1866 年，西門子的一位工程師發(fā)明了人類第一臺直流發(fā)電機。

40 年后，通用電氣在 1906 年開始量產(chǎn)真正讓電燈普及的第一代白熾燈泡。

在這兩者之間的半個世紀里，人類世界依然黑暗，電氣的技術革命好像沒有發(fā)生。

但，這只是因為我們身處后世，才能如此輕描淡寫地將這 40 年一筆帶過。

對于當時的人們來說，電氣技術的發(fā)展，是他們眼皮底下一天天展開的：第一條電報線路的鋪設，第一個電話的接通，第一輛電車的開動，每一次技術的進步，都在真切地改變著他們的生活，只是它沒有快到讓當時的每個人都在一個時間點集體驚呼“啊，電氣革命終于來了！”

我們此刻正站在一個與 19 世紀末極為相似的節(jié)點上。AI 技術的“直流發(fā)電機”已經(jīng)轟鳴作響，只能發(fā)光十幾個小時的“碳質燈絲”也已點亮，新的光明時代正在徐徐展開。然而，當我們身處其中時，卻發(fā)現(xiàn)這場變革似乎并沒有想象中那般迅猛，甚至有些遲緩。

在經(jīng)歷了 2022 年末 ChatGPT 橫空出世帶來的震撼，2023 年大量 AI “玩具級產(chǎn)品”的轟炸之后，2024 年的 AI 領域顯得有些“波瀾不驚”。讓我們以 OpenAI 在 12 月的 12 場發(fā)布會為線索梳理一下：

1. Sora 猶抱琵琶半遮面，千呼萬喚跳票了一整年，出來的效果雖然是“同類最佳”，但很難說能有什么實際用處；

2. GPT-5 跳票，被寄予厚望的 GPT-o1 滿血版和暫時不能用的 o3 在價格和可用性（資料輸入、聯(lián)網(wǎng)、推理速度）都存在嚴重缺陷。

3. ChatGPT Canvas、ChatGPT 高級語音模式、Projects 功能要么是早就 PPT 發(fā)布過的功能實裝，要么是同行有的功能終于補齊。

除此之外涵蓋推理模型 API、微調(diào)技術、協(xié)作模式等還發(fā)了一大堆，乍一看令人眼花繚亂。但細細品來，卻總覺得少了點當初那種“革命性”的味道，更像是在已有成果上的修修補補。

如今再看 OpenAI 的發(fā)布會，甚至有種在看蘋果發(fā)布會的既視感——擠牙膏式升級。我覺得看完這 12 場發(fā)布會，還指望 o3 突破所謂 AGI 的人，和去年那些堅信 Apple Vision Pro 能帶我們跑步進入元宇宙的人一樣。我只能祝他們和 Sam Altman 幸福。

更多的人們反而是開始竊竊私語——說好的 AI 革命呢？說好的技術大爆炸呢？怎么感覺這 AI 的發(fā)展速度，和前兩年比起來，慢了不少呢？甚至有人開始質疑：難道說，Scaling Law 已經(jīng)失效了嗎？

Scaling Law 失效了嗎？要回答這個問題，我們得先簡單科普一下 Scaling Law。

Scaling Law，簡單來說，就是“大力出奇跡”——只要不斷增加模型的參數(shù)量和訓練數(shù)據(jù)的規(guī)模，AI 模型的性能就能持續(xù)提升。這一規(guī)律在過去幾年里，推動了 AI 領域的高歌猛進，讓我們見證了 AI 能力的飛速增長。如果說 2022 年初的 ChatGPT 還能讓人覺得“這玩意兒挺新鮮”，那 2022 年末誕生的 ChatGPT 已經(jīng)可以讓人驚呼“臥槽，這玩意兒成精了！”——而這背后，正是 Scaling Law 在發(fā)揮作用。

然而，隨著 AI 技術的不斷發(fā)展，一個問題逐漸浮現(xiàn)：當模型的參數(shù)量越來越大，訓練數(shù)據(jù)越來越多時，我們還能看到同樣顯著的性能提升嗎？一些研究表明，簡單地增加規(guī)模已經(jīng)不能再帶來線性甚至指數(shù)級的進步了。模型變得更大，但邊際效益在逐漸遞減。

這個問題對 AI 行業(yè)來說真的非常重要，甚至 OpenAI 的 12 場發(fā)布會本身就是對這種質疑的一個回應。雖然以我的視角來看，這個回應某種程度上證實了 Scaling Law 撞墻。

然而，Scaling Law 撞墻與否又和非 AI 行業(yè)有什么關系呢？

關系就是，如果 AI 技術撞墻了，那么我們普通人和非 AI 企業(yè)的 AI 革命就更快了。

在技術發(fā)展的歷程中，我們常常會看到這樣一種現(xiàn)象：當一項技術在取得突破性進展后，有時會在一段時間內(nèi)進入一個相對平穩(wěn)的發(fā)展期。這并不是說這項技術停止了發(fā)展，而是說它正在從“質變”重新走回“量變”，從追求技術的進一步突破，轉到如何將已有的技術應用到真正有價值的事情上。

可以設想一下：當一項新技術出現(xiàn)時，行業(yè)和資本往往會先關注它本身的能力，比如我們會關注 AI 是不是更聰明了，是不是能夠處理更復雜的任務了，哪些公司的模型最有優(yōu)勢，能為投資帶來超額回報。

這就像是王者開局的“打野”階段，沒人會將注意力放在開團上。但是，隨著技術的逐漸成熟，業(yè)界的關注點會逐漸從技術本身轉向技術的應用，大家開始思考如何將 AI 技術與實際的應用場景相結合，如何利用 AI 來解決實際的問題。畢竟，到目前為止我們還是人類社會，一項技術必須要有用，要爭奪“人類”市場，才能真正獲得回報。這就進入了“推塔”階段，目標變成了如何將技術優(yōu)勢轉化為實際的生產(chǎn)力。

當前 AI 領域的情況正是如此。一方面，我們看到 AI 技術本身的發(fā)展似乎有所放緩，大模型參數(shù)的增長速度、算力的提升都面臨瓶頸。過去那種“每隔幾個月就有一個重大突破”的景象似乎難以再現(xiàn)。但是另一方面，更穩(wěn)定的模型參數(shù)和持續(xù)下降的價格，能吸引更多的開發(fā)者和企業(yè)將 AI 引入到自己的應用之中。

這對于普通人和非 AI 企業(yè)來說，是一件好事，畢竟普通用戶每天在用的不是 AI 的模型，甚至連 API 都不是，而是使用了 API 的應用產(chǎn)品。

而當技術的發(fā)展不再是唯一的核心命題，當“大力出奇跡”不再是性價比最高的選擇，整個行業(yè)的目光自然會轉向應用的探索。這時候，才是 AI 真正與各行各業(yè)深度融合的開始，才是 AI 應用百花齊放的時代。

我在《》中曾經(jīng)給小白用戶科普過，AI 在實際應用中的能力等于模型能力和非 AI 的工程能力相加。但在應用過程中，模型的變動，甚至是“進化”經(jīng)常會影響工程的構建。

你千辛萬苦搭建了一個 AI 應用/工作流，可能會被一次模型的更新全部摧毀，這是普通用戶難以理解，但實際可能出現(xiàn)的事情。

這也是為什么，在開發(fā)者圈子里，Anthropic 年中上線的 Claude 3.5 系列模型和 Google 為了對抗 OpenAI 在 12 月發(fā)的一系列 Gemini 2.0 系列模型反而更讓業(yè)界的人更興奮。因為這兩個公司的產(chǎn)品沒什么特別大的突破，也不搞什么花活，就是在已知的道路上繼續(xù)做到量大（上下文）管飽（價格）。

更何況，在生產(chǎn)力經(jīng)驗那篇文章中，我提過另一個關鍵問題：大部分人和企業(yè)對當前能力水平的 AI 還挖掘不足，因為他們在工程化的方向上能力為零，以至于“現(xiàn)在的 AI 也就這樣”。但實際上，他們低估了現(xiàn)在 AI 的能力，并且錯誤的預期了更好的 AI 能力能讓他們覺得不可能的那些事情變可能（比如一周編個淘寶）。

這種認知的錯誤，讓大眾誤以為 Scaling Law 撞墻會終結這次 AI 革命給社會的影響，但實際上恰恰相反。許多人覺得 AI 的潛力已經(jīng)到頭了，是因為他們的數(shù)字素養(yǎng)還不足以充分利用現(xiàn)有的 AI 工具。換句話說，這是連手頭的“鐵鍬”還沒用明白呢，就已經(jīng)在擔憂“金礦”挖空了。

我們可以用一個不那么恰當，但很形象的例子來說明這個問題：

有人可能以為，在互聯(lián)網(wǎng)時代，技術在實驗室層面的革命會更快的推送到市場，但現(xiàn)實是并不一定。比如，如果你最近在中國的大江南北體驗過移動支付，應該會發(fā)現(xiàn)微信支付和支付寶正在進行新一輪的鏖戰(zhàn)。

前者推出了掌紋支付，你只要綁定一次你的手掌，以后即便是在沒有手機的情況下也可以用微信支付。掌紋識別是一項新的技術嗎？嘿，這可真是撞我槍口了。2013 年剛畢業(yè)的我，在一家 FA 工作，當時對接的一個叫 PalmVisa 的初創(chuàng)公司就是做掌紋識別的。按照當時創(chuàng)始人的說法，掌紋識別在當時就達到了金融支付憑證等級的安全性，而且它還沒有指紋、虹膜泄露的問題。

但在這之后的 10 年里，掌紋識別這項技術幾乎消失在商業(yè)領域，而微信之所以將它撿起來。是因為它的對家支付寶開始推碰一碰付款，也就是 NFC 支付。NFC 這項技術熟悉的人就更多了，媒體上一次討論“互聯(lián)網(wǎng)與現(xiàn)實世界的超鏈接應該是 NFC 還是二維碼”這個選題的時候還是 2012 年。

你看，在“金融支付”這么大的一個市場，掌紋識別和 NFC 這兩種在技術上完全可行的方案，都要十年才能推動。這說明什么？說明應用領域要逼近技術的“天花板”需要時間和契機。

實際上，這樣的例子屢見不鮮。

另一個比較典型的例子是，中小微企業(yè)的數(shù)字化。

在 2015 年，你很難相信隨便一個餐館都會做自己的獨立 App，但到了 2018 年，微信小程序如火如荼，隨便一個路邊攤都有自己的小程序，點餐、支付、會員、營銷，一應俱全。

這并不是因為 2018 年的 App 開發(fā)技術比 2015 年有了質的飛躍。恰恰相反，是因為微信（和美團）這個超級平臺已經(jīng)形成，它為開發(fā)者提供了足夠的基礎設施、穩(wěn)定的技術棧（不怎么更新的過時技術）和用戶流量，使得開發(fā)小程序的成本足夠低，收益足夠高。

幾乎所有做開發(fā)的人都會吐槽小程序，但實際上正是小程序在技術上的落后保障了它的普及性。畢竟，時至今日其實 Android 手機也沒有解決系統(tǒng)碎片化的問題，大量的用戶仍然使用著 5 年前的 Android 10 系統(tǒng)。iOS 方面稍微好一點，但也沒好到哪去。這意味著，對于主業(yè)不是做互聯(lián)網(wǎng)產(chǎn)品的其他行業(yè)來說，如果需要在給用戶一個數(shù)字化的入口，獨立客戶端都無論如何都不是一個性價比高的選擇。

基本上，只有平臺型企業(yè)形成穩(wěn)定的寡頭壟斷之后，才能為海量的微小企業(yè)和非 IT 相關行業(yè)提供穩(wěn)定成長的土壤。想必很多今年做出海的也都意識到了，一些諸如支付網(wǎng)關、電商、社交網(wǎng)絡、云、原生小程序（PWA）這樣的基礎設施型工具必然與平臺型互聯(lián)網(wǎng)公司彌密不可分。

平臺型產(chǎn)品孕育生態(tài)，而平臺型產(chǎn)品誕生于平臺期。

比個體數(shù)字素養(yǎng)增長更慢的，是組織的企業(yè)素養(yǎng)。即便是在極度內(nèi)卷的中國職場上，一家企業(yè)也不可能只招 30 歲以下的人，尤其是對于非 IT 行業(yè)的企業(yè)來說更是如此——許多傳統(tǒng)行業(yè)的老板本身就不是年輕人，對非核心生產(chǎn)部分的技術并不敏感。

這就造成了，當京東和元氣森林等一些新型企業(yè)在試圖落地“無人工廠”這樣的先進技術時，中國絕大多數(shù)的中小規(guī)模以下工廠還在用 Excel（甚至是盜版）進行生產(chǎn)計劃安排、庫存管理以及排產(chǎn)調(diào)度等基礎工作，顯得頗為原始。

AI 什么時候能影響到這些工廠呢？我覺得可能至少要等他們把 Excel 換成正經(jīng)的 ERP 系統(tǒng)，或者正經(jīng)的 MES（制造執(zhí)行系統(tǒng)）才行吧？

而老板和企業(yè)都是趨利的，想讓一個組織進行非核心技術的迭代，要讓他們看到足夠的好處或收益。這里的核心技術是指與他們生產(chǎn)直接相關的技術，比如對可口可樂來說，配方就是核心技術，而生產(chǎn)線的自動化設備或者供應鏈管理系統(tǒng)則是支撐配方實現(xiàn)的非核心技術。

顯然，對于非互聯(lián)網(wǎng)企業(yè)來說，一個光禿禿的 AI 模型無論多聰明都帶不來好處——很多人將 OpenAI 已經(jīng)發(fā)布但上尚不可用的 o3 稱為“博士級模型”，但你可以去找個今年畢業(yè)的博士問問他們工作好不好找。

實際上，我們現(xiàn)實中的大部分工作并不需要博士級的智能，只需要高中級甚至是初中級。

我今年聽到的最好笑的證明 AI 不行的例子，就是很多人發(fā)現(xiàn) GPT-4o 認為 4.11 比 4.8 大。但我想大家如果經(jīng)常刷社交網(wǎng)絡也都知道，這個世界上確實有很多真人也搞不定 10 以內(nèi)加減法的，但這并不影響他們在工作崗位上發(fā)光發(fā)熱，尤其是在歐美國家。

之前和一些機構型媒體的朋友交流，他們中的許多人認為當前 AI 對傳媒業(yè)的影響不大，但同時他們又十分害怕未來 GPT-5 或其他公司的新模型如傳聞中的那樣顛覆他們的工作。然而，這是典型的錯誤認知帶來的錯誤焦慮。

實際上，我之前分享過一個大致的流程。以現(xiàn)階段 AI 的水平，它已經(jīng)可以完全替代記者編輯，全自動完整撰寫帶有真實采訪的人物特寫稿件。

之所以這件事沒有成為“現(xiàn)實”，或者說，大部分媒體朋友之所以感覺當下的 AI 對傳媒業(yè)影響不大，并非是因為 AI 模型能力不行，而是因為這件事目前的價格優(yōu)勢沒有大到有人愿意將這個 Workflow 完整的工程化出來做成產(chǎn)品。

如果這樣帶有真實采訪的稿件生成器，可以將每篇萬字長稿的生成成本降到 300 元以內(nèi)，那么想必它立刻就會出現(xiàn)，甚至會迅速在自媒體平臺上泛濫。

但這和模型能力的進一步提升關系不大，反而是需要 AI 廠商放一放對能力的執(zhí)念，轉而卷一卷價格。

甚至連大部分成熟的 IT 和互聯(lián)網(wǎng)企業(yè)在接入 AI 這件事上也正處在一種“等待”的狀態(tài)，正如我在《》提到的：對于大多數(shù)我們現(xiàn)在已經(jīng)熟知的，熟悉的產(chǎn)品來說，AI 并不能成為決定性的用戶需求。用戶并不可能因為一個 AI 功能而放棄那些在傳統(tǒng)功能和網(wǎng)絡效應上有極大優(yōu)勢的產(chǎn)品。

那么，反過來說，那些看起來笨重的老牌互聯(lián)網(wǎng)企業(yè)，也就有更多的時間進行轉型。他們有足夠的時間等待 AI 更加穩(wěn)定，無論是在輸出的內(nèi)容上、性能上、安全性上、價格上等等，而不是每月要發(fā)一個新版本來適應 AI 進步的速度。用一個最簡單的道理來說明：

如果你是一個擁有自建 IDC 的傳統(tǒng)互聯(lián)網(wǎng)大廠，現(xiàn)在想引入一款開源模型來實現(xiàn)產(chǎn)品中的某個 AI 功能。現(xiàn)在開源模型的推理成本每個月季度降 30%，這看起來是一件好事，但這意味著你在服務同樣用戶量的情況下，第一個季度買的 1 萬張顯卡，第二個季度就只需要 7000 張顯卡。那么，你第二個月閑下來的 3000 張顯卡做什么？

明智的選擇，當然是讓用戶忍一忍，或選個已經(jīng)停滯的模型，淺嘗輒止的先糊弄一下。因為你知道，AI 底層的進化速度根本不可能持續(xù)，等它撞墻了你功能再給它搭配套應用也不遲。

當 AI 技術的發(fā)展進入一個相對穩(wěn)定的階段，當大模型的能力不再是稀缺資源，當 AI 基礎設施逐漸完善，我們會看到企業(yè)和資本會將更多的注意力轉入讓 AI 進入應用領域，與越來越多人工作和生活中的具體場景結合。它會在一些場景成功，而在另一些場景失敗，而這些都和撞墻或沒撞墻的 Scaling Law 沒有關系。

因為大多數(shù)人、企業(yè)、組織，甚至連 GPT-3.5 級別的人工智能都還沒能完美的嵌合到現(xiàn)有的工作流中。那么著急的唱衰 AI 或擅自期待 GPT-5 又有什么用呢？

所以，除非你是做基礎大模型的，否則別再糾結 Scaling Law 是不是失效了，也別再抱怨 AI 的發(fā)展速度變慢了。

對于大多數(shù)人來說的 AI 變革才剛剛開始。

本文首發(fā)于我的個人博客，有 RSS 或 Newsletter 訂閱習慣的朋友可以點擊閱讀原文訂閱。