70年AI研究得出了《苦涩的教训》：为什么说AI创业也在重复其中的错误？

人人都在做垂直 AI 产品，为什么要反其道而行？

原标题：70年AI研究得出了《苦涩的教训》：为什么说AI创业也在重复其中的错误？
文章来源：机器之心
内容字数：7911字

AI 创业的“苦涩教训”: 垂直化浪潮下的反思

当前AI创业领域流行垂直化，但本文作者Lukas Petersson基于Rich Sutton的“苦涩的教训”和近期观察，认为这种做法可能重蹈AI研究领域的覆辙，最终被更强大的通用AI模型所超越。

1. “苦涩的教训”重现：算力为王

文章的核心观点源于Rich Sutton在2019年提出的“苦涩的教训”：70年的AI研究史表明，依赖纯粹算力的通用方法最终总是胜出。从语音识别到计算机视觉，精巧的工程设计屡屡败于简单粗暴的“加大算力”方案。如今，AI创业者们似乎正在重蹈覆辙，过度关注垂直领域的精细化工程，而忽视了更强大模型的潜在颠覆性力量。

2. 垂直化AI产品的局限性

大多数AI创业项目都专注于解决特定领域内的简单问题，通过软件工程对AI模型进行约束和限制。这虽然能在当前模型能力有限的情况下提升产品性能，但随着更强大模型的出现，这些工程优化将迅速贬值。例如，OpenAI的o1模型的发布就降低了提示词工程的重要性。

3. 模型升级 vs. 工程升级

提升AI产品性能有两条路径：模型升级和工程升级。文章指出，随着模型性能的提升，工程升级的价值递减。当前的工程优化只是因为模型不够完善的权宜之计，未来更强大的模型将使得许多工程努力变得多余。

4. AI产品分类及未来趋势

文章将AI产品分为两类：垂直型（专注特定领域）和水平型（更通用），以及工作流（按预设路径运行）和智能体（自主决策）两类。作者认为，虽然当前垂直化工作流产品更易实现，但长期来看，更强大的水平型智能体将占据主导地位，因为它们能更灵活地处理复杂问题。

5. 统计学视角下的“苦涩教训”

从统计学角度来看，“苦涩的教训”意味着选择灵活的模型（高方差）胜过选择规则死板的模型（高偏差）。因为只要有足够的算力和数据，灵活的模型最终会变得稳定可靠，而死板的模型则受限于其固有的规则。

6. 拥抱通用性，而非过度垂直化

文章总结道，过度依赖软件工程来弥补当前AI模型不足的做法是不可持续的。AI创业者应该关注更强大的通用模型，并构建能够充分利用这些模型能力的产品。与其在垂直领域投入大量工程资源，不如等待更强大的模型出现，从而以更低的成本实现更高的效率和更强的竞争力。 这需要AI创业者们从长远视角出发，拥抱通用性，而非执着于暂时的垂直化优势。

联系作者

文章来源：机器之心
作者微信：
作者简介：专业的人工智能媒体和产业服务平台