编者按：当所有人都在谈论AI的“突破”与“威胁”时，冷静地质疑叙事本身，反而成了一种稀缺能力。
每天醒来，我们都会被新的AI头条包围：某个模型在基准测试中“超越人类”，某家公司宣布“通用人工智能近在眼前”，某位专家警告“AI可能带来人类灭绝级风险”。MIT Technology Review的每日通讯《The Download》在这一期里提出了一个不那么讨喜的判断——这个夏天的AI狂热，也许更多是炒作，而不是现实。
一个被过度包装的夏天
文章援引了分布式人工智能研究所（DAIR）执行主任蒂姆尼特·格布鲁（Timnit Gebru）与华盛顿大学语言学教授艾米莉·本德尔（Emily M. Bender）的观点。这两位并非AI圈外的批评者：格布鲁曾是谷歌伦理AI团队的联合负责人，本德尔则是自然语言处理领域被引用最多的学者之一；两人在2021年合著的论文《随机鹦鹉的危险》至今仍是被讨论最多的批判性AI文本之一。
她们的核心论点在这个夏天显得格外刺耳：大语言模型本质上是基于海量文本的统计模式匹配系统，它能生成流畅的文字，却并不因此理解世界。当行业把这种能力包装成“推理”“理解”乃至“意识”时，公众的期待就被系统性地抬高了。
恐惧与狂喜，是同一枚硬币的两面
值得注意的是，关于AI的两种极端叙事——“它将解决一切”与“它将毁灭一切”——往往出自同一批人、同一套逻辑。当企业一边宣扬模型能力的跃升，一边强调需要“负责任的AI”与“安全监管”时，其效果是双向的：夸大能力有助于融资和估值，夸大风险则有助于把竞争对手挡在监管门槛之外。
“对AI能力的夸大宣传，和对AI风险的神化，通常是同一个故事的两种讲法。”
这正是格布鲁与本德尔反复强调的：把技术神化，无论出于乐观还是恐惧，都会把真正的权力与责任问题掩盖掉——谁在训练数据中获利？谁在自动化决策中受损？谁有权决定系统部署在哪些人身上？
行业背景：资本、算力与叙事的合谋
过去几年，AI叙事与资本周期高度同步。数据中心投资动辄千亿美元，芯片供应成为地缘政治议题，模型参数规模被当作竞争指标。当一个行业需要持续证明自己“正在改变世界”才能维持投入时，叙事本身就成了生产要素。
与此同时，真实的进展并不总是缺席，只是往往比宣传语平淡得多：推理成本下降、多模态感知能力提升、在编程与客服等垂直场景中的可用性提高。这些是可衡量的工程进步，却很难支撑“通用智能即将降临”的宏大剧本。当叙事跑在能力前面，泡沫与误解便同时滋生。
如何分辨真突破与假繁荣
对于从业者和普通读者来说，有几个实用的判断标准：
一看可复现性。真正的能力提升应当能被独立团队在相似条件下复现，而不只是出现在某家公司的演示视频里。
二看具体任务。在封闭基准上刷高分容易，在被陌生环境、噪声数据和边缘案例包围的真实场景中保持稳定才是难题。
三看代价。一个系统能做什么，往往不如它需要多少算力、多少标注数据、多少人工兜底来得重要。
四看谁在说话。宣布“突破”的人的收益，与宣布“灭绝风险”的人的收益，同样值得审视。
结语：怀疑不是反对
对AI炒作保持警惕，并不意味着否认技术进步。格布鲁与本德尔的主张从来不是停止研究，而是要求把技术还原成技术：它由人建造、由人部署、由人决定用途。真正值得追问的，不是“AI会不会取代人类”，而是“当某些人被系统取代时，我们准备做什么”。
这个夏天最稀缺的，或许不是更强的模型，而是一种不被叙事牵着走的判断力。
本文编译自MIT Technology Review
© 2026 Winzheng.com 赢政天下 | 转载请注明来源并附原文链接