最近一段巴菲特去年接受采访的资料被公布，当时他提及了对AI技术的忧虑。他说：他还表示，即便是最聪明、最懂这项技术的人，也承认他们不知道它会走向哪里。而这种不确定性正是他老人家所担忧。无独有偶，最近迈克尔·伯里再次借用巴菲特的话，点出AI赛道的泡沫。

　　巴菲特的观点显然已经跳出了单纯股市投资的范畴，是以更加宏观的视角在看待AI技术革命后，人类世界将会面对怎样的风险。

　　鉴于股神长年累月所积攒下的“风险控制”和独到眼光的美Kaiyun誉，我们应该重视这些Kaiyun论点，甚至不妨将其看做是巴菲特的某种预言或者警告。

　　因提前洞察美国次贷泡沫，在电影《大空头》中被深入刻画，从而成名的著名投资人迈克尔·伯里一向对AI泡沫颇为警觉。

　　他引用巴菲特当年复盘他早年并不成功地投资过美国巴尔的摩一家百货商店时说过的例子。

　　当时那家百货商店跟着街对面的竞争对手一样投入巨额资金安装自动扶梯，最后两家百货公司都没有因为自动扶梯而增长业绩，相反还都要背负上额外的成本支出。因为整个价值链并未有实质的提升，只是让本来就要来购物的消费者体验感增强了。

　　迈克尔·伯里认为，科技公司巨额的人工智能投入未必能为它们整个供应链带来价值增长，对算力中心的数万亿美元的资本支出没有明确的实体经济利用路径，这令人担忧。

　　当然他最“看空”的依然是以英伟达为首的AI芯片供应商，认为这些公司高耗能、高价格重资产型的产品是落后的方案，科技公司应该更关注那些细分的“小”语言模型和用于特定用途的定制化专用集成电路（ASIC）。这样才符合利益最大化的目标。

　　巴菲特的危险预言和伯里的担忧警报，两件事交织在一起，其实就点出了人工智能赛道所面临的巨大风险：一是来自治理方面的问题，人类社会是否会因为忌惮AI的危险而主动降速或者抑制AI技术的野蛮发展？二是来自行业性的泡沫，科技巨头那么多钱投下去建算力中心，搞更先进的大模型，能否真正创造价值？

　　在盲目操作跟进那些涨势很高的芯片股、AI股等热门概念之前，投资者应该深刻研究上述这两个问题。

　　图灵在20世纪50年代对智能机器（Thinking Machine）的预言为人工智能（Artificial Intelligence）后来的发展奠定了哲学基础。20世纪80年代和21世纪初，神经网络学科的先驱为生成式模型铺平了道路。

　　接着，2010年代深度学习的蓬勃发展推动了自然语言处理（NLP）、图像和文本生成以及通过图像分割进行医学诊断等领域的重大进步，从而扩展了人工智能的多模态能力。

　　这些进步最终促成了当前的人工智能技术飞跃，AI似乎无所不能，但又将引领我们走向何方呢？

　　有一点是肯定的，AI技术正在以超出想象的速度发展。这不是我个人的论断，而是来自AI领域的重要话事人之一马斯克的观点。

　　在最近一档深度访谈节目中，他提到：今年通用人工智能（AGI）就会实现。而到2030年，人工智能将超过所有人类智能的总和。届时，配备了超高AI计算能力的人形机器人甚至可以完成类似精密外科手术这样的工作，甚至超过人类医生水平。

　　他预测，当AI发展到一定程度，将能提出人类“甚至无法理解的问题”，并在智力比赛中完胜人类，甚至让人“不知道为何会输”。

　　他的上述论断有两个重要背景参考作为辅助：（1）马斯克旗下公司xAI拥有Grok这个当前性能排在前列的大模型，他本人深知行业内幕；（2）他还通过特斯拉持续投入AI芯片和自有算力中心等硬件研发领域，深刻掌握了整个产业链的动态信息。

　　假设他的话可以被作为重要参考来源，那么我们将很可能看到“AI霸权时代”的来临，主要体现在AI的“智慧霸权”上。

　　很简单的逻辑，一旦这个地球上最聪明的“智能体”不是人类了，会发生什么？更惊悚的是根据马斯克的“乐观估计”，这在未来几年后就可能发生。

　　人工智能何时超越人类智能，从而达到“超级智能”，一直是学术和行业领袖们激烈争论的话题。马斯克的话毕竟只是他的个人观点。

　　比如，一位著名的未来学家和人工智能研究员预测，人工智能将在2029年达到人类智能水平，而人类与人工智能线年到来。

　　在他的预测语境里，这里的“真正融合”指的是人类通过脑机接口和纳米机器人等与人工智能融合，从而增强人类的智能和意识，也就是将AI植入了人体内。

　　综合各方观点，除了数据进步、算法优化、计算能力以及跨学科合作等因素以外，人工智能技术的演化方向也是决定其何时能够真正掌握“智慧霸权”的关键。

　　尤其是相对前几个因素的发展相对更可预测，比如计算能力的提高能够从科技巨头企业每年的资本性支出和数据中心的建设进度较准确探知，AI技术的演化方向不但包含了上述这些领域，且更加充满不确定性。

　　对此，IBM研究部门去年发布了一篇“预测未来十年人工智能发展方向”的报告。

　　该报告指出，随着人工智能的不断发展，一些雄心勃勃的“技术跃进方案”正在涌现，未来AI能否以及何时取得“超级智能”，可能要看包含以下这些技术演化在内的科学进步。

　　首先，“后摩尔计算”的目标是在GPU和TPU接近其物理和实际极限之际，超越传统的冯·诺依曼架构。此外，“光计算”是利用光而非电信号来处理信息，为提高计算效率和可扩展性提供了极具前景的途径。

　　还有就是利用量子比特的独特属性，“量子人工智能”有望突破传统人工智能的局限，解决以往因计算能力限制而无法解决的问题。复杂的材料模拟、庞大的供应链优化以及指数级增长的数据集的实时处理都将成为可能。

　　人工智能发展面临的一大障碍是训练大型模型所需的大量时间、能源和成本。目前的硬件需求已接近传统计算基础设施的极限，因此创新将集中于增强硬件或创建全新的架构。量子计算为人工智能创新提供了一条充满希望的途径，因为它有望大幅减少训练和运行大型人工智能模型所需的时间和资源。

　　另一项重要的算力提升“跃进”是开发“分布式人工智能互联网”，其设想构建一个分布式、去中心化的人工智能基础设施。与依赖庞大数据中心的传统集中式人工智能模型不同，这可在多个设备和位置运行，并在本地处理数据，从而增强隐私并降低延迟。

　　除了上述硬件领域的革新，随着人工智能模型变得日益复杂且数据更加密集，新的计算范式也势在必行。比如，“神经形态计算”的创新，将模拟人脑的神经结构，也是未来算法的重要发展方向。

　　另一个关键的前沿算法实验领域是解决“变换器（Transformer）架构”注意力机制的固有局限性问题。变换器依赖于带有上下文窗口的注意力机制来处理输入数据的相关部分，例如对话中的先前词元。然而，随着上下文窗口扩展到包含更多历史数据，计算复杂度呈平方级增长，导致效率低下且成本高昂。

　　为了克服这一挑战，研究人员正在探索诸如线性化注意力机制或引入更高效的窗口技术等方法，使变换器能够在不增加计算资源的情况下处理更大的上下文窗口。这一进步将使人工智能模型能够更好地理解和整合丰富的历史交互，从而产生更连贯、更符合上下文的响应。

　　“人工智能既有巨大的造福潜力，也有巨大的危害潜力”可能巴菲特的这个论断，是我们普通人理解AI技术前景最好的注释之一吧。掌握了超过人类智慧“霸权”的AI能否为我们所完全掌控，毫无疑问将会是各国监管层和所有人都应该关心的话题。

　　任何在本文出现的信息（包括但不限于个股、评论、预测、图表、指标、理论、任何形式的表述等）均只作为参考，投资人须对任何自主决定的投资行为负责。另，本文中的任何观点、分析及预测不构成对阅读者任何形式的投资建议，亦不对因使用本文内容所引发的直接或间接损失负任何责任。投资有风险，过往业绩不预示未来表现。财经早餐力求文章所载内容及观点客观公正，但不保证其准确性、完整性、及时性等。本文仅代表作者本人观点。返回搜狐，查看更多