四十年后，即 1906 年，通用电气开始批量生产第一代白炽灯泡，真正普及了电力照明。
两者相隔半个世纪，人类世界还一片黑暗，电气技术革命似乎还没有发生。
然而，正因为我们身处后世，所以我们才能如此轻松地度过这四十年。
对于当时的人们来说，电气技术的发展一天天地在他们眼皮子底下展开：第一条电报线的铺设、第一部电话的连接、第一辆有轨电车的运行，每一次技术的进步，都在真正改变着他们的生活。但还不够快，以至于当时所有人都在某个时间点集体惊呼：“啊，电气革命终于来了！”
我们目前正处于与 19 世纪末非常相似的时期。 AI技术的“直流发电机”已经轰鸣，只能发光十几个小时的“碳丝”也被点亮。一个新的光明时代正在徐徐展开。然而，当我们置身其中时，却发现这种变化似乎并没有想象中的那么快，甚至有些缓慢。
在经历了2022年末异军突起的震撼和2023年大量AI“玩具级产品”的轰炸之后，2024年的AI领域显得有些“平静”。让我们以12月的12场发布会为线索来梳理一下：
1. 空仍然用琵琶半掩着脸，为了推迟投票已经等待了整整一年。虽然结果是“同类最佳”，但很难说有什么实际用途；
2. GPT-5已延迟。备受期待的GPT-o1满血版本和暂时无法使用的o3在价格和可用性（数据输入、联网、推理速度）方面存在严重缺陷。
3、高级的语音模式和功能要么是在PPT中早就发布的功能中实现，要么是同行终于完成的功能。
此外，还有大量涉及推理模型API、微调技术、协作模式等的文章，乍一看让人眼花缭乱。但细看之下，我总觉得它缺少了原来的“革命”味道，更像是对现有成果的修修补补。
现在看发布会，甚至有种似曾相识的感觉，仿佛在看一场苹果发布会——挤牙膏的升级版。我想，看完这12场发布会，那些还期待o3突破所谓AGI的人，就和去年相信Apple Pro能带我们进入虚拟宇宙的人一样。我只能祝他们和萨姆幸福。
相反，更多的人开始窃窃私语——承诺的人工智能革命在哪里？承诺的技术爆炸又如何呢？为什么你感觉AI的发展速度比前两年慢了很多？甚至有人开始质疑：难道说法律已经失效了吗？
法律已经过期了吗？要回答这个问题，我们首先要简单了解一下法律。
法则，简单来说，就是“努力就能创造奇迹”——只要不断增加模型的参数数量和训练数据规模，AI模型的性能就能不断提升。这条定律推动了过去几年AI领域的快速进步，让我们见证了AI能力的快速增长。如果说2022年初的产品还能让人觉得“这东西还蛮新的”，那么2022年底诞生的产品已经可以让人惊呼“f*ck，这东西太完美了！” - 这背后是法律。正在工作。
然而，随着AI技术的不断发展，一个问题逐渐浮现出来：当模型的参数数量越来越多、训练数据越来越多时，我们还能看到同样显着的性能提升吗？一些研究表明，简单地扩大规模不再会带来线性甚至指数级的进步。模型变得越来越大，但边际效益却在递减。
2024年11月，海外媒体报道GPT-5训练遇到障碍后，Sam发文
这个问题对于AI行业确实很重要，就连12场会议本身就是对这个质疑的回应。虽然从我的角度来看，这个回应证实了Law在某种程度上已经碰壁了。
然而，法律碰壁与非人工智能行业有什么关系呢？
关系是，如果AI技术碰壁，那么对于我们普通人和非AI公司来说AI革命会更快。
在技术发展过程中，我们经常看到这样的现象：一项技术取得突破性进展后，有时会进入一段时间相对稳定的发展期。这并不是说这项技术已经停止发展，而是它正在从“质变”回归到“量变”，从追求技术的进一步突破转向如何将现有技术应用到真正有价值的东西上。 。
可以想象：当一项新技术出现时，产业和资本往往会首先关注其自身的能力。例如，我们会关注AI是否更聪明，是否可以处理更复杂的任务，以及哪些公司拥有最好的模型。它有优势，可以带来超额的投资回报。
这就像国王开局的“丛林”阶段，没有人会专注于开局。但随着技术的逐渐成熟，行业的关注点将逐渐从技术本身转向技术的应用。大家开始思考如何将AI技术与实际应用场景结合起来，如何利用AI解决实际问题。毕竟，到目前为止我们还是一个人类社会，一项技术必须有用并争夺“人类”市场，才能真正获得回报。这就进入了“塔”阶段，目标变成了如何将技术优势转化为实际生产力。
这正是目前AI领域的现状。一方面，我们看到AI技术本身的发展似乎已经放缓，大模型参数的增长速度和算力的提升都面临瓶颈。 “每隔几个月就有重大突破”的老场景似乎很难再现。但另一方面，更稳定的模型参数和不断下降的价格可以吸引更多的开发者和公司将人工智能引入到他们的应用中。
这对于普通民众和非AI企业来说都是一件好事。毕竟普通用户每天使用的不是AI模型，甚至不是API，而是使用API的应用产品。
当技术的发展不再是唯一的核心命题，当“努力创造奇迹”不再是最具性价比的选择时，整个行业的注意力自然会转向应用的探索。这是人工智能真正深度融入各行各业的开始，也是人工智能应用百花齐放的时代。
我曾经在《评论团的AI生产力体验》中为新手用户科普过。人工智能在实际应用中的能力等于模型能力和非人工智能工程能力的总和。但在应用过程中，模型的变化甚至“进化”往往会影响项目的建设。
你辛辛苦苦构建了一个AI应用程序/工作流程，但它可能会被模型更新彻底摧毁。这是普通用户很难理解的事情，但它确实可能发生。
这也是为什么，在开发者圈子里，年中推出的3.5系列机型与12月份发布的2.0系列机型展开竞争，让业内人士更加兴奋。因为这两家公司的产品并没有什么特别大的突破，也没有做什么花哨的事情。他们只是继续在已知的道路上实现大量（上下文）和充分的控制（价格）。
更重要的是，在生产力体验文章中，我提到了另一个关键问题：大多数人和企业在目前的能力水平上对AI的探索还不够，因为他们在工程方向上的能力为零，所以“现在AI就是这样”作品。”但事实上，他们低估了当前人工智能的能力，错误地期望更好的人工智能能力会让他们认为不可能的事情成为可能（比如一周内编程淘宝）。
这种认知错误导致公众误以为劳撞墙就会结束这场AI革命对社会的影响，但事实上恰恰相反。许多人认为人工智能的潜力已经达到极限，因为他们的数字素养不足以充分利用现有的人工智能工具。换句话说，在你还没有了解手中的“铲子”之前，你就已经在担心挖空“金矿”了。
我们可以用一个不太恰当但很形象的例子来说明这个问题：
也许有人认为，在互联网时代，实验室层面的技术革命会更快地推向市场，但现实情况却不一定如此。例如，如果你最近体验过中国各地的移动支付，你会发现微信支付和支付宝正在进行新一轮的激烈战斗。
前者已推出掌纹支付。只需绑定一次手掌，即使没有手机也可以使用微信支付。掌纹识别是新技术吗？嘿嘿，这真是太符合我的心意了。我2013年刚毕业，在FA工作。当时我在一家叫APP的初创公司工作，是做掌纹识别的。据当时的创始人介绍，掌纹识别达到了当时金融支付凭证的安全级别，不存在指纹、虹膜泄露的问题。
但在此后的10年里，掌纹识别技术几乎从商业领域消失，微信捡起了它。因为它的竞争对手支付宝推出了触摸支付，也就是NFC支付。越来越多的人熟悉NFC技术。上一次媒体讨论“互联网与现实世界的超链接应该是NFC还是二维码”的话题还是在2012年。
你看，在“金融支付”这样大的市场，掌纹识别和NFC这两种技术上可行的解决方案需要十年的时间才能推广。这意味着什么？说明应用领域接近技术的“天花板”需要时间和机遇。
事实上，这样的例子很常见。
另一个典型的例子是中小微企业的数字化。
2015年，很难相信任何一家餐厅都会制作自己的独立应用程序，但到了2018年，微信小程序如火如荼，任何路边摊都有自己的小程序，用于点餐、支付、会员和营销。一切都可用。
这并不是因为2018年的App开发技术相比2015年有了质的飞跃，相反，是因为超级平台微信（还有美团）已经形成，为开发者提供了充足的基础设施、稳定的技术栈（过时的技术）不经常更新的技术）和用户流量，使得开发小程序的成本足够。低，收入够高。
几乎每个开发的人都会抱怨小程序，但实际上正是小程序的技术落后保证了它的受欢迎。毕竟，即使到了今天，手机也没有解决系统碎片化的问题。大量用户仍在使用5年前的10系统。 iOS 稍微好一些，但也好不了多少。这意味着，对于其他主营业务不是互联网产品的行业来说，如果需要为用户提供数字化入口，独立客户端无论如何都不是一个划算的选择。
基本上，平台公司只有形成稳定的寡头垄断，才能为大量的小微企业和非IT相关行业提供稳定的成长土壤。想必今年很多出国的人也意识到，支付网关、电商、社交网络、云、原生小程序（PWA）等一些基础设施工具都不可避免地离不开平台型互联网公司。
平台产品孕育生态，平台产品诞生于平台时期。
比个人数字素养增长更慢的是组织的企业素养。即使是在中国高度参与的职场，公司也不可能只招聘30岁以下的人，尤其是非IT行业的公司——很多传统行业的老板本身就不是年轻人。对不属于核心生产的技术不敏感。
这就导致，在京东、元气林业等一些新企业尝试推行“无人工厂”等先进技术的同时，中国绝大多数中小型工厂仍在使用Excel（甚至盗版）。版本）来安排生产计划。 、库存管理和生产调度等基础工作显得相当原始。
人工智能何时会影响这些工厂？我认为我们至少需要等到他们用严肃的 ERP 系统或严肃的 MES（制造执行系统）取代 Excel，对吧？
老板和公司都是逐利的。如果你想让一个组织迭代非核心技术，你必须看到足够的好处或好处。这里的核心技术是指与其生产直接相关的技术。例如，对于可口可乐来说，配方是核心技术，而生产线自动化设备或供应链管理系统则是支撑配方实现的非核心技术。
显然，对于非互联网企业来说，裸露的AI模型无论多么智能，都不会带来任何好处——很多人把已经发布但尚未上市的o3称为“博士级模型”，但你可以今年找到一个 询问拥有博士学位的毕业生是否找到了好工作。
事实上，我们现实生活中的大部分工作并不需要博士级别的智力，只需要高中级甚至初中级的智力。
我今年听到的证明AI不好的最有趣的例子是，很多人发现GPT-4o认为4.11比4.8大。但我想每一个经常查看社交网络的人都知道，世界上确实有很多真正不会10以内加减法的人，但这并不影响他们在职场上大放异彩的能力，尤其是在欧美国家。
此前我曾与一些机构媒体的朋友进行过交流。他们中的许多人认为，目前人工智能对媒体行业的影响并不大，但同时他们也非常担心未来来自GPT-5或其他公司的新模型会像传闻中那样颠覆他们的业务。工作。然而，这是一种典型的由错误认知引起的虚假焦虑。
其实我之前也分享过一个大概的过程。以目前的人工智能水平，它完全可以取代记者和编辑，完全自动撰写带有真实采访的专题文章。
这件事情之所以没有成为“现实”，或者说，大多数媒体朋友之所以觉得现在的AI对媒体行业影响不大，并不是因为AI模型能力不行，而是因为目前这件事情的价格优势还没有那么大，以至于有人愿意把这个完整的项目变成一个产品。
如果这样一个真实采访的稿件生成器能够将每篇万字长稿件的生成成本降低到300元以下，那么它肯定会立即出现，甚至在自媒体平台上迅速传播。
但这与模型能力的进一步提升关系不大。相反，它要求人工智能制造商放下对能力的痴迷，转而提高单位体积的价格。
即使是最成熟的IT和互联网公司，在接入AI方面也处于“等待”状态。正如我在《别轻易进入AI（AI原生）》中提到的：对于我们现在熟悉的大多数产品来说，AI并不能成为决定性的用户需求。用户不太可能因为人工智能功能而放弃在传统功能和网络效应方面具有巨大优势的产品。
那么，反过来说，那些看似笨重的老牌互联网公司，就会有更多的时间进行转型。他们有足够的时间等待AI变得更加稳定，无论是在输出内容、性能、安全性、价格等方面，而不是必须每个月发布新版本来适应AI进步的速度。我用最简单的原理来解释一下：
如果你是一家自建IDC的传统互联网公司，你现在想引入开源模式在你的产品中实现某项AI功能。现在开源模型的推理成本每个季度都会降低30%，这看起来是件好事，但这意味着如果你第一季度购买10000张显卡并服务相同数量的用户，第二季度就只有每个季度需要 7,000 个显卡。那么，第二个月闲置的3000块显卡你会怎么处理呢？
明智的选择当然是让用户忍受一段时间，或者选择一个已经停滞不前的模式，先想办法糊弄他们。因为你知道AI底层的进化速度根本无法持续。当它碰壁时，你再将它与应用程序相匹配还为时不晚。
当人工智能技术的发展进入相对稳定的阶段，当大型模型的能力不再是稀缺资源，当人工智能基础设施逐步完善时，我们会看到企业和资本将更多的注意力转向人工智能落地应用。领域，结合人们工作、生活中越来越多的具体场景。它在某些情况下会成功，在另一些情况下会失败，而这些与法律碰壁或不碰壁无关。
因为大多数人、企业、组织，甚至GPT-3.5级别的人工智能还无法完美融入到现有的工作流程中。那么焦急地唱衰AI或者擅自期待GPT-5有什么用呢？
因此，除非你是做基础的大型模型，否则不要再担心Law是否无效，也不要再抱怨AI的发展速度变慢了。
对于大多数人来说，人工智能革命才刚刚开始。
