生成式人工智能：概述
生成式人工智能是指能够根据输入数据创造新内容的算法，例如文本、图像和音乐。尽管它获得了巨大的普及和投资，但由于其低效和资源消耗，越来越被视为一场工程灾难。
生成式人工智能系统的低效率
核心主张是生成式人工智能代表了一种令人震惊的资源低效使用。这些系统需要大量的数据和计算能力，往往导致可观的环境和经济成本。例如，训练一个大型模型的能量消耗可能与几个家庭一年的用电量相当，这引发了对可持续性的质疑。
资源消耗
生成式人工智能模型通常建立在需要大量数据和处理能力的架构上。这导致：
- 高能耗：训练和维护这些模型可能导致的碳足迹可与小国家相媲美。
- 成本增加：这些模型的云计算和基础设施的财务负担往往高达数百万甚至数十亿美元。
- 可及性有限：较小的公司和研究人员可能发现越来越难以获得开发竞争性生成式人工智能解决方案所需的资源。
万亿美元投资困境
生成式人工智能吸引了数万亿的投资，但回报却值得怀疑。这项技术尚未显示出能够证明如此庞大资金的持续、实用应用。这引发了对生成式人工智能投资环境长期可行性的担忧。
可疑的回报
许多在生成式人工智能范畴内资助的项目未能交付显著成果。这加强了以下论点：
- 投资者可能在追逐炒作而非实际成果，导致可能会破裂的泡沫。
- 专注于生成式人工智能的公司可能忽视其他能够带来更可靠回报的创新技术。
- 利益相关者的失望潜力可能导致资金的大幅撤回，抑制未来的创新。
常见误解
围绕生成式人工智能的几个误解使其被错误地描述为一项革命性技术：
- 生成式人工智能总是创新：虽然它可以产生新颖的内容，但它生成的许多内容是衍生的，重度依赖现有数据集。
- 它是普遍适用的：并非每个行业或应用都能从生成式人工智能中受益，因为其效率和有效性可能差异很大。
- 生成式人工智能减少人类劳动：在许多情况下，它需要大量的人类监督和干预以确保质量和相关性。
生成式人工智能的未来：批判性视角
尽管生成式人工智能有潜力改变行业，但其当前的发展轨迹令人担忧。重点应该从对生成模型的单纯投资转向开发更高效、可持续和实用的人工智能解决方案。围绕生成式人工智能的工程灾难叙事作为警示故事，促使利益相关者批判性地评估该技术的可行性。
重新定义成功指标
为了向前发展，行业必须重新定义生成式人工智能的成功标准。这包括：
- 专注于提供实际利益的应用，而非理论能力。
- 投资于能够最小化人工智能开发环境影响的节能技术。
- 鼓励学术界和产业之间的合作，以促进创新而不过度消耗资源。
结论
生成式人工智能虽然充满希望，但却是一场以低效和可疑投资回报为特征的工程灾难。对其在技术中角色的批判性重新评估是必要的，以确保未来的进步是可持续和有益的。