圖：從全球人工智能系統(tǒng)的布局來看，美國和中國遠遠領(lǐng)先于其他國家和地區(qū)。/AI制圖

　　“DeepSeek風暴”持續(xù)震撼資本市場，帶動科技板塊股價表現(xiàn)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(yè)若想留在舞臺中央，仍須在技術(shù)研發(fā)與人才儲備方面持續(xù)投入。

　　DeepSeek最為人稱道的地方，就是以落后的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(cè)面反映出，LLM的發(fā)展進度正在遭遇瓶頸，即“ScalingLaw撞墻效應”。所謂ScalingLaw是指，在參數(shù)規(guī)模、訓練數(shù)據(jù)集或用于訓練的計算量增加時，LLM的性能會按照某種“冪律關(guān)系”提升。這也被看作是AI領(lǐng)域的摩爾定律。

　　產(chǎn)品迭代出現(xiàn)停滯

　　但現(xiàn)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(chǎn)”，OpenAI也因此被嘲笑為“史上最偉大的期貨公司”。據(jù)業(yè)內(nèi)人士透露，OpenAI著手組建了10萬卡集群，但模型訓練效果未如理想，這也造成了產(chǎn)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(shù)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(zhì)量的數(shù)據(jù)標注與訓練，強行“記住”了一定的文本規(guī)律，懂得根據(jù)上文來生成下文，但并非真的掌握了自然語言。

　　在AI學術(shù)圈也曾有過“中文房間”的假設(shè)，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(guān)在屋里，手里拿著一本中英文詞典，指導其根據(jù)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(guān)重要

　　LLM的局限性也正在于此，只能處理信息之間的相關(guān)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(wěn)定性。更重要的是，由于計算機運算及存儲的物理特性，現(xiàn)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(xù)信號。

　　這也就解釋了，為什么LLM在聊天方面表現(xiàn)出色，但無法對物理世界進行建模，更不能像人類一樣進行復雜的邏輯思考。根據(jù)Meta首席科學家楊立昆（Yann Le Cun）的說法，一個4歲孩子僅憑借視覺接收到的信息量，就已是目前最大規(guī)模LLM模型訓練量的50倍以上。

　　目前AI領(lǐng)域的頂尖科學家，都在為下一階段的技術(shù)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(zhuǎn)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(tǒng)的布局來看，美國和中國遠遠領(lǐng)先于其他國家和地區(qū)，可以說行業(yè)呈現(xiàn)的是“雙頭格局”。（見配圖）展望未來，如果中國想要繼續(xù)緊跟技術(shù)前沿，人才的持續(xù)培養(yǎng)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(diào)查。數(shù)據(jù)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(yè)國家中，中國位居第二（12%），落后于美國（57%）。