很多人表示，以深度学习为主力的这一波人工智能浪潮已经出现很多年了，但很明显深度学习不可能处理复杂的任务。虽然号称模拟大脑，但是几乎与认知科学的研究隔绝。
深度学习致命一点是不能应用在太多普通用户的产品上面，只适合搜索引擎和学术方面，现在主要的产品基本都是为搜索引擎服务的，普通的创业者根本没机会玩，数据不如大公司多，普通用户也没有那个需求。
计算机行业发展历史很短，但却非常迅速的一个原因，是在相当长的时期工程师的试验成本是非常低的。90年代以来的很多创业神话，往往是几个人甚至一个人，用电脑就能制造出对世界价值巨大的产品。在这个过程中，人的价值得到了最大化的发挥，而固定成本投入的占比则非常低。
而传统工科的状态呢。做任何事情都有着巨大的固定成本投入。这里就算是比较低的电子工程，想自己做个简单产品的全流程也往往是一个人难以承受的。而机械、化工、生物等领域，想作出个有价值的最小价值产品(MVP)的投入，往往是中产之家也难以承担的。
这一波人工智能就有这非常明显的传统工科特点。无论是大语言模型，还是AI绘画。都需要显存巨大的显卡算力。想要达到最低门槛的玩具级模型的算力需求，也需要数万元。想做入门级的试验则需要投入数百万上千万。这个投入并不是说少花点钱，慢一点可以接受。而是没有足够的一次性投入硬件，这些模型根本就没法载入显存进行计算，是个硬性门槛。
在这一波人工智能热潮中，我也看到了很多传统工科化的顽疾了。人们之间不再比拼自己的算法设计，架构设计，模型设计。而是吹嘘自己拥有了多少显卡算力。工程师和科学家的智慧在整个系统中的重要性在持续降低。这跟传统工科中吹嘘自己拥有多么昂贵的进口设备和工具一样，人变的不重要，在昂贵的设备和工具面前矮化自己。
这一波人工智能热潮的传统工科化，高昂的固定投入成本，会导致能参与这波热潮的人变得很少，进而导致技术进化缓慢。在人们逐渐发现了这一波技术的能力边界以后，难以拉上更多的人去推进技术的发展。
以大语言模型为例，只有模型参数量达到了一个足够大的水平，才会出现神器的涌现能力。而要达到这个门槛，最低也要数百万人民币的投入。加上算力迭代速度快，这个投入更可能是每年几百万。估计即便是985大学，也只有一部分能负担的起这个费用。国内的互联网公司，能参与进去这一波热潮的公司，大概率也只有十几家到小几十家。而想要跟OpenAI等公司进行算力上对等的发展，则需要每年数十亿的资金来购置和更新设备。这样的环境会导致人才断层。当一个公司想扩大研发规模时，将无法从大学或其他中小规模公司找到人。
计算机行业在过去几十年来，都是个不问出身，只看产出的环境。我身边的朋友就见过各种不同专业转行来的，学历可以低至中专和体育生。但这些年计算机行业的低门槛，使得钱没有成为限制他们成长的桎梏。而现在的人工智能热潮，则正在把绝大部分人拦在门外，成为一个传统工科。
本文内容不用于商业目的，如涉及知识产权问题，请权利人联系51Testing小编(021-64471599-8017)，我们将立即处理
