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
