AI不是“矩阵”也非高级搜索引擎，而是超级计算机，三年后用与不用差距多大？

转载于 2026-08-06 09:17:25 发布 · 8 阅读

编者按

本文为投稿，作者为拾光文化创始人肖云。

对AI的认知偏差与本质

在肖云看来，很多人对AI的认知存在偏差，有人把它当成电影《黑客帝国》里无所不能、迟早统治人类的母体Matrix（矩阵），有人觉得它就是高级版搜索引擎，换个界面帮人去网上搜点东西而已，这两个说法都不准确。本质上，AI是一台“超级计算机”，由万张GPU、光模块和液冷系统堆砌而成，基于Transformer架构，通过概率预测运作，它并不理解世界，只是规模大到令人震撼。

分层认知AI

更重要的是要对AI进行分层认知：硬件是身体，大模型是操作系统，应用是决胜场，而水面之下的“组织变革”才是关键，否则，AI就是装了发动机还让马拉着跑。当标准化工作被AI接管，人才选拔要从“执行力”转向“思考力”，流程需重构，私有数据将成护城河。

使用AI的差距

能否理解它并用好它，三年后或许会产生差距。有人已经开始用AI做PPT、安排日程、分析数据、整理会议纪要，甚至用它做网站、写小程序等，大幅提升工作效率。但很多人其实并不清楚它到底是什么。

关键时间点与AI发展

先说几个关键时间点。2017年6月，Google发表论文提出Transformer架构，它是一个底层的算法框架，最大的特点是能“无限堆料”，即算力越多、数据越多，效果就越好。后来的所有大模型，包括今天常用的GPT、Claude、DeepSeek，都建立在它之上。

接下来三年，OpenAI验证了这件事。2018年，GPT - 1（1.17亿参数）证明了这条路走得通。2020年初，一篇Scaling Law论文给出了理论依据：模型参数、数据量、算力，三个变量在合理配比范围内，性能具备可预测提升。2020年6月，GPT - 3（1750亿参数）发布，它不用针对每个具体任务单独训练，同一个模型几乎什么都能干，质变由此发生。从那以后，AI就不再是“解决某个特定问题的工具”，而是一台“超级计算机”。

超级计算机的特点

这是一台花几十块钱就能用的超级计算机。简单来说，它的身体是几万甚至十几万张GPU堆出来的，它的血管是光模块和铜缆连起来的，驱动它运转的是巨大的电力，大型高密度智算中心满载运行时，耗电量堪比一座小型县城。这种级别的算力，以前只有国家实验室才有，而现在，花几十块钱一个月，就能用GPT、Claude、DeepSeek写文章、做分析、出方案，人人都有了使用这台超级计算机的钥匙。

但现阶段的AI并不理解这个世界，它只是在预测这个世界。比如输入“曹操率领大军”，它猜下一个字是“南下”，并非因为它懂三国，而是因为在它的训练数据里，这六个字后面跟“南下”的概率最高，它不知道曹操是谁，更不知道什么叫战争，只是在做概率预测，只不过这台概率预测机的规模大到令人震撼。真正让AI理解世界的模型，叫世界模型，那是下一个十年的事。所以，既不要神化它，也不要轻视它。

超级计算机的结构

这台超级计算机长什么样呢？拆开来看，有三层。

第一层：硬件——超级计算机的身体

把这些硬件塞在一起的地方，叫数据中心，也叫智算中心，可以理解为一栋“专用机房”，现在全球都在疯狂扩建这种机房。它需要五样东西：一是AI芯片。以前靠CPU，AI时代靠专门的计算芯片，英伟达通用GPU占据全球AI算力主要市场，AMD持续追赶；国内华为昇腾AI处理器快速迭代。二是存储。分两种，一种是HBM——高带宽内存，直接焊在AI芯片旁边，保证数据喂得够快，芯片算得再猛，HBM跟不上就白搭，海力士目前是英伟达HBM3E的主力供应商，美光已实现批量供货，三星仍在追赶放量；另一种是普通的数据中心存储，存训练数据和模型，体量巨大。三是网络互联。万张GPU不是各算各的，它们每时每刻都在交换数据，远距离靠光模块传，中际旭创、新易盛都是这条线的核心玩家，近距离用铜缆，量大管饱，交换机芯片负责调度。四是电力供应。算力机房是名副其实的“电老虎”，高密度集群对电网承载力提出极高要求，核电、电网、变压器，全在跟着涨。五是散热冷却。GPU跑起来热量惊人，过去风冷就够了，现在液冷是标配，英维克、高澜这类公司跟着数据中心一起爆发。

第二层：大模型——超级计算机的“智能操作系统”

硬件装好了，得装系统。基座模型（GPT、Claude、DeepSeek、智谱等）可以类比为这台超级计算机的“智能操作系统”，通过预训练吃下全网文本、代码、论文，把通用知识全学进去。

但光有基座还不够，得让它能听指令、不乱说、控制语气。这靠后训练，先让标注员写示范回答给模型模仿（监督微调），再让标注员给模型的多个回答评判优劣（奖励建模），最后让模型自主生成回答、依托奖励反馈持续优化（强化学习）。

然后是商品化，Token计费是标志性的节点，按用量收费，不需要买整台机器。更关键的是，随着芯片升级、算法改进、工程优化，推理成本持续快速下行。

再往上，智能体出现了，它让模型不只是“回答问题”，而是能“干活”，即调用工具、执行任务、跨系统协调。这一层的护城河不是通用数据（公开数据大家都拿得到），而是工程能力（万卡集群不出错）、用户飞轮（用的人越多、反馈越多、产品越好）、生态（插件、API、云服务整合）。

第三层：应用——谁能用好这台超级计算机

这是真正分胜负的一层，有两条路径：路径一：创收。用AI创造新的收入模式，比如AI漫剧、AI短视频、AI生成式广告，过去需要一整个团队做的事，现在一个人加一台超级计算机就能搞定，新的公司有了新的打法。路径二：提效。改善成本结构，思考产品研发、市场营销、客户服务、产品交付等环节有多少能让AI接手。当下，提效的市场比创收大得多，手里有业务、有客户、有团队的公司，接入AI能立刻见到红利，创收值得探索，但提效是现在就能抓住的。

组织变革与私有数据

两条路径都绕不开组织变革。用水面上和水面下来比喻，水面之上是创收和提效，水面之下是组织变革，水面上能看到的只是结果，但结果能不能出来，取决于水面以下。有两个核心要点：第一，人才选拔。过去看重执行力，安排10件事做完10件，现在要找到“大于1的人”，即能用AI把1件事做出10件事效果的人，思考力要大于执行力。第二，流程重构。拿出工作流，对比现在怎么干和接入AI后怎么干，让AI处理标准化、重复性工作，人处理高价值、创造性工作。Shopify CEO已经把“使用AI的能力”纳入绩效评估，申请加人之前，先证明AI搞不定。

还有一个容易被忽视但最关键的是私有数据。通用数据谁都能用，但公司的业务数据、客户行为数据、Know - how集合等私有数据别人拿不到。比如一个打车软件，它的路线数据、用户习惯、高峰时段模型等数据喂给AI，产生的优化是后来者很难赶上的，这才是真正的护城河。