这并不能证明每一家科技巨头都知道自己走错了方向。所谓“推理”的东西可能有用，但它并不能证明真正的理解或通用智能。这个细微差别很重要，因为今天被宣传为接近通用人工智能（AGI）的东西，实际上只是对一种范式的完善。大型科技公司仍在向基础设施、数据中心和芯片投入巨额资金，仿佛规模化是通往通用心智的必由之路。然而，如果真正的进步继续来自压缩和优化，而不是蛮力，那么这笔投资中越来越大的部分就有可能变得过大。但这确实揭示了一些令人不安的事情：即使在科学精英中，也存在严重的怀疑，即主流路径是通向AGI，还是仅仅通向有用、令人印象深刻且可商业化的系统的完善。然而，竞赛仍然集中在同一个方向上。大型语言模型（LLM）并非强意义上的智能；它是一个统计系统，经过训练以非凡的效率将输入映射到输出。同一项研究报告称，推理成本已大幅下降，而小得多的模型也能达到以前需要庞大系统才能达到的阈值。主流轨迹并未显示出AGI的诞生；它显示出的是越来越紧凑、廉价和高效的LLM。而这就是泡沫的金融核心。问题在于，赌注的规模被合理化，仿佛它正在资助AGI的诞生，而证据却指向同一范式的工业完善。这就是为什么这个泡沫最终会破裂。并非因为它被证明是正确的路径，而是因为它是最可见的路径，并且最能支持科技巨头之间的竞争叙事。一个LLM可以写作、总结、翻译和编程。斯坦福大学的一项研究表明，前沿模型仍在不断改进，但该领域也正变得更加趋同：整个行业都在完善同一条跑道。这种差距是由一种扭曲的逻辑所滋养的：大笔资金被投入到LLM中，因为它们产生了公众和投资者希望看到的可见成果，即使这并不意味着向AGI的真正进步。进步确实存在，但它越来越像是增量优化，而非能够产生通用心智的概念性突破。从效率的角度看，这个悖论就变得清晰了。但这种承诺建立在一种混淆之上。一个LLM甚至可以模拟推理。本十年伟大的技术承诺是AGI：一种能够理解世界、进行推理并以人类般的灵活性行事的通用人工智能。其立场很明确：这些模型不像一个真正的通用系统那样理解世界，需要不同的架构，更接近“世界模型”，而不仅仅是文本预测器。市场想看的并不总是需要被发现的东西。当这种差异变得无法掩盖时，就会暴露出大部分热情都建立在一种幻觉之上：将商业性能与科学进步混为一谈。作者是数据分析师。但模拟它并不等于拥有它。不是因为AI是假的或没用的，而是因为它被估值的方式仿佛我们正在构建一个心智，而实际上我们只是在完善一个数学函数。数据中心并不会变得无用。扬·勒琼（Yann LeCun）——Meta的AI负责人、图灵奖得主以及该领域最具影响力的人物之一——曾主张，LLM不足以达到人类水平的推理和自主性。即使OpenAI在GPT-5.4中谈论“推理”，并解释这些模型在回答之前会使用更多的内部计算，但这并不会改变其本质：它仍然是一个被美化的数学函数。
