智能"是统计学意义上的归纳，而非人类智慧的创造。它的价值在于提升效率和辅助决策，但无法替代人类在复杂领域的核心作用。

所以未来的技术发展，还需要突破"统计归纳"的框架，探索更接近生物大脑的"智慧生成"机制，而这可能需要跨学科的协同创新。

从现阶段来看，我们对人脑的理解都太少太少了，而 AI 要复制人脑，还有更远的距离。这一点我是支持杨立昆的看法的。

AI Agent 很关键，但现有 AI 公司估值存在泡沫

DeepResearch：2023 年底时我采访凯文 · 凯利，他说当时 AI 还处于 blackberry moment，你如何看？

王欣：确实。别说 2023 年了，现在 AI 的商业化应用也还没有找到"杀手级"场景，许多公司的高估值缺乏支撑。

我们以上一轮的人脸识别为例就会发现，尽管技术已经成熟，但其商业需求过于狭窄，主要集中在政府或特定行业，难以形成规模化市场。16-17 年曾有一波 AI 泡沫，商汤、旷视等公司因过度依赖政府订单而迅速降温。

相比之下我们再看看互联网时代，淘宝的成功在于解决了交易效率的核心问题，而 AI 目前的工具属性尚未达到基础设施的层级。如今的 AI 公司如果无法找到可持续的商业需求，可能重蹈覆辙。

基础设施的价值在于长期沉淀和规模化应用，而大模型目前只是工具，无法支撑"基础设施"的估值逻辑。以当年的英特尔为例，其价值在于为整个计算生态提供底层支持，而当前 AI 公司尚未具备类似的影响力。

DeepResearch：最近芝加哥大学有一位教授发了一份报告，结果是 AI 大热两年半，完全没颠覆我们的工作，对于收入的影响也微乎其微。

王欣：所以我说，还没有到真正改变世界的时刻。

我说的估值泡沫，核心在于技术乐观主义与商业现实的脱节。当前 AI 公司的高估值，往往基于对未来技术的想象，而不是说当前可验证的商业价值。

比如许多 AI 初创企业宣称"颠覆传统行业"，但实际落地时却发现，大家更关注成本效益而非技术先进性。

历史经验已经反复过很多次了，技术泡沫的破裂是产业发展的必经阶段。20 世纪 90 年代的互联网泡沫（如 Dot-com Bubble）催生了亚马逊、Google 等巨头，但也淘汰了大量缺乏商业模式的公司。

当前 AI 行业的估值逻辑类似：资本追逐短期概念，而市场最终会筛选出真正具备商业价值的企业。比如英伟达的成功在于其 GPU 芯片成为 AI 计算的基础设施，而非依赖某个具体应用场景。

相比之下，专注于垂直领域的 AI 公司（如人脸识别）如果无法拓展至其他市场，可能面临生存危机。

DeepSeek 是微软 PC 时刻

DeepResearch：如何看 Manus 为代表的 AI Agent 爆火？

王欣：我对于 AI Agent 的长期未来还是非常乐观，因为其潜力在于人机交互的革命。比如语音助手或智能客服的普及，标志着人机交互从键盘、触屏向自然语言的转变。

这一趋势有点类似于 PC 从专业设备到大众工具的演变，不过当前的 AI Agent 仍处于"工具"阶段，缺乏真正的自主决策能力。

可技术的"基础设施化"需要长期积累。以微信为例，其成功并不是说源于技术突破，而是通过解决社交需求的痛点，最终成为用户生活的"基础设施"。

这一轮如果某一款 AI 应用想达到类似地位，需经历的是从工具到平台再到生态的演进。比如 OpenAI 的 GPT 模型通过 API 开放，为开发者提供了通用的语言处理能力，但其商业价值仍需依赖第三方应用的创新。

这种"平台化"路径与微软的 Windows 系统类似，但当前 AI 的生态尚未成熟，许多企业仍停留在"技术展示"阶段。

所以尽管我比较乐观，但 AI Agent 的未来取决于商业化能力的提升，而非单纯的技术突破。当前的高估值反映了市场的乐观预期，但也暗含泡沫风险。企业需回归商业本质，聚焦真实需求，而不是追逐虚幻的"颠覆"叙事。

只有当 AI 真正成为基础设施，其估值逻辑才能与商业价值匹配。

DeepResearch：你怎么看待 DeepSeek 的出现？

王欣：就像我们刚刚说的，DeepSeek 的出现让我联想到比尔 · 盖茨降低 PC 成本的历史。技术的普及需要门槛的降低，而 DeepSeek 最大的成就是降低了 AI 的使用门槛，类似 PC 从专业设备到大众工具的转变。

所以未来 AI 的最大爆发点是让普通人无需学习复杂操作即可使用 AI。这种平权化的技术扩散，将带来比互联网更大的变革。

技术的普及往往需要"平民化替代"。回到我们刚刚说的科技商业史，PC 的普及得益于 Windows 系统的易用性，而智能手机的普及则依赖于安卓的开源生态。

DeepSeek 的意义在于，它可能成为 AI 领域的" Windows "或"安卓"，通过降低技术门槛，让更多人无需编程即可使用 AI。

从商业角度看，我把 DeepSeek 视为" PC 时刻"的开始，是因为其重新定义 AI 的应用场景。比如说一个农民通过语音指令让 AI 规划农田灌溉，或一个学生通过自然语言查询学术资料，这些场景在传统 AI 公司看来可能是"低端需求"，但正是这些"边缘场景"构成了技术普及的基石。

DeepSeek 的出现标志着 AI 从"精英工具"向"大众工具"的转变。这一轮技术平权可能带来比互联网更大的变革，但其成功与否取决于能否解决商业落地、伦理风险和社会公平等问题。

硅谷太傲慢了，中国的机会在平替和平权

DeepResearch：硅谷目前是如何看待中国的 AI 产业的？之前的国会山听证会能够看出来，美国事实上存在对于中国技术进展的不确定性。

王欣：在美国这几年，我最大的感受是，硅谷正在变成"老钱"，而且变得越来越傲慢，越来越有门槛了。甚至我们可以说，硅谷的保守与资源垄断正在限制创新。

所以从这一点来看，我非常看好中国市场在这一轮 AI 革命中的可能性。

还是回到历史，如果没有华强北的低成本设备，你觉得中国的移动互联网能够普及得这么快吗？而滴滴的崛起离不开安卓手机的普及，而非高端设备。

边缘场景往往能突破主流思维，而硅谷的精英化路线反而可能成为桎梏。加上这一轮打压和限制，我的预测是，中国在资源匮乏的背景下，反而可能激发更强的创新力。未来，中国的平替路线和技术平权可能成为 AI 竞争的关键。

硅谷的成功依赖于"精英主义"和"资本驱动"，但这种模式正在遭遇瓶颈。比如斯坦福大学，因为它离硅谷实在是太近了，它并不缺乏资源，但丰富的资源，真的能带来创新吗？我是持保留态度的。

事实上大家也发现了这一点，因为后来越来越多的创新都诞生在更远的伯克利。于是硅谷的钱又都跑到伯克利去了。

相比之下，中国的创业环境更注重"草根创新"——目前互联网大厂的创始人很多都不是名校毕业，而是凭借对市场需求的敏锐洞察抓住机会。

所以这也是未来值得乐观的地方，这种"边缘创新"模式在 AI 时代同样适用。

这就是我说的，资源匮乏反而可能成为创新的催化剂。硅谷的"老钱"模式正在削弱初创企业的活力。相比之下，中国的创业者更愿意尝试"蓝海市场"。例如，DeepSeek 的低成本 API 模式，正是针对中小企业和个人开发者的需求设计的，而这类市场在硅谷的估值体系中被视为"非主流"。

DeepResearch：国内互联网大厂未来机会在哪里？

王欣：科技公司谈基业长青，是一个非常奢侈的话题。生生死死才是科技行业的常态。这可能和麦当劳、肯德基、沃尔玛是完全不同的商业逻辑。所以关键是我们如何看待它。

历史上的颠覆性创新，比如我曾经工作过的滴滴和阿里巴巴，其实都是源于被主流忽视的"边缘场景"。

滴滴不是简单地对 Uber 的模仿，淘宝的崛起则源于对 C2C 交易效率的重新定义，而绝不是简单模仿亚马逊的 B2C 模式。

这种"边缘创新"的逻辑在 AI 领域同样适用：当前大厂的资源集中于大模型研发，而真正的突破可能来自中小企业或初创公司在垂直领域的应用探索。

我觉得创始人们可能需要做好这样的心理准备，技术迭代和商业需求的不确定性远超传统行业。比如 IBM 曾是计算机行业的霸主，但其核心业务（大型机）被 PC 和互联网取代；英特尔的 CPU 虽成为基础设施，但面对 AI 芯片和量子计算的挑战，其地位同样面临动摇。

这种"死亡"并非失败，而是行业演化的必然结果。

但我们可能要跳出公司的视角来看，这是我开始对制度经济学感兴趣的原因。科技行业的核心是推动社会交易效率的提升，而不是说去追求永恒的生命力。

你看，从 PC 到移动互联网，再到 AI，每一次技术浪潮都会淘汰旧有格局，但也会催生新的基础设施。对于中国互联网大厂而言，关键在于在动荡中找到"基础设施化"的路径：通过解决真实需求、降低技术门槛、拥抱边缘创新。

本文来自微信公众号：深水研究，作者：陈白