一點靈犀/中美AI競爭是一場長跑拉力賽\李靈修
「DeepSeek風暴」持續震撼資本市場，帶動科技板塊股價表現驚艷。但我們也要清醒認識到，LLM（大語言模型）只是本輪AI革命的初步階段，中國企業若想留在舞台中央，仍須在技術研發與人才儲備方面持續投入。
DeepSeek最為人稱道的地方，就是以落後的GPU芯片條件，追趕上了先進的閉源大模型性能。但這也從一個側面反映出，LLM的發展進度正在遭遇瓶頸，即「ScalingLaw撞墻效應」。所謂ScalingLaw是指，在參數規模、訓練數據集或用於訓練的計算量增加時，LLM的性能會按照某種「冪律關係」提升。這也被看作是AI領域的摩爾定律。
產品迭代出現停滯
但現實情況是，外界最早預期2023年底就會推出的GPT-5，時至今日仍然「難產」，OpenAI也因此被嘲笑為「史上最偉大的期貨公司」。據業內人士透露，OpenAI着手組建了10萬卡集群，但模型訓練效果未如理想，這也造成了產品迭代的停滯。也就是說，被DeepSeek追上身位的主因是，OpenAI自己跑得越來越慢了。
如果再深挖下去，LLM本身就存在明顯的天花板，未來可能會被新的AI技術所替代。筆者去年3月2日撰文《Sora會讓我們丟掉工作嗎？》指出，LLM依靠高質量的數據標註與訓練，強行「記住」了一定的文本規律，懂得根據上文來生成下文，但並非真的掌握了自然語言。
在AI學術圈也曾有過「中文房間」的假設，這是1980年美國科學家約翰·瑟爾提出的思想實驗，如果一個只懂英語的人被關在屋裏，手裏拿着一本中英文詞典，指導其根據接收到的中文信息選擇合適的中文字符來做回答。從屋外的視角來看，這人好像懂中文，但其實一竅不通。
人才儲備至關重要
LLM的局限性也正在於此，只能處理信息之間的相關性，而無法掌握物理的因果律，這極大地降低了大模型的可靠性及穩定性。更重要的是，由於計算機運算及存儲的物理特性，現有的大模型只能處理離散型號（如自然語言），但無法應對視像及聲音等連續信號。
這也就解釋了，為什麼LLM在聊天方面表現出色，但無法對物理世界進行建模，更不能像人類一樣進行複雜的邏輯思考。根據Meta首席科學家楊立昆（Yann Le Cun）的說法，一個4歲孩子僅憑藉視覺接收到的信息量，就已是目前最大規模LLM模型訓練量的50倍以上。
目前AI領域的頂尖科學家，都在為下一階段的技術突破在做積累。如「AI教母」李飛飛提出的空間智能，就是讓AI能從處理二維信息為主轉向三維空間信息處理，進一步提升智能水平和適應能力。
而從全球人工智能系統的布局來看，美國和中國遠遠領先於其他國家和地區，可以說行業呈現的是「雙頭格局」。（見配圖）展望未來，如果中國想要繼續緊跟技術前沿，人才的持續培養將成為重中之重。
去年麥克羅波洛智庫（MacroPolo）公布了一項名為「全球人工智能人才追蹤」的調查。數據顯示，65%的頂級AI人才出自中美兩國。在頂級（前20%）AI研究人員的原籍國中，中國有47%，遠超美國（18%）。但在研究生階段，大量人才流向美國，使得在最頂級（前2%）AI研究人員的就業國家中，中國位居第二（12%），落後於美國（57%）。
