核心内容总结
这篇文章围绕AI的现状、瓶颈、发展方向和行业叙事变化展开：当前AI本质是高级统计模型，替代客服等工作效果有限，但在药物设计等领域效率提升明显；数据池枯竭是关键瓶颈，需通过高质量数据过滤、合成数据（如AI“蒸馏”）解决；AI在数学编程等结构化领域进步快，社会科学、物理世界等领域较弱；行业叙事从“超人工智能”转向“AI Agent”（替代白领工作），但AI要成为变革性技术，需突破“改良”局限，拿出“从未见过的东西”，否则新增价值有限。
一、AI不是“真智能”，更像“高级复读机”
保守派认为，现在的AI本质是“高级统计模型”——就像一个背了海量文本、图片的复读机，靠统计规律猜答案，所以难免出错（比如答非所问、编造事实），必须人工审核。它的强项集中在语言、图像、代码这三个“数字领域”，但离人类的“思考过程”还差得远：比如LLM（大语言模型）更像“文本拼接器”，要完成复杂任务得写很长的提示词，纠正错误也很麻烦。
最典型的例子是客服：曾被认为最容易被AI替代，但实际效果拉胯——用户一发现是机器人，就喊“转人工”。企业HR也明确说：AI没法真正替代客服，因为它不懂“人情世故”（比如用户的情绪、复杂需求）。
二、AI的“粮食危机”：数据快被吃完了
AI训练就像人吃饭，需要海量数据“喂饱”。但现在互联网上的“天然数据”（比如网页、帖子）快被挖空了，很多公司开始用AI自己生成的数据“二次训练”——这就像“近亲繁殖”，会让AI的“智商”停滞（比如重复错误、逻辑混乱）。
怎么解决？一是“挑好粮”：只选高质量数据（比如出版书籍、论文、高质量论坛内容），过滤掉垃圾信息；二是“造新粮”：用AI生成“合成数据”，最常用的是“蒸馏技术”——让一个厉害的“老师AI”生成数据、推理结果，再训练一个更小、更高效的“学生AI”（比如ChatGPT的小模型就是这么来的）。但瓶颈在于：“老师AI”自己的水平得先提升，否则学生也学不到新东西。
三、AI的“偏科”：结构化领域强，软领域弱
AI的进步不是全面的，而是“偏科生”：
- 强项：结构化领域（数学、编程、逻辑）。这些领域有明确的规则和标准答案，AI能自我验证（比如用编译器检查代码对错），就像AlphaGo——不用学太多人类棋谱，自己跟自己下几百万次就能变厉害。未来这些领域AI进步最快。
- 弱项：软领域（社会科学、公共政策、商业战略）。这些领域没有标准答案，需要理解人性、复杂场景，AI搞不定；另外，物理世界（比如机器人走路、做家务）进步也慢，因为物理数据的获取和验证成本太高（比如机器人摔一次要修半天）。
四、行业叙事“急转弯”：从“超AI”到“AI Agent”
前两年，OpenAI等公司还在吹“超人工智能”（比人类聪明）、“通用人工智能”（啥都会），但现在这些说法变少了——说明行业信心不足。取而代之的是“AI Agent”：让AI替你完成具体工作（比如写报告、整理数据、安排日程），瞄准的是全球每年十几万亿美元的白领工资（比之前的设计/影视行业3000亿市场大得多）。
这本质是把低端白领工作类比成工厂里的“机械臂”（比如黑灯工厂里的自动化设备），试图用AI替代。能不能成？这是AI现在落地的关键——如果能替代大量白领，AI的价值才会真正爆发。
五、AI要成“变革性技术”，得拿出“新东西”
美国政府和科技公司把AI吹成“变革性技术”（像电、互联网那样改变世界），但历史上的变革性技术都不是“改良”（比如提升10%效率），而是拿出“从未见过的东西”（比如电带来了电灯、电话）。
现在的AI（聊天机器人、图片生成器）还不够：就算吃掉设计/影视3000亿市场，新增价值也有限。如果AI不能突破这个局限，等新鲜感过去，押宝AI的各方（政府、大厂）都会面临风险——毕竟大家期待的是“改变世界”，不是“更聪明的复读机”。
这篇文章的核心观点是：AI有潜力，但现在还没到“颠覆一切”的阶段，瓶颈（数据、真实世界理解）和叙事变化（从理想回到现实）都说明，AI的落地之路还很长。