直面AI焦虑：技术趋势与个人出路

近来连站立刷手机都变得小心翼翼，生怕一不留神就被AI的冲击惊得“瘫软在地”，甚至感觉仿佛面临核爆般的危机。

此类夸张标题固然是自媒体博取关注的惯用手法，但其能引发广泛传播，根源在于精准击中了社会普遍的焦虑情绪。在本文中，我将从企业与个人双重视角剖析这种焦虑，并结合技术层面探讨大模型未来的演进方向。

我认为，对AI的恐慌主要源于未来的不可预测性。对企业而言，AI技术的迅猛迭代加剧了市场竞争烈度，原有的竞争壁垒可能被AI轻易击穿。然而，最顶尖的大模型厂商往往也是最焦虑的群体。为了回收成本并盈利，它们必须不断扩充用户基数与流量池。那些暂时领先的大模型公司，正享受着爆发式增长的奖励，正如ChatGPT初问世时的景象。但这无异于在悬崖边缘起舞。一旦大模型发展陷入停滞，开源模型便可能迅速追赶（如Deepseek所示），让先行者徒劳无功；若竞争对手发展更快，市场份额被瓜分殆尽，自己便沦为陪跑者（如Meta的处境）。因此，大模型公司只能不顾一切地加速冲刺，借助宣传与营销攫取资金与人才。而企业的过度营销又被自媒体放大，进而引爆公众情绪，于是开篇所述的“眩晕瘫坐”，以及充斥着“末日”、“屠杀”等惊悚词汇的营销号内容便层出不穷。

自媒体放大了企业的焦虑，进而波及每一个个体。人们开始担忧自己是否会被AI取代，职业价值是否归零，甚至面临失业风险。

这种对职业价值的担忧，恰恰是我们重新审视工作意义的契机。国际象棋棋手虽早已被AI超越，但职业联赛依然蓬勃发展，因为下棋的乐趣在于过程本身。随着AI的普及，人们被迫重新思考工作与生活的真正价值。毕竟，在瞬息万变的世界中，唯有这些才是恒久不变的真理。

关于失业的恐慌，根源并不在AI本身，而是现代社会的固有不确定性被AI放大了。在高速发展的当下，工作的稳定性早已今非昔比。例如，美国人平均一生需更换12份工作。无论在中美哪国，随着经济、科技及社会的演进，这将成为长期趋势。在失业风险增加的同时，还伴随着就业难、内卷加剧等一系列问题，这才引发了当下的集体焦虑。

应对现代社会的未知性，需要企业、社会与政府协同努力。制定全新的AI法律法规、劳动保护法及税收再分配政策等迫在眉睫。目前，部分人士与企业已在探讨何为合理的法律框架。不仅政府层面需革新治理模式，社会也需要构建新的语言与思维体系来描述这一现状，这正是本文试图尝试的方向。个人亦应坚持终身学习：要么深耕某一领域，构建难以被替代的护城河；要么敏锐捕捉风口，不断探寻新机遇。

焦虑亦源于对大模型认知的匮乏，因此最后我想从技术角度解读AI大模型的本质，并给出个人预判。AI的本质是经由训练的算法（如大语言模型或图像识别模型）。大模型备受推崇，是因为其能力随规模扩大而不断突破，有望在诸多领域超越人类水平。

预测大模型发展的关键，在于理解其训练过程中至关重要的预训练（pre-training）与后训练（post-training）。预训练利用海量互联网及书籍数据夯实模型的“硬实力”；后训练（如微调、强化学习）则赋予模型运用实力的“技巧”。

研究显示(https://arxiv.org/abs/2504.13837)，经预训练的大模型已具备推理的硬实力，而后训练的强化学习能教会其如何调用这种能力。以DeepSeek R1为例，它正是基于DeepSeek V3，通过强化学习（如下图中RL所示）等后训练技术演进而来。一般而言，若模型性能发生质的飞跃，多因进行了高成本的重新预训练；而小版本的迭代升级，则主要归功于后训练的优化。

现阶段，大模型仍有巨大提升空间。预训练可进一步采集更多优质数据；后训练亦可融合多种训练方法以提升效率。一个有依据的推测是，未来2至3年内，大模型能力将持续增强，在诸多领域达到甚至超越普通人的水平。但具体能提升多少，能否延续指数级增长，目前尚缺科学理论支撑，更多是基于过往成功经验的信念。

然而，要迈向全知全能的超级人工智能（AGI），仍需突破若干客观限制。首先，模型能力的飞跃依赖预训练，而基于大规模互联网数据的预训练耗时漫长，需持续收集与生产数据。其次，人类现有数据未必能训练出凌驾于人类之上的超级智能。例如，若要推导出宇宙大一统理论，必然需要更多物理实验来积累数据。因此，具身智能应运而生，让机器人在现实世界中自主收集数据。在现实中采集数据比在互联网上耗时更久，模型迭代速度也会放缓。最后，大模型未必是通往AGI的唯一路径，AI专家Yann LeCun便认为大模型是一条死胡同。

鉴于目前尚无科学理论能证实AI大模型可继续指数级增长，加之数据与物理世界的双重天花板，超级人工智能的征程依然漫长。在这段时期，企业将逐渐熟悉并掌握AI技术，个人也可能在充满不确定性的现代社会中找到心安之处。毕竟，无论社会变迁多么迅速，每个人或许都能在社会一隅寻得宁静。