人工智能在过去两年中一直是科技界的宠儿,吸引了数十亿美元的资金投入。然而,随着 2025 年的到来,一些专家认为这可能是"AI 泡沫"破裂的一年。
这并非专家们首次发出这样的预警。正如我在 Forbes 的一篇文章中提到的,百度 CEO 李彦宏曾表示:"人们会因为技术无法满足最初兴奋时产生的高期望而感到失望",并且"当 AI 热潮褪去时,只有约 1% 的公司能够存活下来。"
不过这一次,预测既有好消息也有坏消息。来自 Oxylabs 的 AI/ML 顾问委员会的专家们 —— 包括 Adi Andrei、Ali Chaudhry 和 Oxylabs CEO Julius Cerniauskas —— 预测 2025 年 AI 热情将减退,审查将加强,但同时 AI 领域也将出现令人兴奋的进展。
AI 收益递减法则
尽管生成式 AI 和大语言模型备受关注,但 Andrei、Chaudhry 和 Cerniauskas 三人警告说,该技术可能无法实现许多人之前期待的规模化成果。伦敦大学学院研究员、ResearchPal 创始人 Chaudhry 认为 AI 正面临收益递减。
他在新闻稿中表示:"扩展法则正显示出其局限性。一些 AI 实验室已经暗示,扩大模型规模和训练数据并不会带来像过去那样的突破。"
Chaudhry 还预测,针对 AI 社会影响的监管将更加严格,特别是对生成式 AI。他说:"2025 年将是 AI 安全的关键一年",并补充说"我们将看到技术和政策层面的努力来降低其风险。"
同时,Cerniauskas 指出,讨论正在转向负责任和可持续的 AI 实践。他说:"支撑 AI 发展的服务器给环境带来压力,人们也越来越关注 AI 运作的透明度。AI 公司必须解决这些挑战才能维持公众信任。"
Technosophics 的联合创始人兼 AI/ML 专家 Andrei 在预测中更为大胆,指出生成式 AI 泡沫即将破裂。Andrei 解释说:"在没有明确投资回报的情况下,注入生成式 AI 的资金推高了不可持续的期望。"
他引用了美国亿万富翁、C3.ai 创始人兼 CEO Tom Siebel 的话来说明硅谷许多 CEO 和专家的观点,Siebel 曾说"市场正在高估 AI"且"绝对存在泡沫"。Andrei 还指出专业人士和公众对生成式 AI 的抵制日益增长,这可能进一步消减炒作。
他总结道:"来自不同行业的普通人,如作家、艺术家、计算机科学家、工程师和哲学家,都在反对生成式 AI 范式方面找到了共同点。这提高了公众对技术带来的不可调和问题的认识,以及这项技术正被亿万富翁及其组织强加给人们的事实。"
更多 AI 监管
尽管 Oxylabs 的预测为 AI 蒙上了阴影,但公司们并未停止采用这项技术。这种加速的 AI 采用是推动更多监管的主要动力,特别是随着对偏见、隐私和虚假信息的担忧持续增长。
Cerniauskas 指出:"AI 发展的速度已经超过了我们充分理解其影响的能力。2025 年将是 AI 安全成为政府和组织关注焦点的一年。"欧盟的 AI 法案作为世界首个全面的 AI 立法,为许多政府制定 AI 监管框架提供了法律基础。
绿色 AI 是另一个日益增长的趋势,它优先考虑节能计算。随着 AI 模型需要大量计算和能源资源,减少其环境足迹现在已成为伦理必需。
AI 领域的好消息
虽然计算能力、投资回报和偏见等挑战仍然存在,但 Chaudhry 表示,多模态模型将在 2025 年成为焦点,特别是能够生成更长、更真实视频的文本转视频模型。他指出:"我们将看到这些模型在遵循物理法则方面取得显著进步,提高其质量和适用性。"
另一个有前途的领域是自动机器学习,根据 Cerniauskas 的说法,它可能让普通人也能使用机器学习和 AI。"通过 AutoML,各行各业的专业人士都可以创建适合其需求的 AI 工具。这有可能加速 AI 的采用并开启新的可能性。"
毫无疑问,AI 系统和应用确实具有实用价值。但 2025 年围绕 AI 的更大讨论可能将由平衡定义 —— 在不过度夸大其承诺的同时,安全地发挥 AI 的最大效用。
好文章,需要你的鼓励
英特尔携手戴尔以及零克云,通过打造“工作站-AI PC-云端”的协同生态,大幅缩短AI部署流程,助力企业快速实现从想法验证到规模化落地。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。