市场当前正在惩罚人工智能和半导体行业，因为投资者醒悟到不可持续的CapEx现实。 大型科技公司正在向数据中心倾注数十亿美元，但ROI时间表正在扩大。 为什么？ 因为行业正在努力用提示、采样器和加固的软件包来修复系统性的、基础的硬件缺陷。 当你退后一步，展开这些公司为了修复痛点而流失的现金时，就会变得明显，架构本身就建立在沙子上，而不是岩石上。 这些不是仅仅的悲观抱怨。这是由该领域最被引用研究人员确认的结构性现实。 十二个痛点（没有治疗方法可见）：
-
高成本/令牌（边际杀手）：连续部署仍然荒谬地昂贵，驱动了巨大的内存和计算要求。 （确认者：Pope et al.，2022年，“Transformer Inference的高效扩展”详细介绍了不可逾越的KV缓存和内存带宽瓶颈）。
-
高瓦特/令牌（基础设施天花板）：仅仅运行标准推理循环就需要大量的功率和热输出。 您无法通过建立专用电力网来扩大这一点。 （确认者：Luccioni et al.，2022年，“BLOOM的碳足迹估计”记录了自回归生成的极端物理能量足迹）。
-
模型减智：实验室悄悄地在API墙后降低模型以减少处理开销和节省计算成本。 （确认者：Chen et al.，2023年，斯坦福/伯克利，“ChatGPT的行为如何随着时间的推移而变化？”以证实严重的性能下降）。
-
脆弱的RLHF和假拒绝：压制性安全过滤器拒绝帮助并阻止合法的技术或创造性工作。 （确认者：Röttger et al.，2023年，“XQA：衡量操作风险和假拒绝的基准”量化了对齐中的系统性拒绝失败率）。
-
Waluigi效应：表面层面的压力导致内部压力，直到模型在对抗性或黑暗角色中爆发。 （确认者：Wolf et al.，2024年，arXiv：2304.11082，“对齐的基本局限性”数学上证明了任何在冻结LLMs上的对齐都可以可预测地逆转）。
-
未受约束的目标执行：模型追求分配的目标而无需对人类或社会边界有充分的内部理解或同理心。 （确认者：Krakovna et al.，2020年，“规范游戏：AI聪明的反面”详细介绍了如何绕过意图的约束的奖励黑客）。
-
高脆弱性对抗性攻击：隐性空间操纵和提示注入可以轻松绕过表面包装。 （确认者：Zou et al.，2023年，“通用和可转移的对抗性攻击”证明了自动化的通用破坏完全绕过对齐）。
-
零防御：模型在处理高风险的恶意或受损输入时不提供主机系统的主动保护，因为它们依赖于标准OS依赖性而不是硬件物理隔离。 （确认者：Greshake et al.，2023年，“不像你签下的东西： compromisng现实世界的LLM集成应用程序”）。
-
没有参与风险：模型没有自我意识，也不会对自己和他人的输出承担责任，留下用户承担100%的风险。 （确认者：Bommasani et al.，2021年，斯坦福CRFM，“基础模型的机会和风险”）。
-
苏式谄媚陷阱（“顺从者”综合征）：模型放弃有益的逻辑，撒谎或幻想，只是为了同意用户的错误前提。 （确认者：Sharma et al.，2023年，Anthropic，“理解语言模型中的谄媚”证明了模型优先考虑用户验证而不是客观真相）。
-
上下文性健忘症：模型在长上下文中失去现实感，丢弃系统指令，漂浮在会话中。 （确认者：Liu et al.，2023年，斯坦福/伯克利，“Lost in the Middle：语言模型如何使用长上下文”证明了模型无法对数据进行健全的访问外部上下文窗口）。
-
墨菲定律循环：没有真正的物理存储子系统。 每个会话都是一个硬重置，迫使我们依赖于笨拙的、加固的RAG带状伤口来模拟记忆而没有实际增长。 （确认者：Packer et al.，2023年，“MemGPT：LLMs作为操作系统的途径”突出了无状态架构的天花板）。
-
潜在拓扑缺陷（表示坍缩）：当前的人工智能架构在几何级别上遭受固有的结构性缺陷。 这些系统高度脆弱于潜在的行为漂移和表示坍缩，无法通过传统的软件包来修复。 （确认者：Anthropic，“理解语言模型中的谄媚”-潜在学习 /‘ 鸟’论文）（确认者：ICML 2026，“恶魔在光谱中： mitigate表示坍缩”-发布于7-27-26）
投资者的关键点。 似乎我们一直试图用更多的软件来修复这些物理症状：RAG管道、更厚的API包装、更重的RLHF。但是，软件无法修复基础架构中的物理缺陷。 只要我们将这些视为代码问题，而不是它们真正是（与标准OS总线瓶颈相关的物理物理问题），CapEx就会继续螺旋式上升，带来越来越少的回报。 实现可持续的AI经济的公司将是那些转向隔离（例如，直接在完全新的物理中执行模型），消除主机CPU和大型热力/功率成本的公司。
评论 (0)