财联社9月16日消息（记者夏军雄）德意志银行于9月15日发布题为《AI末日：科技预测失误简史》的研究报告，其中强调，纵观历史可以发现，无论多么顶尖的科学家、技术专家还是商业领袖，都很难精准预判技术演进的节奏和最终产生的深远影响。

对于当下正将海量资金投入AI领域的企业与资本市场参与者来说，更为紧迫的议题在于：技术上的突破究竟能否在合理时间内转化为实际的营收、盈利和现金回流。

**AI恐慌持续发酵**

本轮针对人工智能的风险忧虑并非无端而生。

根据Google Trends的检索数据，今年2月份市场上还在激烈讨论AI Agent带来的"SaaS终结"话题，到了5月关注点转移至"失业危机"，而近期"AI灭绝"相关的搜索量则急剧攀升，迅速超越了此前两个热点。

报告提到，近期多个事件叠加在一起推高了风险讨论的温度：某头部前沿AI实验室有研究人员出于安全顾虑选择离职；AI Agent据传在多起备受关注的网络攻击事件中表现出协同行为；另有部分实验室开始释放信号，暗示AI正接近所谓的"递归式自我改进"阶段——即AI辅助开发下一代更强的AI。

然而，"AI是否会毁灭人类"这个话题本身并不算新。早在十余年前，马斯克、AI领域奠基人物杰弗里·辛顿以及哲学家尼克·博斯特罗姆等人就已提出过类似的警示。

其中最广为人知的思想实验当属博斯特罗姆构想的"回形针最大化器"：假设一个超级智能系统被设定为尽可能多地生产回形针，但它并未真正领会人类的深层意图，那么从逻辑上讲，它完全有可能为了获取更多制造资源而对人类造成严重伤害乃至将其消灭。

不过，在AI行业内部，围绕上述问题远未达成统一认识。

主张持续推进研发的方面着重强调国际博弈中的战略必要性、医疗健康等领域的巨大潜力，以及利用安全可控的AI来抵御恶意AI的威胁。持审慎态度的一方则认为，模型指令执行的不可靠性、深度伪造泛滥、知识产权争议及网络安全漏洞才是眼下更为切实的问题；还有观点指出，部分企业可能借安全监管之名进一步巩固自身竞争优势。

另一位被誉为"AI教父"的杨立昆（Yann LeCun）则持有不同看法，他认为相较于科幻色彩浓厚的物种灭绝场景，权力过度向少数机构集中才是更具现实性的隐患。

**方向看对了，不等于时机和经济效应也看对了**

德银通过大量历史实例阐明了一个核心难点：在技术预测中，人们往往能正确判断某项技术"迟早会出现"，却难以精确回答"具体何时到来、以何种形态呈现"。

1926年，尼古拉·特斯拉就精准地预见到无线通信技术终将使人摆脱距离限制进行即时交流，且终端设备可以缩小到随身携带的程度。

1934年，爱因斯坦断言核能不具备明显的工程实现前景。然而仅仅八年后，也就是1942年，人类便成功完成了第一次自持核裂变链式反应。

互联网和移动智能时代的经历也是如此。

2005年，YouTube联合创办人陈士骏曾表达过这样的忧虑："也许根本没有那么多视频内容值得人们去看。"仅仅一年之后，谷歌就以16.5亿美元的价格将YouTube收入囊中，而如今该平台单个季度的广告营收已突破110亿美元大关。

2007年，彼时的微软掌门人史蒂夫·鲍尔默断言iPhone"绝无可能拿下可观的市场份额"，而在此后岁月里，iPhone的累计出货量早已跨越30亿台。

AI领域自身也已出现了如出一辙的案例。

2016年，辛顿曾表示应当停止培养放射科医生，理由是深度学习在五到十年内便会取代这一岗位。然而在过去十年间，放射科医生的从业人数反而增长了大约10%。这背后的原因既包括AI技术本身的局限性，也与人口老龄化趋势和医疗服务覆盖面扩大所带动的影像诊断需求上升有关。

2025年，OpenAI CEO萨姆·奥尔特曼曾描绘过一幅图景：在不远的将来，现行经济活动中30%至40%的工作任务有望交由AI来完成。但到了今年5月，他自己也坦承，团队对技术能力边界的预判"大体没错"，但对经济社会层面的影响评估则"偏差较大"。

**为何人类一再误判技术走向？**

德银将根源归纳为四个层面：系统复杂性、认知偏差、信息约束以及利益驱动。

第一，真实世界从来不是简单的线性结构。

自动驾驶便是绝佳例证。即便算力和训练数据不断增加，也无法穷尽阳光直射造成的眩目、逆行的非机动车、身着奇异服饰的路人等无穷无尽的"长尾场景"；与此同时，事故责任归属、安全标准认证、"电车难题"式的伦理抉择等制度与伦理层面的障碍依然横亘在前。每一次引发广泛关注的安全事故都会削弱公众信任，而自动驾驶车辆与传统燃油车共存的"过渡期"，其复杂度甚至可能高于全部车辆均已实现自动驾驶的情形。

AI领域或许也将遭遇类似困境。德银的判断是，未来真正左右AI商业价值的，大概率不是新一代模型又在某个基准测试上刷新了多少分数，而是企业能否将AI真正嵌入日常运营流程，并且确实愿意为此支付费用。

第二，人类大脑天然存在系统性的思维偏误。

人们倾向于用线性思维去理解指数型增长，因此当AI能力以指数曲线攀升时，连续的渐进式提升会被感知为一连串突兀的"质变跳跃"；另一方面，乐观偏差和"计划谬误"又让人习惯性低估所需成本、高估可得收益。

德银引用了牛津大学赛德商学院针对逾3000个大型项目的统计数据：仅约四分之一的项目能在预算范围内完工，能同时做到不超支且不延期的项目占比仅为2.8%，而三项指标——预算、工期、预期收益——全部达标的更是凤毛麟角，比例低至0.2%。

德银毫不讳言，当前这股规模空前的数据中心建设狂潮最终会呈现出怎样的面貌，仍需时间给出答案。

第三，现实环境中的信息与反馈机制同样存在天然局限。德银指出，许多系统的反馈链条带有明显滞后性，人们常常难以分辨因果关系与 mere 相关性，也难以辨识究竟是哪些变量在真正起作用。换言之，即便身处在技术变革的风口浪尖，人们对正在发生的事情的理解也未必是准确的。

**为何极端叙事更易渗透进市场估值**

第四重影响因素在于利益格局。AI本质上是一门商业活动。创业公司渴求融资，投资人期待增长故事，咨询顾问需要让客户感到形势紧迫，媒体则需要流量和眼球。这些内在驱动力很容易促使各方参与者夸大机遇或渲染风险。

传播规律进一步强化了这一趋势。德银引述相关研究表明，政治类推文中每多使用一个道德情感词汇，其转发概率大约提升20%；另有一项研究发现，虚假消息被转发的概率高出70%，扩散至1500名受众所需时间仅为真实信息的六分之一。尽管上述结论源自特定样本研究，但它们揭示了一个事实：极端化表述在传播上往往占据结构性优势。

市场因此容易在"全面颠覆一切"与"彻底走向失败"两种极端之间来回摇摆。库兹韦尔关于2029年实现通用人类水平的预测，即便与部分硅谷从业者的估计相差不远，归根结底仍是一个有待实证检验的推测，不宜直接当作收入落地的时间表来使用。

而当这种高度不确定的技术预期开始为数万亿美元级别的资本支出提供背书时，预测中的偏差便不再仅仅是认识论层面的问题，而会直接演变为实实在在的投资风险敞口。

**五万亿美元豪赌考验变现节奏**

德银测算，未来五年内，仅超大规模云服务商群体的资本投入总额就将突破5万亿美元。摆在面前的核心命题是：这些巨额投资能否赶在当前这一代高端芯片丧失经济性之前收获回报？

从企业实际部署的角度审视，技术成熟度、企业采纳节奏与资产定价各自遵循不同的时间曲线。模型迭代可以在很短时间内发生飞跃，但企业要走过数据治理、系统集成、人员培训、权责界定等一系列环节，才能建立起稳定的付费模式。

历史上不乏前车之鉴。英国的运河开凿、铁路铺设，以及美国的电信网络和光纤铺设热潮，都曾经历了长达十年以上的漫长等待期才等到足够的市场需求涌现，众多早期投资者最终连本金都未能收回。基础设施固然具备长期战略价值，但也完全可能在短期内形成产能过剩。

对资本市场参与者而言，资本支出的增速只能说明建造活动在提速。唯有营业收入的增长曲线、设施的实际利用率，以及剔除运营成本之后的净收益，才能真正衡量这笔投资是否物有所值。

**AI或将重塑人机协作格局**

尽管如此，德银并未据此将AI定性为又一场纯粹的技术泡沫。

回顾过往，人们经常能正确预判某些旧有职能将会消亡，却在"人类接下来会转而做什么"这个问题上频频失手。

1982年，曾有声音警告计算机将对办公人员的身体健康造成伤害乃至令整个办公室概念消失，结果计算机反倒成了知识型劳动者手中最核心的生产力工具之一；1983年，教育界担心计算器会让孩子们"依赖电池而非自己的脑子"，而真正发生变化的是社会对于哪些运算必须由人手完成的评判标准；2009年，大约半数受访企业因安全和隐私方面的顾虑拒绝采用云计算，而时至今日，大量关键业务基础设施已经完成了向云端的迁移。

AI的发展轨迹也有可能沿袭类似的模式。

德银以气象预报作为类比加以说明：如今四天的天气预报准确率，已经基本追平了上世纪九十年代一天预报的水平。基于传统物理方程的数值模型，其理论可预报极限大约在8天左右，而深度学习模型也不过是将这一上限拓展到了约9天——AI并没有从根本上消除复杂系统固有的不确定性。