追了三年AI新闻，却什么都没学会？因为你缺一套模型【思想荟】

抓住风口，看懂趋势

本期要点：一个粗糙的开始+勇敢的预测+AI的帮助
你好，我是王煜全，这里是王煜全要闻评论。

今天，想认真聊一件我们一直在做、却很少从底层公开过的事——怎么理解科技产业。你是不是也有追科技新闻的习惯？每天关注又有什么新的大模型发布，英伟达又出了新的芯片，科技巨头又加码了资本开支，以及又有什么初创公司拿到了新的融资。信息当然重要。但不停地知道更多新鲜事，真的能让你对科技产业的理解发生跃迁吗？往往并不是。如果新闻看过就丢，毫无意义；但如果每条新闻都重视，又会陷入信息的汪洋大海。所以，我们认为，关键的不只是信息差，尤其在AI时代，信息越来越容易获得。真正拉开差距的，是当看到一条新信息后，你知道把它放在哪里。

比如，微软最新一季度的资本开支达到了410亿美元，增长了约70%，且其中约三分之二用于CPU、GPU等短周期资产。数字非常惊人，微软又在大买芯片了。但微软为什么要这么做，后果究竟会好还是坏，特别是跟你有什么关系，这些才是关键。因此，真正的产业分析，不是拍脑袋猜未来，是建立一个关于这个世界如何运行的模型，再不断让现实来修正它。只有这样，一条新闻才不再只是一个孤立事实，它或许意味着模型中的某个变量变了。先建模型首先，人天生就在用模型认识世界。神经科学家Karl Friston提出过一个影响很大的理论，叫自由能原理（Free Energy Principle），万维钢老师也曾在他的课程中介绍过。这里的“自由能”不是一种物理能量，是一个涉及概率和信息的概念。它在告诉大家，生命体处在不断变化的环境里，靠一套内部模型去解释感知一切、并形成预期，再通过学习和行动去减少模型和现实之间的偏差。

Karl Friston与这套理论相类似的，是预测加工（Predictive Processing）理论。当代著名的哲学家和认知科学家Andy Clark，把大脑描述为一套不停运行的预测系统，先靠经验形成模型，从而预测接下来会出现什么，再用预测与现实之间的误差去修正模型。这给了我们一个重要启发，那就是，我们必须先形成一个模型去认识科技产业，然后再不断让现实来纠正它，而不是试图拥有理解所有世界真相的认知，然后去像先知一样预知一切。可见，真正好的产业分析者，并不是永远不会错的人，是无论判断对错，都能用于改进自己模型的人。反过来，一个人如果只有判断而没有模型，那吸收的信息再多，也只是在给已有的偏见找更多论据而已。不过，新的问题也来了，真实产业太过复杂。一项技术变化，可能同时牵动企业、供应链、政策和资本多个层面，有可能立刻改变产业的格局，也有可能一直潜伏却在某个时间点爆发。这该怎么预测？很多人喜欢用所谓蝴蝶效应来解释，认为不可预测。但说到底，就是一个变量，通过不同的时间尺度影响多个变量，最后产生一个意想不到的后果。也许很难明确具体时点，但大体趋势可以预测。

那究竟如何搭建这个模型？这方面，我们有多年的积累。我们强调，要从宏观、中观、微观三个尺度看产业；同时，每一个尺度里，还要回答三个问题，即结构、机制和状态。结构，是指这个系统里有哪些关键角色，它们是什么关系；机制，是指一个变量为什么能推动另一个变量变化，动力和瓶颈在哪里；状态，是指今天变量运行到哪一步了。当然，这套框架我们在科技特训营里进行过深入讲解，而且每年还会定期更新，今天就不展开了。这两组框架放在一起，才能形成一个最基本的产业模型，预测才有意义。勇于预测但可能有的朋友会问，为什么一定要预测？有了新信息，把它直接放进模型，再得出结果不就好了？这当然不够。如果一个模型从来不产生可以被现实检验的判断，你其实永远不知道它对不对。就像，AI产业的未来非常重要，这句话几乎不会错，但也没什么用。真正有价值的是，我们要预测AI会带来哪些影响，从而说清楚接下来应该依次看到什么现象；如果迟迟没有出现，我们应该修改哪里。

还是以微软为例，我们不仅要看到其资本支出暴涨，还要预测这些支出转化为算力的速度，并和其竞争对手进行对比，这样才能知道微软能否在这轮基础设施的军备竞赛中胜出。没有预测，你就不知道要看什么；有了预测，模型才能接受现实的检验。也就是说，当重要信息进来以后，要分析它验证了哪个判断？改变了哪个变量？而不是来问，煜全，你的判断变了吗？这也是为什么，不能只坐在办公室里做产业研究。必须去访问企业、见创业者、问客户、进入供应链，乃至亲自投资，这些都是为了有的放矢地进行验证。因为如果你脑子里已经有了模型和很多预测，你就知道自己缺哪些信息。就要主动到现实里去主动寻找那些能够检验预测、修正模型的信息。比如，虽然我一直对人形机器人的商业化前景有所质疑，但仍然在一线持续考察，不只看演示，更是会问真实的客户是谁，在用机器人干什么。这一切，都是为了验证或修正我的预测。AI的辅助到了AI时代，这套方法又出现了新的可能。不只是要用AI读几百份报告，更不是让AI去预测未来。甚至要警惕，AI靠着自己超强的解释世界的能力，给我们制造一个完美的认知幻境。我们觉得，AI的价值，是在于帮助我们维护构建模型-预测-验证的闭环。特别是，当前的产业模型已经复杂到了人脑根本维护不了的程度。就像分析“微软加快建设数据中心”这件事，要同时跟踪芯片、服务器、网络、液冷、电力设备、电网、行政审批、建设进度以及最终的训练和推理需求匹配程度。仅是这些跟踪工作，就需要一个不小的研究团队，普通人不可能做得了。而且，常常是，现在做出了判断，几个月后又记不清具体的决策过程，也就无法用信息对模型进行修正。但Agent能很好地建立长期记忆，并调用工具，完成长周期的任务。尤其是，对于那些有明确结果的任务，Agent还能自动对预测模型进行迭代升级。这意味着，一个真正用于产业研究的AI，不只是帮用户筛选和总结新闻，更是要能跟用户一同迭代升级核心模型，帮用户回顾预测的产生过程，确定未来应该盯住什么信号，出现后又意味着哪些判断要改，模型又要做什么调整。于是，AI就从一个答案生成器，变成了维护我们产业模型的助手。最后，也向你推荐AI王煜全。这是一个涵盖了我们分析框架、方法论和以往判断的智能系统，能为你的研究提供更多帮助，现在加入科技特训营，即可使用。同时，我还会每周在科技特训营直播课上，为你更新科技产业的一线洞察和底层规律，欢迎你和我一起，先人一步，领先一路！