别被AI炒作迷惑：最新突破与恐慌或许言过其实

AI炒作季的冷思考

每年夏天，科技媒体总会被新一轮的AI热潮所裹挟——从号称接近通用人工智能的模型，到关于机器将取代人类、甚至威胁人类生存的耸人听闻的警告。然而，在这股狂热背后，一些业内的批判性声音正在提醒我们：这些所谓的"突破"和"恐惧"，可能更多是营销叙事而非技术现实。

分布式AI研究所（DAIR）执行主任Timnit Gebru与华盛顿大学语言学教授Emily M. Bender在最新观点中直言，不要被这个"AI炒作之夏"所迷惑。作为长期研究AI伦理与语言模型的学者，两人一直对行业过度包装技术能力的做法持警惕态度。

突破与恐惧，两种炒作的一体两面

值得深思的是，Gebru与Bender的核心论点在于：对AI能力的夸大与对AI风险的渲染，本质上是同一枚硬币的两面。当企业宣称自己的模型"聪明到危险"时，既在暗示其技术的强大，也在为自己塑造一种"我们掌握着改变世界的力量"的形象。

这种叙事策略巧妙地将商业利益与公众想象绑定在一起。无论是"AI将带来无限生产力"的乐观预期，还是"超级智能将失控"的末日警告，都指向同一个方向——让人们相信当前的AI系统远比实际更接近某种类人智能。

谁在从炒作中获益

炒作并非无的放矢。当技术被描绘得无所不能时，投资涌入、估值抬升、监管关注度提高。而对于Gebru和Bender这样长期关注AI社会影响的研究者而言，这种叙事最大的问题在于：它转移了公众对当下真实问题的注意力，比如数据偏见、劳动力剥削、算法歧视等切实存在的伤害。

Timnit Gebru的学术背景使她的批评尤具分量。她曾是Google AI伦理团队的联合负责人，2020年因发表质疑大型语言模型环境代价与偏见问题的论文而遭谷歌解雇，此事件本身即成为AI行业权力结构的标志性案例。她随后创立的DAIR（Distributed AI Research Institute，分布式AI研究所）专注于独立于科技巨头资助之外的AI批判性研究。Emily Bender则是"随机鹦鹉"（Stochastic Parrot）这一概念的提出者之一——该比喻形象地描述了大型语言模型的本质：它们基于统计规律拼接文本，并不真正"理解"语言，更像是在以极高概率重复训练数据中的模式。两人的立场之所以重要，正是因为她们并非技术门外汉，而是深度参与过这一领域、又主动选择发出质疑声音的研究者。

回归技术本质的必要性

两位学者的提醒具有现实意义。将大语言模型拟人化、赋予其"理解""思考"甚至"意图"的表述，往往掩盖了这些系统运作的真实机制——它们本质上是基于海量文本进行统计预测的工具，而非具备认知能力的智能体。

对于科技从业者和普通用户来说，保持清醒的判断力尤为重要。区分技术的实际能力边界与营销话术，不仅有助于做出更理性的投资与应用决策，也能让我们把资源和注意力投向真正需要解决的技术与社会问题。

大型语言模型（LLM）的工作原理值得在此简要说明。这类系统通过在海量文本数据上进行训练，学习词语与词语之间的统计共现关系，从而在给定上下文后预测下一个最可能出现的词元（token）。这一过程不涉及符号推理、世界模型建构或任何形式的目标导向意图——模型没有"想法"，只有权重矩阵中编码的概率分布。当模型输出听起来流畅甚至深刻的文字时，那是训练数据中人类写作模式的折射，而非机器"思考"的产物。正因如此，将LLM的输出描述为"理解""推理"乃至"创造力"，在技术层面上是存在争议的拟人化表述，容易让公众对系统的实际能力与局限产生系统性误判。

写在最后

这篇观点提供了一个宝贵的批判视角：在AI浪潮中，最需要警惕的或许不是技术本身，而是围绕技术构建的过度叙事。Gebru与Bender的声音提醒我们，理性看待AI的能力与局限，才是应对这个快速变化时代的正确姿态。