過去幾個月，對 AI 的炒作已經到了瘋狂的地步。像是特斯拉在一兩年內就要實現全自動駕駛了，AI 明年將會變得比人類更聰明了，到 2040 年會有十億台 AI 機器人取代人類工人了，這些還只是伊隆·馬斯克今年迄今為止對 AI 誇下的海口之一。整個 AI 圈都充斥著這樣的預測和承諾，給人感覺 AI 的發展已走上不可阻擋的指數軌跡曲線上，已經到了我們人類根本無法阻止的地步。但是事實並非如此。真要說，AI 正開始觸碰到收益遞減的發展天花板，進而令這些誇張的承諾變成一張廢紙。

要想理解這個問題，我們得先瞭解一點 AI 的基本工作原理。現代 AI 運用的是深度學習演算法與人工神經網路，借此來發現資料當中的趨勢。然後，AI 就可以根據這些資料推斷或沿著同一趨勢線生成新的資料。這首先需要「訓練」AI，將大量資料餵給它進行分析，讓它去發現這些趨勢。之後，你就可以拋問題給 AI 來獲得輸出。這個基本概念為電腦視覺、自動駕駛汽車、聊天機器人以及生成式 AI 提供了動力。這個解釋有點簡化了，但現在我們只需要瞭解這些就夠了。

過去幾年，AI 的能力有了顯著增強。這部分要歸功於有了更好的程式設計和演算法。但 90% 要歸功於用了更大的資料集對 AI 進行訓練。進而使得 AI 可以更準確地瞭解資料趨勢，進而更準確地生成結果。但有個問題：我們正目睹相對於所需的資料和算力，訓練 AI 帶來的回報正在急劇遞減。

我們先從資料講起。假設我們開發了一個簡單的電腦視覺 AI，它可以辨識出狗和貓，我們已經用 100 張狗和貓的圖像和影片對其進行了訓練，它可以在 60% 的時間內正確辨識這些動物。如果我們將訓練的圖像和影片數量增加一倍，達到 200 個，其辨識率就會提高，但只能略微提高到 65% 左右。如果我們再次將訓練圖像和影片增加一倍，達到 400 個，那麼其改進將更加微乎其微，只能達到 67.5% 左右。

這就是所謂的收益遞減。隨著訓練資料的增加，AI 的改進效果越來越小。這是因為 AI 已經學到了資料集中的大部分特徵和模式，再增加訓練資料對於進一步改善 AI 的能力已經幾乎沒有幫助。相反，繼續增加訓練資料只會導致資源的浪費。顯然，無論是資料還是算力，都不是無窮的。

同樣地，算力也有限。訓練一個複雜的 AI 模型需要龐大的計算資源，包括高性能的處理器和大量的記憶體。隨著模型的複雜度增加，需要的算力也會增加。然而，隨著算力的增加，AI 的改進效果也會達到飽和狀態。這是因為算力的提升對於進一步改善 AI 的能力效果越來越小。因此，無論是資料還是算力，都存在著遞減的回報。

這就是為什麼我們看到 AI 的發展正在遇到天花板。雖然 AI 的能力有了顯著提升，但這種提升是有限的。無論是增加訓練資料還是提升算力，都無法無限地改善 AI 的能力。因此，那些對 AI 發展的誇大承諾只是一張廢紙。

這也意味著 AI 的未來發展需要更多的創新和突破。我們需要開發更好的演算法和模型，以繼續推動 AI 的發展。同時，我們也需要更好地利用現有的資源，以提高 AI 的效能和效益。這需要整個 AI 圈的共同努力和持續創新。

總之，AI 的發展正在遇到收益遞減的天花板。無論是資料還是算力，都無法無限地改善 AI 的能力。因此，那些誇大的承諾只是一時的熱炒，並不能代表 AI 的真正發展趨勢。我們需要更多的創新和突破，以繼續推動 AI 的發展。