AI 的叙事已经达到了一个关键的拐点。DeepSeek 的突破——在不依赖最先进的芯片的情况下实现最先进的性能——证明了 NeurIPS 上的许多人在 12 月已经宣布的那样：AI 的未来不是为问题投入更多计算，而是重新构想这些系统如何与人类和我们的环境一起工作。
作为一名在斯坦福大学受过教育的计算机科学家，我见证了 AI 发展的前景和危险，我认为这一刻比 ChatGPT 的首次亮相更具变革性。我们正在进入一些人所说的“推理复兴”。OpenAI 的 o1、DeepSeek 的 R1 和其他产品正在超越蛮力扩展，转向更智能的东西——并且以前所未有的效率做到这一点。
为什么私有计算应成为 AI 战略的一部分 - AI Impact Tour 2024，这种转变再及时不过了。在他的 NeurIPS 主题演讲中，前 OpenAI 首席科学家 Ilya Sutskever 宣称“预训练将结束”，因为虽然计算能力在增长，但我们受到有限互联网数据的限制。DeepSeek 的突破验证了这一观点——这家中国公司的研究人员以一小部分成本实现了与 OpenAI 的 o1 相当的性能，这表明创新不仅仅是原始计算能力，才是前进的道路。
无需大量预训练的高级 AI
世界模型正在加紧填补这一空白。World Labs 最近筹集了 2.3 亿美元，用于构建能够像人类一样理解现实的 AI 系统，这与 DeepSeek 的方法相似，他们的 R1 模型展示了“顿悟”时刻——像人类一样停下来重新评估问题。这些系统受到人类认知过程的启发，有望改变从环境建模到人机 AI 交互的一切。
我们看到了早期的胜利：Meta 最近对其 Ray-Ban 智能眼镜的更新实现了与 AI 助手的持续上下文对话，无需唤醒词，以及实时翻译。这不仅仅是一项功能更新——它是 AI 如何在不需要大量预训练模型的情况下增强人类能力的预览。
然而，这种演变也带来了微妙的挑战。虽然 DeepSeek 通过创新的训练技术大大降低了成本，但这种效率突破可能会自相矛盾地导致整体资源消耗增加——这种现象被称为杰文斯悖论，其中技术效率的提高往往会导致资源使用增加而不是减少。
在 AI 的案例中，更便宜的训练可能意味着更多的组织训练更多的模型，这可能会增加净能耗。但 DeepSeek 的创新不同：通过证明无需尖端硬件即可获得最先进的性能，他们不仅提高了 AI 的效率，而且从根本上改变了我们进行模型开发的方式。
这种向智能架构而不是原始计算能力的转变可以帮助我们摆脱 Jevons 悖论陷阱，因为重点从“我们能负担得起多少计算”转移到“我们能以多智能的方式设计我们的系统”。正如加州大学洛杉矶分校教授 Guy Van Den Broeck 所指出的那样，“语言模型推理的总体成本肯定不会下降。这些系统对环境的影响仍然很大，推动行业转向更高效的解决方案——这正是 DeepSeek 所代表的创新类型。
优先考虑高效的架构
这种转变需要新的方法。DeepSeek 的成功验证了这样一个事实，即未来不是构建更大的模型，而是构建更智能、更高效的模型，这些模型与人类智能和环境限制相协调。
Meta 的首席人工智能科学家 Yann LeCun 设想，未来的系统会像人类一样花费数天或数周的时间思考复杂的问题。DeepSeek 的 R1 模型具有暂停和重新考虑方法的能力，代表了朝着这一愿景迈出的一步。虽然这种方法需要大量资源，但可能会在气候变化解决方案、医疗保健创新等方面取得突破。但正如卡内基梅隆大学的 Ameet Talwalkar 明智地警告的那样，我们必须质疑任何声称这些技术将引领我们走向何方的人。
对于企业领导者来说，这种转变代表了一条明确的前进道路。我们需要优先考虑高效的架构。一个可以：
· 部署专用 AI 代理链，而不是单个大型模型。
· 投资于针对性能和环境影响进行优化的系统。
· 构建支持迭代式人机协同开发的基础设施。
让我兴奋的是：DeepSeek 的突破证明，我们正在越过“越大越好”的时代，进入更有趣的时代。随着预培训达到极限，创新公司寻找新的方法，以更少的资源实现更多的目标，这个令人难以置信的空间为创造性的解决方案打开了大门。
由更小的专业代理组成的智能链不仅效率更高，而且将帮助我们以前所未有的方式解决问题。对于愿意以不同方式思考的初创公司和企业来说，现在是我们再次享受 AI 乐趣的时刻，构建对人类和地球真正有意义的东西。
Kiara Nirghin 是斯坦福大学屡获殊荣的技术专家、畅销书作家和 Chima 的联合创始人。