👇关注公众号后设🌟标，掌握第一手AI新动态
本文访谈内容整理自Benedict Evans在Slush 2024专题演讲，公开发表于2024年11月28日。原始内容参考：https://www.youtube.com/watch?v=LGDa3pO23Wc
Benedict Evans在Slush 2024专题演讲
★内容导读：
爆炸式增长但实际应用有限: ChatGPT 的采用速度惊人，但大多数用户仅尝试一次，真正将其融入日常生活或企业流程的比例很低。 大量投资涌入，但产品与市场的匹配度还不高。 平台转型周期: 生成式AI被认为是继大型机、个人电脑、互联网、智能手机之后的下一轮科技平台转型，但其后续发展方向和具体应用场景仍不明确。 规模扩展的争议: 关于大型语言模型 (LLM) 的规模扩展能否持续存在争议。一部分人认为扩展会放缓，另一部分人认为扩展会继续有效，甚至取代所有其他软件。实际挑战包括基础设施建设、GPU获取和数据获取等。 成本与效率的博弈: 虽然模型质量的提升幅度相对较小，但模型效率的大幅提高导致成本曲线下降，Meta等公司尝试将LLM商品化。苹果则致力于边缘计算，在设备端运行LLM。 效用与应用场景的探索: 目前对生成式AI的效用和最佳应用场景仍不清楚。访谈中以图像识别为例，说明了从单纯的技术演示到实际应用的转变过程，以及对抽象层次和错误处理机制的理解至关重要。 部分领域如软件开发、市场营销和客户支持已显示出应用前景。 部署与商业化模式: 现有公司尝试将生成式AI集成到现有业务中，初创公司则致力于创造新的应用场景和产品。 商业化模式涉及“捆绑”和“分解”两种方式，并存在“AI极大主义”的观点，即LLM最终可能取代所有其他软件。 技术商品化: 类似于以往的科技趋势，生成式AI最终可能商品化，成为软件中的一个基本功能，如同现在的自动电梯一样，人们不会再特别关注其“人工智能”属性。 不确定性仍然很高: 对于生成式AI的未来发展，许多问题仍然没有答案，例如规模能否持续、错误率如何控制、数据是否足够等等。 技术驱动与市场需求的平衡: 目前的状况是技术先行，用户需要自行探索应用场景，这与传统的技术部署模式不同。 平台转型需时: 类似于之前的平台转型，生成式AI的全面应用和影响的显现需要时间。 许多公司仍在实施几年前的技术理念，生成式AI的全面渗透需要一个过程。
本尼迪克特·埃文斯简介
本尼迪克特·埃文斯（Benedict Evans）是一位享誉全球的科技评论员、投资者和演讲者。他以其对科技趋势的深刻洞察和清晰简洁的表达方式而闻名。他并非一位单纯的技术专家，而是具备经济学、商业和社会学背景的综合性人才，这使得他能从更宏观的角度解读科技浪潮的兴衰。
埃文斯长期关注并分析移动互联网、人工智能、云计算等领域的发展，他经常通过图表和数据来呈现复杂的科技趋势，并将其与社会和经济背景联系起来，使复杂的议题变得更容易理解。他的观点既有宏观的战略性思考，也有微观的细节分析，这使得他的分析既有深度，又有广度。
演讲全文
本尼迪克特·埃文斯： 现在，我被邀请来谈谈关于人工智能的深刻、明智、巧妙的见解，解释人工智能领域发生的一切，并且不说得太快，只用半个小时。我可能会做到其中两点，也可能只有一点，我会尽力而为。
我认为，思考我们今天在人工智能领域所处的位置，一个好的起点是比尔·盖茨18个月前的一句话，他说在他整个职业生涯中，他只见过两件具有革命性意义的事情：图形用户界面和ChatGPT，这是一个相当大胆的声明。另一方面，一个月前，OpenAI的估值达到了1600亿美元。我查了一下，算了一下，微软用了大约25年的时间才达到1500亿美元的估值，而OpenAI在其产品发布后12到18个月就达到了这个估值。这再次反映了这一切发生的迅速程度。
这是一项针对全球范围内使用过或至少听说过ChatGPT的人们的调查。这表明这项新技术的采用速度前所未有。三分之一到三分之二的人已经尝试过或至少听说过它。这其中一部分原因是，你无需等待每个人都去购买手机，也无需等待电信公司建设宽带网络。它只是一个网站，运行在云端，所以你可以直接使用它。尽管如此，这项技术的增长、普及和关注度的速度仍然令人惊叹。
另一方面，如果你问人们当他们说自己使用过它时，他们究竟是什么意思，你会得到略微不同的答案。答案是，大多数人只用过一次，觉得它非常聪明，然后就没有再用过。只有少数人找到了将其融入日常生活的方法。
当我们关注企业时，也会看到类似的情况；每家大公司都有一些试点项目或试用项目，这可能仅仅意味着首席信息官正在为一个ChatGPT账户付费。然而，只有少数公司真正部署了它。部署一项技术与将你的整个系统迁移到生成式AI完全不同。
所以我们已经达到了这样一个阶段：每个人都非常兴奋，都认为这很重要，但我们实际上还没有达到每个人都在使用它或为它花钱的阶段，至少现在还没有。这导致今年夏天出现了一波报道，质疑我们是否应该在这项技术上花费5000亿美元，而我们还没有实现产品与市场的匹配。其中一部分是正常的炒作周期的一部分。
对于任何不知道的人来说，Gartner炒作周期表明，达到生产力巅峰需要时间。我们将看看这种情况如何随着时间的推移而发展。
如果我们退一步来看，一个更值得考虑的相关周期是，每隔10到15年，科技行业就会经历一次平台转型。这种转型成为行业创新、投资和变革的中心。例如，我们从60年代中期到70年代后期经历了大型机时代，然后是个人电脑时代、网络时代、智能手机时代，现在大多数科技行业人士都认为生成式AI是下一次重大的平台转型。然而，这几乎是唯一清晰的方面；所有后续问题仍然悬而未决。事实上，我们仍在弄清楚这些问题应该是什么。
在本演示文稿的其余部分，我将尝试将一些问题分类，并确定我们可以提出什么问题，如果不是答案的话，我们将把它们分为三类：这将扩展到什么程度？这些模型实际上有什么用？以及如何部署这项技术，对于在座的各位来说，这意味着如何从中构建产品和公司，并将其推向市场？
看看第一类，这将扩展到什么程度？我认为我们都知道，我们通过使这些模型比任何人认为可行的规模都要大得多，已经取得了成果。我们使用更多的数据和计算能力来扩展它们，从而产生了更好的结果。现在的问题是这种扩展是否能够持续下去。一种观点认为，这一过程将不可避免地放缓，从而导致标准软件环境的出现。相反，另一种观点认为扩展将继续有效。极端情况下，这意味着LLM可能取代所有其他软件。
凯文·斯科特和谢尔盖·布林等知名人士的观察阐明了这场辩论。凯文·斯科特反思了扩展到目前为止是如何运作的，而谢尔盖·布林则警告说，过去的业绩并不保证未来的成功。在过去的一周里，我们看到许多主要实验室的报道表明，也许扩展已经达到平台期；关于这究竟意味着什么，存在很大的争议。现在就假设进展完全停止了，似乎为时过早。
然而，扩展这些模型存在实际挑战。建设必要的电力基础设施需要时间，获取GPU也需要时间。此外，目前还不清楚还有多少训练数据可用，以及我们能否有效地利用合成数据。一个基础科学问题仍然存在：如果你将模型大小增加十倍，结果是否也会提高相同的倍数？答案仍然未知，但我们将找到答案。
像谷歌和Meta这样的公司强调了不投资人工智能技术的风险，表明不作为的缺点大于潜在的资本支出浪费的风险。硅谷的一句名言概括了这种心态：我不想生活在一个其他人比我们进步更快的世界里。这种情绪推动着科技巨头们的紧迫感，特别是如果像马克·扎克伯格这样的高管持有公司的大部分股份。
驱动这种紧迫感的恐惧是缺乏根本性的护城河或网络效应。谷歌的一份内部备忘录证明了这一点，该备忘录指出，谷歌和OpenAI都没有明确的护城河。正如Anthropic的首席执行官所说，资本确实是一种护城河，他将模型构建描述为数十亿美元的投入。马克·扎克伯格指出，LLaMA的下一代将需要十倍的计算能力，这进一步表明了与这些技术相关的成本不断上升。
为了说明所需的投资，LLaMA 3.1使用了16000个NVIDIA GPU，总计约5亿美元，此外还有数据中心成本。目前正在建设的集群大约有10万个GPU，这意味着存在巨大的财务和基础设施投资。NVIDIA正在从这一需求中受益，其更新的营收预测证明了这一点。这些前所未有的财务图表类似于20世纪90年代后期的互联网泡沫时期，当时市场的热情高涨。
预计四大平台公司很快将花费超过2000亿美元的资本支出，其中近1000亿美元的支出比上一年有所增加。有趣的是，微软的资本支出现在超过其收入的25%，这表明该公司从销售盒装软件转向大力投资基础设施。
随着大量资金涌入人工智能领域，来自私募股权、银行家和华尔街的兴趣激增。值得注意的是，像Andreessen Horowitz这样的公司据说拥有2万个GPU来确保人工智能交易。然而，在这些投资之中，我们仍然不确定一切将如何发展。科学和工程领域都在发生剧烈的变化。
我们已经看到大量的投资用于改进结果、扩展模型和开发多模态能力。与此同时，也有人大力推动降低成本。成本方面至关重要，因为到目前为止，与之前的软件趋势相比，LLM仍然与每次用户交互相关的运营成本。
对成本-质量动态的考察揭示了模型质量的相对较小幅度的提高，但模型效率却大幅提高。存在一条陡峭的成本曲线，公司可以获得在大大降低价格的情况下提供几乎相同质量水平的模型。值得注意的是，Meta正在尝试免费提供模型，旨在将LLM转变为商品基础设施。
苹果正从另一个角度来处理商品基础设施的概念，正在开发高性能边缘计算能力，可以在iPhone等设备上运行LLM。随着我们见证各种模型的快速发展，这种商品化趋势正在成为明年一个重要的叙事。
从这些技术进步退一步来看，我们可以观察到总体趋势和影响。科技行业历来反映出周期性模式，其中商品化技术降低了成本，并将其自身转变为商品。虽然泡沫很容易识别，但确定它们何时破裂仍然具有挑战性。
尽管围绕这些趋势存在不确定性，但我们必须考虑关于效用的实际问题：这些模型将如何最好地为我们服务？为了回答这些问题，我们应该回顾近十年前开始的最后一波机器学习浪潮，当时是图像识别。在像这样的活动中，我会展示令人印象深刻的演示，而听众中的大公司则会表达他们的赞赏。
我们很高兴你能够识别出一条狗。我们是一家非常大型的德国再保险公司，我们没有狗的图片。那我们该怎么办呢？我们花了一段时间才弄明白，正确的抽象层次，正确的理解方式是：这是一种模式识别。一旦你理解了这是模式识别，你就可以开始思考：好吧，我们能把什么转换成模式识别？过去十年里，每家软件公司都在说：我们可以把这个行业、那个部门或那个公司内部的深层问题转化为模式识别。这就是我们获取数据的方式，我们将围绕这一点建立公司。我们现在都多少理解这一点。
我认为，我们现在正处于生成式 AI 和大型语言模型的同一阶段。好吧，这是一个很棒的演示，我多少能看出它为什么很酷，但我不太确定我应该如何在概念层面理解它。这是什么？我们该如何思考我们可以用它做什么？我们还必须记住我们不能用它做什么。例如，你不能把它当作数据库。这仍然是我最喜欢的幻觉例子。加拿大航空公司使用大型语言模型构建了一个客户支持机器人。一位客户询问退货政策。支持机器人给了他一个非常好的退货政策，但不幸的是，这不是加拿大航空公司的退货政策。这位客户不得不去法院要求退款，因为加拿大航空公司说，你应该阅读我们网站的另一部分，而不是那一部分，而法官对此并不觉得印象深刻。这里面临的一个挑战在于理解这些东西在做什么，以及如何围绕一些可以自动化任务但可能无法正确完成任务的东西构建产品。
一个答案是，好吧，让模型更好一些，这将是很好的。但是，我们并不真正知道我们是否能够做到这一点，而且概率模型无论如何都不能产生确定性答案，这一点也不清楚。这有点像芝诺悖论。因此，一方面，你问，哪些用例没有错误答案，或者错误很容易发现的用例？另一方面，你如何将其抽象出来？你如何围绕它可能出错的事实来构建产品设计？你如何管理它？提供工具、分析、指标和用户体验来解决这些问题？
目前这方面最有趣的地方是，我们能否将其用于通用搜索。你能用它来取代谷歌吗？这个问题有很多未知的答案。它适合哪些类型的查询？如果它错了，哪些类型的查询很重要？如果你无法判断它错了，哪些地方很重要？你需要对此进行多少过滤？我们真的不知道，OpenAI 的人也一样不知道。但 Alphabet 从搜索中赚取了这么多钱，所以似乎值得尝试去弄清楚。
回到我最初的问题，我们如何找到正确的抽象层次来理解这一点？我们可以这样说，好吧，它是推理、综合和总结，或者可能是。我们可以退一步说，好吧，这自动化了一类我们以前无法自动化的任务，我们正在努力弄清楚我们可以自动化什么。我过去谈论上一波机器学习的方式之一是说，这给了你无限多的实习生。如果你想倾听进入呼叫中心的每一个电话，并确定客户是否生气，你不需要专家来做这件事。你只需要一个10岁的孩子，除了你永远无法自动化它。机器学习使你可以自动化一整类任务，而这些任务只需要哺乳动物的大脑就能执行。
你可以从不同的概念支点来看待生成式 AI。你可以问，创造某些类型的內容将免费意味着什么？翻译现在将或多或少完美且免费意味着什么？这将如何影响科学、流行文化或网络的本质？或者，你可以从宏观经济的角度来看待它，询问哪些行业的劳动生产率低，并且充满了做重复性工作的人，而我们以前无法自动化这些工作——这些行业可能能够自动化一切。
这项练习的挑战在于想象一下，你在 1995 年会对互联网进行怎样的评估。你会做对哪些事情，你会完全错过哪些事情？你能否现实地模拟这种变革性技术的演变？我不确定你能做到。如果你坐在一家大公司里说，我为什么要增加我的微软支出，你会得到这样的报价。雪佛龙首席执行官雇佣了 20 万或 30 万人。微软表示，你应该为 20 万人购买 Copilot 许可证，并将你的微软支出翻倍。首席执行官心想，是的，但是为什么？我们将从中获得什么价值？他们将如何利用它？
也许一个稍微更有用的方法是尝试将其分解。这是 20 世纪 70 年代 VisiCalc（第一个成功的软件电子表格）的一则精彩广告。你会输入一个数字网格，然后你可以更改一个数字，屏幕上的所有其他数字都会发生变化。今天，我们看到这个并认为，是的。但是，如果你在 1978 年是一位会计师，这就是你的整个生活——你可能需要花费数周时间来完成这项工作，而现在这个软件可以在大约 10 分钟内完成。这家公司的创始人有很多关于会计师的故事，他们可以在两三天内完成一个月的项目，然后去打三周的高尔夫球，然后回来说道：“我现在完成了。”
如果你是一位会计师，并且看到了这个，你必须拥有它。但如果你是一位律师，并且看到了这个，你可能会想，这很聪明，也许我的会计师应该看看这个，但我没有那个用例；这不是我做的。我相信这种反应代表了其他 90% 的人在看到 ChatGPT 时的反应。他们认为，这很聪明，但我不是整天都在做这个。因此，如果我们问今天谁有生成式 AI，特别是 ChatGPT 的用例，某些领域显然有这个用例。
例如，软件开发现在正在进行中，各公司已经在讨论 20% 和 30% 的效率提升。市场营销人员也表示类似的情况——他们并没有真正错误的答案，如果有错误的答案，也很容易发现。许多客户支持人员也对此感兴趣，尽管正如我前面所说，必须小心谨慎。各个行业的早期采用者也在进行实验，并试图弄清楚他们可以用它做什么。
这让我们想到一些统计数据。美国有多少就业人员正在使用生成式 AI，他们使用它的频率是多少？在某些领域，大约 20% 的人愿意声称他们正在使用生成式 AI。当然，你可以质疑哪些领域容易夸大其词。管理层中有人会承认他们还没有使用 ChatGPT 吗？也许不会。另一方面，在法律等领域，如果这个 AI 提供不正确的信息，那确实很重要。
对于其他人来说，我们面临着一个挑战：我们拥有这项技术，我们要求用户想出如何使用它，但这通常不是我们部署技术的方式。我们通常从另一端开始；我们首先确定客户体验，然后回到技术。然而，对于生成式 AI，我们试图做相反的事情。
这让我进入了我的第三部分：我们如何部署它？我们如何用它构建产品？我们如何围绕它建立公司？当我们问这些问题时，每项技术都有几种常见的模式。首先，现有公司试图吸收它；他们将其作为一项功能集成到现有业务中。他们自动化他们已经做的事情。随着时间的推移，他们改变了他们的业务方式，创造了新的产品或想法，甚至可能将现有公司分解。每隔一段时间，就会有人从根本上重新定义市场是什么。
当你看到这一点时，你可能会问自己是否正在处理一个埃森哲类型的问题，还是一个贝恩、波士顿咨询或麦肯锡类型的问题。这是针对你的首席信息官还是首席执行官？是上行创新还是下行创新？答案可能是所有这些，这取决于你正在讨论的公司部分、行业、消费者和问题。
第一个冲动可能是打电话给埃森哲并发布一份招标书。埃森哲报告称，他们现在每季度做 10 亿美元的生成式 AI 工作，尽管我不确定他们将什么归类为生成式 AI。无论如何，这引发了一些传统的企业采购问题。你是购买还是构建？你是与大公司合作还是与小公司合作？谷歌会控制一切吗？最重要的问题仍然是：这对我们的每股收益意味着什么？
此类问题导致图表显示，对于房间里的大多数人来说，云计算感觉陈旧且无聊；这似乎是我们父母从事的工作。然而，在大公司中，云计算仍然只占企业工作流程的四分之一到三分之一。首席信息官希望确保预算在三年内翻一番，但这似乎从未发生过。我们看到关于首席信息官对生成式 AI 的期望的类似趋势。也许四分之一的人认为他们会在今年年底之前部署某些东西，而另四分之一的人认为这需要等到 2026 年或更晚。部署这项技术需要时间，弄清楚如何使用它以及如何将其整合到产品中也需要时间。
当这种情况最终发生时，我们将看到新产品涌现的浪潮。我之前提到SaaS只涵盖了大约四分之一的企业工作流程，但现在，一家大型公司的典型部门拥有50到75个应用程序，而整体而言，一家大型公司拥有400到500个SaaS应用程序。所有这些应用程序都在致力于将Excel、电子邮件、SAP、Salesforce或Google分解成自动化工作流程。在过去的十年里，我们见证了机器学习带来的这种分解现象，并且随着这些任务的自动化，我们将再次在LLM中看到这种现象。
这让我们想起了Jim Barksdale的经典名言：赚钱有两种方法——捆绑和分解。这就是初创公司所做的。然而，对这种观点的反驳，即所谓的“AI极大主义”观点，则质疑规模是否会持续下去。如果持续下去，LLM会变成一切吗？它们可以运行所有其他程序，并将其他所有功能变成API，从而无需更多应用程序、公司或产品就能完成更多工作。你可能只需要向ChatGPT发出指令来处理所有事情。
相反，如果当前的能力就是我们的发展方向，那么LLM可能只会成为另一个API调用。你将构建软件，然后调用LLM来执行特定任务。这将成为类似于调用存储、计算或图像识别的API调用。
值得回顾一下史蒂夫·乔布斯的一句话：客户不必知道他们想要什么。在考虑如何为雪佛龙的每位员工配备LLM的挑战时，我们必须承认一种经典的方法来弄清楚如何利用这项技术。通常情况下，初创公司通过调整技术来创建用例和问题从而进行创新。然而，为每个人提供LLM需要用户发明用例并辨别如何使用这项技术，这并非创新的常规路径。
看看Y Combinator涌现的大量初创公司，这表明将会有数千家新公司和用例出现，而LLM将作为另一个API调用。如果ChatGPT能够做所有事情，我们就不会需要所有这些AI公司。这里的极端观点表明，这可能会简化为一个简单的功能。
例如，此处的屏幕截图显示了苹果公司新的AI赋能的写作工具。看到这个，我不禁觉得它只是拼写检查。所有这些最终都会归结为诸如改写、校对、总结、检查拼写和语法等功能——这些功能会逐渐淡入背景。
人工智能似乎经历了一个发展过程。最初，它被视为一项令人兴奋的、突破性的创新。后来，它被描绘成“智能的”——能够提供智能建议、格式化、推荐和摘要。最终，它变成了“自动”功能，例如自动完成、自动格式化，然后成为软件的一部分，成为一个一直存在的东西。
设想我们可以用这些工具创建哪些类型产品，可能会产生三类：可以改写电子邮件、总结评论、提出建议或创建内容的功能；全新的工具和能力；以及极大主义观点，即可以命令ChatGPT处理复杂的任务，例如搬到一个新的国家并组织必要的物流。
在过去的18个月里，我与许多大公司讨论过人工智能，这导致了许多问题。似乎围绕生成式人工智能的每一个问题都有两种答案之一：要么它就像任何其他平台转型一样运作，要么我们不知道。我们应该从谷歌购买吗？谷歌会主导一切吗？会涌现出初创公司吗？我们需要一个国家人工智能战略吗？对我来说，询问我们是否需要一个国家人工智能战略，就像询问我们是否需要一个国家SaaS或SQL战略一样；这似乎是一种误导性的方法。这仅仅是另一个平台转型。
另一组问题涉及规模、错误率、数据可用性、能源需求以及模型能否持续自我训练。这些科学问题探讨了这项技术将变得多么有效，而现实情况是没有人知道。我们必须在未来几年拭目以待。
重要的是要认识到，我们在两年前，也就是ChatGPT 3.5发布之前感受到的兴奋仍然存在并且持续不断。科技行业经常对预计在2025年或2030年出现的进展感到兴奋。两三年前，它可能是关于加密货币的，虽然有些人认为它很重要，但许多人并没有这么认为。然后是关于元宇宙、AR和VR的讨论，但现在一切都与生成式人工智能有关。
然而，大多数软件行业仍在实施2010年到2015年的想法——SaaS、云技术、自动化、工作流程和协作工具就是这些想法的例子。我们在金融行业的HR部门内部解决了深层次的问题，并创建了成为数十亿美元企业的SaaS公司，这反映了日常软件工作的现实。
在更广泛的经济范围内，我们正在经历根植于2000年代想法的转型，包括大胆的想法，例如人们可能通过互联网观看电视；这些想法曾经被认为是令人难以置信的，并且花了数十年才实现。在我们评估这些变化时，我们可以观察到Meta仍在投资元宇宙，为其Reality Labs部门投入了175亿美元，这比苹果推出iPhone的支出要多得多。
然而，科技领域的其他值得注意的发展也值得关注，例如零售趋势。这张普通的图表显示了20年来每年增长一个百分点的速度，达到了20%-25%的零售额；这代表着数万亿美元的价值。随着这种情况的发生，其他变量也在发生变化。例如，Shein可能是全球最大的服装零售商，它整合了中国的制造商，并直接向西方发货，去年实现了450亿美元的GMV。
他们的IPO招股说明书即将发布，我们很快就会发现他们目前的状况。Shopify也记录了超过1500亿美元的GMV，大约是亚马逊的三分之一，从而使成千上万的小企业能够创造一流的电子商务体验。
有趣的是，亚马逊现在从广告中获得的收入超过了零售业务，去年其网站的广告收入超过500亿美元。此外，软件行业正在改变电视行业；仅YouTube去年就获得了500亿美元的广告和订阅收入，这几乎超过了除迪士尼以外的任何全球媒体公司——不包括体育赛事。
我们还看到软件正在侵入汽车行业。我还记得最初对自动驾驶汽车的兴奋。Waymo每月完成30万次RoboTaxi出行，与一些仍在讨论潜力的竞争对手相比，这是一个切实的里程碑。当我们思考车辆转向电动汽车——转向软件驱动的机制时，一个关键问题仍然存在：软件公司将引领这一转型，还是新一代汽车制造商将推动这一变化？
核心问题是，技术从根本上重新配置了所有参数和关于这些行业如何运作的假设。然而，关于这些行业提出的问题并不仅仅与技术有关。关于电视的问题仍然属于电视行业，而关于服装的问题则与Shein和服装行业有关。中国汽车行业会效仿20世纪80年代的日本汽车繁荣吗？这些仍然是汽车行业的问题，而不是软件相关的问题。
记住我之前引用过的一句话，拉里·佩奇说，智力被定义为机器尚未实现的任何东西，而人工智能则指的是任何尚未发挥作用的东西。他提出了一种哲学观点——我们不断修改智力的定义，以排除机器完成的任务。如果机器能做到，它就不能说是智能的。
这种逻辑可以追溯到20世纪70年代，当时数据库曾经被贴上人工智能的标签，但现在只是普通的软件。十年前，图像识别是人工智能，但现在已经转变为软件，语音和模式识别也是如此。默认情况下，在未来几年，大型语言模型将被视为软件，而不是智能——它们只会体现计算机可以执行的能力。
因此，人们可以提出一个更广泛的论点，即技术确实反映了机器尚未完成的功能。最后，让我分享一个我计划经常使用的最终图表，因为编译这些数据花费了相当长的时间。该图表代表美国雇用的电梯服务员人数。最初，随着电梯数量的增加，对服务员的需求也增加了。然而，随着电梯自动化技术的兴起，这种需求减少了。
所以让我问一个问题：你最后一次使用自动电梯是什么时候？你是什么时候走进电梯，按下按钮，然后想，“啊，我今天正在使用人工智能电梯”？事实上，它是一个电子自动电梯——只是一部电梯，而这个事实可能代表了这项技术最终将如何发展。最后，我要说谢谢。
参考资料: https://www.youtube.com/watch?v=LGDa3pO23Wc，公开发表于2024年11月28日
关注公众号后设🌟标，掌握第一手AI新动态
