《深度探索：解码DeepSeek及人工智能的未来》

从量化交易到通用人工智能（第 1 章）：作者从 2025 年 1 月 27 日（中国农历除夕前一天）讲起：这一天美股芯片股大跌，DeepSeek 的应用登上多国应用商店免费下载榜首。DeepSeek 背后是梁文锋。书中履历：2008 年他带着 8 万元本金开始独立做量化交易；2015 年与校友创立幻方量化，大量购置 GPU（图形处理器）；2019 年幻方成立 AI 实验室，自建超算“萤火”。2022 年底 ChatGPT 问世点燃了他对 AGI（通用人工智能）的热情，2023 年 7 月 17 日成立杭州深度求索。书中引《财经十一人》2023 年的报道：国内拥有上万张 GPU 的企业不超过 5 家，幻方是其中唯一不属于科技“大厂”的。作者认为，这种不符合传统商业逻辑的决策，只能来自对 AGI 有坚定信念的创始人。

DeepSeek 选择开源，发布第三代大模型时仍没有急着做应用和商业化。作者把这种不受资方裹挟的底气，部分归于梁文锋早已财务自由。人们普遍认为欧美擅长从 0 到 1 的技术创新、中国擅长从 1 到 N 的应用，梁文锋不认同这种说法，相信中国 AI 能以创新者的身份参与新的技术浪潮。

真正的耐心资本只能是自己的资本。

第1章 横空出世的DeepSeek

冲击华尔街的叙事（第 1 章）：作者说，近十年硅谷和华尔街形成了“技术—资本”的叙事：硅谷编织未来图景，华尔街用金融杠杆拉高预期，AI 成了这个故事的主角，演变成“AI—资本”模式。它的前提是从 0 到 1 必须砸巨资买算力和人才，估值建立在对“技术护城河”的想象上。DeepSeek 用低得多的成本做出可比的性能，又用开源直接冲击了闭源模型的“稀缺性溢价”，暴露了“堆算力、堆数据”模式的缺陷。

以华尔街的视角来看，DeepSeek的颠覆性并非来自技术代际超越，而在于对现有资源的极致优化。

第1章 颠覆认知：从华尔街到AI大佬

封禁反成广告（第 1 章）：多国以“安全风险”为由在政府设备上禁用 DeepSeek，美国参议员霍利（Josh Hawley）还提出了与中国 AI“脱钩”的法案。作者指出这只是提案、并未通过，“颇有炒作之嫌”。他认为禁令反而成了最好的广告，“理念，是最难被封杀的”。

原本居世界领先地位的AI是封闭的，但它偏偏叫OpenAI，对全世界开源免费并积极拥抱世界的DeepSeek却在被封锁和围堵。

第1章 技术民主化的胜利？

作者把 DeepSeek 受欢迎称为“一次技术民主化的胜利”：它公开算法代码和训练方法，全球开发者都能修改和二次创新，即使官方服务被封，别人也能基于公开的技术自建模型。书中引 Meta 首席 AI 科学家杨立昆的话：“DeepSeek的成功表明，开源模型正在超越专有模型。”

抄袭，还是蒸馏（第 1 章）：有网友问 DeepSeek-V3“你是谁”，得到“ChatGPT”的回答，被当成抄袭的铁证。作者解释：优质数据有限，各家训练数据难免重合，AI 生成的内容又在大量流入网络，数据“污染”已是全行业的问题；更要紧的是，开源本身就是反证：代码全部公开，如果真是套壳，等于自己把证据摆出来。作者认为模型表现由三样东西决定：神经网络架构、参数数量、参数的权重数值。OpenAI 闭源，无处可抄。至于“蒸馏”，即知识蒸馏（knowledge distillation，让较小的“学徒模型”学习较大的“导师模型”的输出，在保持较高性能的同时降低计算成本），作者认为这项技术本身合法，关键看数据的获取和使用是否合法。他还提到《纽约时报》2023 年起诉 OpenAI 和微软未经授权用其文章训练模型，说 OpenAI 的指控有“贼喊捉贼”的味道。背后更大的问题是“数据枯竭”：互联网内容的增长远赶不上训练的需求，作者认为合成数据、专业数据集和蒸馏这类提高数据使用效率的办法都不可替代。

因此，对DeepSeek抄袭的指责，本质上是对未来变革的不适。

第1章 面对抄袭的指责：什么是蒸馏？

三代“盗火者”（第 1 章）：作者借普罗米修斯盗火的神话，把三代人称作“盗火者”。第一代是辛顿（Geoffrey Hinton），在符号主义是“显学”的年代坚持模仿人脑的神经网络；第二代是奥尔特曼（Sam Altman）和辛顿的弟子苏茨克维（Ilya Sutskever），坚信规模定律（Scaling Law），在回报不明时投入上亿美元训练出 GPT-3；第三代是梁文锋，他对 AGI 的信念可能来自资本市场的沉浮。书中引未尽研究创办人周健工的话：量化投资与 AI 研究构成了幻方量化基因的双螺旋结构。作者认为，这让 DeepSeek 既怀疑“更大的算力是不是通向更高智能的唯一路径”，又极度重视成本控制。在 OpenAI 转向闭源的大背景下，梁文锋力排众议选择开源，成为“AI普惠化的推动者”。

DeepSeek 不是凭空出现的（第 2 章）：本章把 DeepSeek 放回人工智能近七十年的技术史，从图灵测试、1956 年达特茅斯会议，一直讲到 Transformer 和 ChatGPT。

我们不过是站在开源社区巨人们的肩膀上，给国产大模型这栋大厦多拧了几颗螺丝。

第2章

符号主义：看似平坦的路（第 2 章）：作者说 AI 之路艰难，根源在于一开始走上了符号主义。符号主义（又称逻辑主义、心智派）把世界抽象为符号，用逻辑推理来认知世界，认为“智能就是计算”。早期学界拥抱它有四股合力：与笛卡儿以来的理性主义一脉相承；早期的专家系统做出了示范效果；冷战时期的国家投入；科幻作品和媒体的集体想象。但它解决不了常识推理、组合爆炸和知识获取的瓶颈，乐观情绪到 1973 年的《莱特希尔报告》后转入寒冬。作者还借理查德·萨顿 2019 年的文章《苦涩的教训》（The Bitter Lesson）说明：在算力与数据面前，人类引以为傲的经验和规则可能退居次要。

符号主义的兴衰揭示了技术发展的普遍规律：初期的范式革命往往伴随过度的社会期待，而真正的突破往往发生在主流范式的边缘。

第2章 苦涩的教训

联结主义：另一条道路（第 2 章）：符号主义模拟人的思维过程，联结主义模仿人脑的运作方式；作者说前者称霸了早期的 AI，后者统治了今天的 AI。这条线从 1943 年麦卡洛克和皮茨的人工神经元模型、1957 年罗森布拉特的感知机开始；作者用识别手写数字讲机器学习：把图片拆成像素，每个像素配一个权重，反复识别、调整权重直到输出准确，他认为这和今天几百亿参数大模型的训练没有本质区别。1969 年明斯基和佩珀特的《感知机》证明单层感知机解决不了“异或”这类问题，被过度解读为“神经网络没有前途”，资助被切断。辛顿等少数人坚持下来，1986 年与鲁姆哈特、威廉姆斯在《自然》发表反向传播论文：反复调整连接权重，缩小实际输出与期望输出的差距。作者用“识别猫”解释多层网络：每一层分工识别从轮廓到器官再到整体的特征，训练就是让“正确答案”与模型答案的差距（成本函数）不断缩小，即梯度下降；层数一多，输入到输出成了高维空间的映射，这也是大模型难以解释的根源。

数据和算力两堵墙（第 2 章）：反向传播当年没掀起浪花，缺的是数据和算力。数据由李飞飞补上：她受儿童视觉学习的启发，2007 年与普林斯顿的李凯创建 ImageNet，靠全球网民众包标注，并完全开源。她导师的导师马利克曾劝她放弃：“科学的诀窍是与你的领域一起成长，而不是远远超前于它。”

事实证明，取得伟大科学突破的诀窍不是等待学科领域的发展，而在于是否有挑战现状的巨大勇气。

第2章 突破算力和数据之墙

算力由黄仁勋补上：英伟达推出 CUDA（Compute Unified Device Architecture，统一计算设备架构），让开发者能直接给 GPU 编程做科学计算，当年被视为离谱的商业决策。CPU 核心少、单核强，适合一步接一步的串行任务；GPU 有成千上万个小核心，适合大量同时进行的简单运算，而深度学习恰恰是海量矩阵运算。2012 年，辛顿和学生苏茨克维、克里泽夫斯基用两张英伟达显卡训练的 AlexNet，在 ImageNet 挑战赛上把错误率从 26% 降到 15%。作者认为 AlexNet 只是大模型的“火种”，它点燃了“大数据—大参数—大算力”的链式反应；技术创新扩散要走三步：理论突破、工程化验证、社会扩散。

注意力与 Transformer（第 2 章）：2017 年谷歌的论文《你只需要注意力机制》（Attention Is All You Need）提出 Transformer，几乎所有大模型都建立在它之上。作者用“看不见的大猩猩”实验解释注意力：人数传球时会看不见走过的大猩猩，这是选择性注意（selective attention）；自注意力机制同样给句子里的每个词分配不同权重，把计算资源集中在要紧处。它还能处理远距离的指代（“它”指的是哪个词），能并行处理整句，而不像循环神经网络那样逐词等待上一步。

涌现：量变引起质变（第 2 章）：此后 OpenAI 抢先发布 GPT 系列，谷歌发布 BERT，作者认为这体现了生成式与判别式两条路线的分野。作者说 GPT-3 证明了大参数、大算力、大数据依旧可以“大力出奇迹”；ChatGPT 在此基础上加入 RLHF（基于人类反馈的强化学习：人类标注员给回答打分，训练出奖励模型，再用它指导模型优化）。作者用复杂适应系统解释 ChatGPT 的飞跃：参数和数据超过某个阈值后，推理、多轮对话等能力会突然出现。

一言以蔽之，ChatGPT的智能涌现是规模法则的魔力——量变引起质变——如同人类大脑的构造，规模到一定程度便催生智能。

第2章 惊艳：大模型的开窍时刻

中国的“百模大战”（第 2 章）：2023 年百度发布文心一言，国内大模型蜂拥而出。作者说，认为是 ChatGPT 爆火才让中国企业入局只对了一半：初创公司确实闻风而动，但阿里、百度、腾讯、华为等早已在大数据、大算力和预训练模型上长期布局。他认为阿里的布局体现了国产大模型“注重成本和性价比，强调效能和应用”的特点，DeepSeek 的崛起“建立在国产大模型的大厦之上”；在拥有最多理科人才和最大应用市场的国度，“伟大创新的诞生应该只是个时间问题”。

逆势入场（第 3 章）：2022 年以后大模型训练成本暴涨，作者说大模型竞争成了“贵族游戏”；“百模大战”像夏日烟火，很多创业公司转向应用或萌生退意。幻方却在 2023 年 4 月高调宣布进军 AGI，公告引用法国导演特吕弗的话：“务必要疯狂地怀抱雄心，且还要疯狂地真诚。”外界传它要用 AGI 炒股，幻方董事总经理陆政哲澄清：“AGI不是用来炒股的”。作者回顾 DeepSeek 的模型路线，认为 2024 年初的 DeepSeek MoE 和 DeepSeek Math（后者首次提出 GRPO）分别是预训练、后训练最重要创新的起点，可惜当时业界忙着“百模大战”，没人注意。

MoE：各练一脉的高手（第 3 章）：作者用《天龙八部》里六位高僧各练六脉神剑一脉、合成剑阵的故事比喻 MoE（混合专家模型）：把模型拆成许多“专家”，每次只调动其中几个，训练门槛和总成本远低于直接训练一个同样大的整体模型。这一思路可追溯到 1991 年的论文，当时就有专家网络和门控网络（gating network，后来演化为把任务分派给专家的路由机制）。DeepSeek MoE 有两招：

• 细粒度专家分割（fine-grained expert segmentation）：把专家拆成更小的“子专家”，可组合的方式成倍增加，每个专家学得更专；
• 共享专家隔离（shared expert isolation）：设几位固定参与的共享专家负责通用知识，其他专家专攻各自领域，减少知识重复。

专家之间怎么分活？DeepSeek 用的是无辅助损失的负载均衡：不再靠额外的“辅助损失”（auxiliary loss）强行拉平，而是按各专家的实时负载动态调整，负载少的多分、负载多的分流，作者比作调度员和交通信号灯。

MLA：给注意力减负（第 3 章）：注意力机制的计算量随文本长度的平方增长；为了不重复计算，模型要把算过的“键”和“值”存起来，叫 KV Cache（键值缓存），文本一长就占满显存。最早的多头注意力（MHA）每个“头”都要存一份键和值；多查询注意力（MQA）让所有查询共用一份，分组查询注意力（GQA）让每组查询共用一份，省了内存，却可能牺牲效果。DeepSeek 的多头潜在注意力（multi-head latent attention，MLA）不削减键和值的数量，而是把它们压缩到一个低维的潜在空间里，缓存只存这份压缩后的共享表示，因此大为缩小。

多令牌预测与“外来者”（第 3 章）：多令牌预测（multi-token prediction，MTP）是让模型在训练阶段学着预测后面多个令牌，而不只是下一个，作者说这让模型对语言的整体结构理解得更深。为什么偏偏是 DeepSeek 做到这些？作者借克里斯坦森《创新者的窘境》的观点：摆脱固有模式的“外来者”常是突破的关键。

DeepSeek是从金融投资界切换到通用人工智能这个赛道的，它是所有竞争对手当中，最不正规、最缺少条条框框，同时也最纯粹的一个玩家。

第3章 妙招：多令牌预测

工厂的两招（第 3 章）：作者把训练大模型比作运营工厂，降本只有两招：压缩工作量，不让工人闲着。压缩工作量靠 MLA 和 FP8 混合精度训练：FP8 用 8 位浮点数代替 16 位、32 位，算得更省，作者比作把 1.85 元的账单抹成 2 元，但遇到 1.85 个比特币这样的大额就切回高精度，关键步骤仍用高精度核算，避免误差累积。不让工人闲着靠“双路”流水线（数据传输和计算同时进行）和前面的动态派单。

这些反常识的创新，正在改写大模型的竞争规则——未来的AGI之战，或许不再是“谁拥有更多GPU”，而是“谁能更聪明地利用每一焦耳的计算能量”。

第3章 以柔克刚：用算法压榨算力

作者把这些创新概括为几条“反常识”，第一条是：参数越多不等于越聪明，关键在稀疏激活，每次只调动一小部分参数，让模型像人脑一样“按需调用知识”。他的结论是：“真正的智能突破，往往始于对行业共识的勇敢背叛。”

“价格屠夫”是误读（第 3 章）：作者先列举新技术常被误读的例子，如初代 iPhone 被诺基亚嘲笑为“没有键盘的脆弱设备”，特斯拉早期被质疑“续航短”“成本高”。2024 年 5 月 DeepSeek-V2 大幅降价，引发国内大模型价格战，得了“价格屠夫”“AI拼多多”的名号。作者认为这是误读：公众只盯着成本，忽略了底层的技术创新。梁文锋的回应是：“我们的原则是不贴钱，也不赚取暴利。”作者认为，美国几家最大的实验室只顾在模型质量上争些微的进步，忽视了打造成本低、速度快、品质优的模型；DeepSeek 的性能也许不是最强，但性价比一定最高。

降本是产业发展的必经之路，只有成本下降，新技术才能在商业世界找到盈利空间，才可能出现杀手级应用程序。

第3章 “价格屠夫”？AI不是富豪的玩具

他说，没有 DeepSeek，AI 可能长期只是少数几个巨头的玩具。V2 的论文随后也受到海外技术圈的高度评价，“DeepSeek在世人眼中终于不只有价格了”。

规模定律撞墙（第 4 章）：作者说 OpenAI 真正的护城河不是 GPT 系列，而是规模定律（Scaling Law）：在其他条件不受限制时，模型表现随计算量、数据规模和参数数量的增加而按规律提升。ChatGPT 之后，GPT-5 却迟迟不来。作者的解释是两道瓶颈：算力，奥尔特曼自己也坦言面临“极端GPU短缺”；数据，高质量文本快被用完，研究机构 Epoch AI 预测 2028 年前后互联网高质量文本将耗尽，剩下的数据又有同质化、隐私限制和版权纠纷三重问题。

正所谓“成也萧何，败也萧何”，Scaling Law为OpenAI筑就的护城河正在变成堰塞湖，随时有溃坝、倒灌的风险。

第4章 成也Scaling Law，败也Scaling Law

所以 OpenAI 在 2024 年 9 月转而推出推理模型 o1，用强化学习提升推理能力，作者认为这是换个赛道继续卷规模定律。

推理模型和思维链（第 4 章）：推理模型会模拟人的思考过程，把中间推导步骤写出来，这就是思维链（CoT）。作者举例：问从北京到上海怎么走，推理模型会把飞机、高铁的耗时、成本、舒适度、天气、行李一一权衡后再给建议；“8.9 和 8.11 谁大”这种题，没有思维链的模型容易答错，把步骤写出来就便于发现错误。

两阶段三步骤（第 4 章）：大模型训练分预训练和后训练两个阶段，后训练又分监督微调（SFT，用人工标注的数据针对某项任务调整模型）和强化学习两步，三步分别产出基础模型、监督微调模型、强化学习模型。作者认为预训练的规模增长已近尽头，后训练是差异化的核心战场。DeepSeek 的创新在于训练推理模型时直接用 GRPO 做强化学习，“逼着模型自己学会推理”。书中引 DeepSeek 论文：完全不做监督微调的实验模型 R1-Zero，会出现可读性差、中英文混杂的毛病。

强化学习：没有标准答案（第 4 章）：强化学习是让智能体在与环境的互动中试错，以获得最多的累积奖励，不依赖标注好的数据。作者用走迷宫作比：走到出口得 100 分，走错扣 1 分，玩多了就学会最优路线。

通过这个过程，我们可以看到强化学习的一个显著特点：它没有标准答案。

第4章 王者归来：强化学习再登场

GRPO 砍掉了“评论家”（第 4 章）：按作者的讲法，OpenAI 后训练用的 PPO（近端策略优化）建立在“演员—评论家”框架上：演员（策略模型，即大模型本身）表演，评论家（价值模型）打分，再加上代表“票房”的奖励模型和保证标准统一的参考模型，四个模型同时运行。其中价值模型也要边打分边训练，“为了培养演员，我们还得同时培养出一个评论家”，成本很高。DeepSeek 的 GRPO（group relative policy optimization，群体相对策略优化）直接去掉价值模型：同一个问题让模型多答几次，每次的得分与这一组的平均分比较，高于平均的做法就多用。作者说训练成本“至少可以减少一半”。

蒸馏：把推理能力“遗传”下去（第 4 章）：蒸馏让小的“学生模型”学习大的“教师模型”的输出。教师模型给出的不是非此即彼的硬答案，而是各种可能性的概率分布（软标签），保留了更多信息。DeepSeek 用 R1 的输出去训练更小的开源模型，得到的小模型在不少测试上超过了别家更大的模型；他们还比较了两条路：对小模型直接做大规模强化学习，不如把大模型的能力蒸馏给它，前者既耗算力，效果也不如后者。

尽管蒸馏策略在经济性和效率上表现出色，但要真正突破智能边界，它仍需依赖更强大的基础模型以及更大规模的强化学习。

第4章 再谈蒸馏：知识迁移的力量

探索未知的少年（第 4 章）：作者说，奥尔特曼多年向投资者宣称领先 AI 需要巨额资金和算力，一旦有人以极低成本另辟蹊径，“那些神化人工智能的说法就会不攻自破”。

比起算法上的创新，DeepSeek的探索更具战略价值，因为它在打开一个新时代的大门。

第4章 DeepSeek：探索未知的少年

在作者看来，R1 标志大模型从 L1（人机对话、语言理解）走到 L2（深度推理），下一步是 L3（智能体）。他判断接下来的技术趋势是强化学习、合成数据、大模型小型化、多模态、世界模型和具身智能，其中“大模型小型化是产业规模化应用的关键”。他设想大模型的能力会形成从“情商”到“智商”的光谱：情商中等的做智能客服，情商高的做销售，智商高的做代码生成和科研，再通过蒸馏、压缩变轻，对专有的小模型形成“降维打击”。推理能力可以继承和迭代，中小机构就能在现成的“智能基座”上定向培育，作者比作工业里标准件生产对作坊式制造的颠覆；当训练成本下降两个数量级，创新重心会从资源争夺转向场景创新。他把这称为 AI 进入“能力工程学”新阶段。

不缺钱，缺卡（第 5 章）：

细读DeepSeek团队的论文，每个段落都体现出对资源效率的极致追求，说白了就是省。

第5章

作者认为 DeepSeek 的种种技术取舍，比如用基座模型生成数据做冷启动、砍掉 PPO 里的价值模型改用 GRPO、共享专家、分流算法、优化跨节点通信，背后都是缺显卡。OpenAI 也喊缺卡，但两者不同：

限制OpenAI的是英伟达的产能上限与自身购买资金的不足，而DeepSeek面对的则是人为制造的匮乏——美国层层加码、步步紧逼的对华芯片出口管制。

第5章

美国 2022 年 8 月禁止向中国出售 A100、H100 等高端芯片，2023 年 10 月又把专为中国市场降级的 H800、A800 也纳入禁售。作者引 V3 技术报告：训练用了 278.8 万 H800 GPU 小时，按每小时 2 美元折算约 557.6 万美元。他把 DeepSeek 在封锁下取得的成绩比作 AI 战场上的一场“上甘岭战役”。

什么是算力（第 5 章）：算力就是计算能力，基本单位是每秒运算次数（OPS）；衡量 AI 算力常用每秒浮点运算次数（FLOPS），因为深度学习的核心是矩阵乘法，处理的是概率这类连续数值。提升算力在工程上就是把晶体管做小，摩尔定律说的就是芯片上的晶体管数每 18～24 个月翻一番。超算到了每秒千万亿次量级后，靠堆 CPU 已难提速，擅长大量简单矩阵运算的 GPU 由此与智能算力绑在了一起。

“卖铲子”的英伟达（第 5 章）：淘金热里，卖铲子的人稳赚。作者讲英伟达的起落：1993 年创立做 3D 图形加速，1997 年一度只剩几个月的运营资金，靠高性价比的 Riva 128 突围；1999 年的 GeForce 256 第一次提出“GPU”概念；2006 年推出 CUDA，想把 GPU 变成通用计算平台，却需求不明、成本抬高（被戏称“CUDA税”），股价一度暴跌。作者认为真正让英伟达走出危机的是 AlexNet：它证明了 AI 算力必须依靠 GPU。此后英伟达全力押注 AI，“一个英伟达大概率不会输的AI时代到来了”。书中还提到以黄仁勋命名的黄氏定律（Huang's Law）：靠架构创新和软件优化，AI 芯片性能的增长快过摩尔定律。

两种路线（第 5 章）：作者把 OpenAI 的商业模式概括为一个循环：向华尔街融资，买最新的 GPU，训练更先进的模型，向客户提供服务，再融资。问题在于提供服务这一步赚钱能力很差，只能靠讲模型更先进的故事继续融资，作者认为这形成了巨大的泡沫。美国以此为范本，从买 GPU 这一步卡住中国，作者比作《三体》里的智子锁死地球科技。

只是美国政府可能也没想到，在算力困乏的情况之下，以DeepSeek为代表的国产AI走出了另一条道路，极限压榨算力，通过算法创新，以巧破力。

第5章 OpenAI与DeepSeek：两种路线的较量

资源是什么（第 5 章）：作者认为，资源首先是满足人类需求的功能性存在，需求比功能更关键：没有蒸汽机，煤炭难成资源；没有内燃机，石油也一样。他引恩格斯：社会的技术需要“比十所大学更能把科学推向前进”。DeepSeek 发布后，微软 CEO 纳德拉评论说杰文斯悖论又来了：19 世纪英国经济学家杰文斯发现，资源使用效率提高，总需求反而增加。作者据此认为，DeepSeek 降低算力成本，会吸引大厂以外的玩家入局，给算力困局带来破局的希望。

因此，算力作为一种资源，其本质并非单纯的物理存在，而是社会关系的物质化体现。

第5章 OpenAI与DeepSeek：两种路线的较量

资源的开发和分配，背后是各方的权力博弈，就像石油引发的地缘冲突、碳排放权的交易。作者说，算力已经成为 AI 时代的“战略石油”。

中国的底牌（第 5 章）：作者列举国产芯片（华为昇腾、寒武纪）在追赶，“东数西算”工程在全国布局算力枢纽，并特别提出一张常被忽视的“撒手锏”：能源价格。中国在建的风电、光伏规模巨大，还在发展新型核电；他设想，一旦突破先进芯片的“卡脖子”，电价极低的智算基础设施会给中国大模型提供源源不断的算力。本章的结论是：大模型有“堆算力”的硬件路线，也有算法路线；DeepSeek 一出，人们开始怀疑，过去的 AI 发展思路“是不是在一条错误的道路上狂奔”。

开源不等于免费（第 6 章）：DeepSeek 的标志是蓝鲸，Llama 是羊驼，Linux 是企鹅。作者说，“为什么要开源？开源了怎么挣钱？”是 DeepSeek 大讨论里最有烟火气的问题。

首先我们要明确一点：开源不等于免费，只不过多数开源软件是免费的。

第6章 开源才是人类文明的常态

作者用一句话概括开源精神：知识成果的透明公开与共享，以及知识生产的协作。他从学术传统（“不公开发表就等于死亡”，专利也是用公开换取有限期的保护）和文明史（孔子的学说靠弟子记成《论语》）说明，开源精神古已有之，软件源代码就是“数字时代的学术论文”。他的判断是：闭源只是技术商业化进程中的阶段性现象，开源才是技术演进的历史常态。开源也有商业模式，“羊毛出在狗身上，让牛买单”：先开放代码、降低门槛、共建生态，再靠增值服务挣钱，例子有安卓、红帽（Red Hat）的订阅服务等。作者还说，“一项技术成功的标志就是不被感知”，就像眼镜，只有起雾时你才意识到它的存在。

微软：从打压到拥抱（第 6 章）：作者认为“闭源是正统”的错觉与微软渊源很深。盖茨早年发表公开信，把用户之间拷贝软件称为“盗窃”，此后长期打压自由软件和开源运动。1998 年雷蒙德（Eric S.Raymond）披露微软内部视开源为主要对手的“万圣节文件”；他的《大教堂与集市》（The Cathedral and the Bazaar）把集中控制、闭源的开发叫“大教堂模式”，开放、去中心化的开发（如 Linux）叫“集市模式”。鲍尔默（Steve Ballmer）曾称 Linux 为“癌症”；到 2014 年，纳德拉在发布会上高呼“微软爱Linux！”，后来微软开源 .NET、收购 GitHub。作者认为这一转向既有纳德拉的领导力，也是云计算时代的必然。

从微软对开源态度的转变我们不难看出，开源对于商业巨头而言并非主义而是生意。

第6章 闭源的由来与微软

OpenAI 与马斯克（第 6 章）：OpenAI 创立时以开源为理想，从 GPT-3 起不再公开完整的网络结构和权重。从公开的邮件看，马斯克当年担心开源会帮到对手谷歌；作者批评他忘了 OpenAI 本身站在谷歌 Transformer 论文的肩膀上。后来马斯克的 xAI 开源了 Grok-1 的模型，却没有公开训练代码，作者问：开源在他那里“到底是主义，还是生意？”

DeepSeek 为什么开源（第 6 章）：开放源代码促进会（Open Source Initiative，OSI）的开源 AI 定义要求四项自由：可以出于任何目的使用（无须许可），可以研究系统如何工作，可以修改，可以分享给他人；作者据一份对比 OpenAI、Meta、DeepSeek 开源程度的表格，认为 DeepSeek 最接近这个要求。梁文锋在访谈里说，当前是技术创新的爆发期而不是应用的爆发期；DeepSeek 只做基础模型和前沿创新，让别的公司在上面做面向企业和消费者的业务。

在颠覆性的技术面前，闭源形成的护城河是短暂的。即使OpenAI闭源，也无法阻止被别人赶超。

第6章 DeepSeek：开源战胜闭源

作者也指出，DeepSeek 敢坚持开源，底气在于不用直面资本压力。他认为“开源不是不要门票的游乐场，而是百花齐放的创新池”。开源的好处是社区帮着改进、省研发、反馈快，坏处是不直接带来收入、维护管理成本高；闭源商业模式清晰、定价自由，但用户对安全和透明有疑虑，生态也容易孤立。很多公司走开源和闭源混合的路。作者的结论是，有闭源软件就有开源的竞品，“开源是对任何一家公司垄断地位的真正制约”。

中美竞争的格局（第 7 章）：2025 年 1 月，美国宣布未来 4 年投入 5000 亿美元的“星际之门”计划，科技巨头的 AI 资本支出也在猛增。作者逐一介绍各家打法：谷歌重金扶持 Anthropic，“上演了一出AI版的合纵连横大戏”；亚马逊想靠云计算做中立的 AI“卖铲人”；Meta 开源 Llama，想复制 Linux 的模式；马斯克的 xAI 能用旗下企业的专有数据。中国企业则依托政策引导和市场需求，走“开源共享+场景深耕”的特色道路：美国企业更倾向“不计成本”地追求规模，中国企业更重效率，在模型压缩、算力调度上下功夫。书中逐一介绍的百度、阿里、腾讯、字节、科大讯飞、月之暗面、智谱等的产品，笔记从略。

如果说OpenAI让人们见识到了大模型这座冰山上半部分的巍峨，DeepSeek则让我们看到了冰山下半部分的隐秘和壮观。

第7章 颠覆式创新三要素

作者认为，技术、资本和市场完美结合，颠覆式创新才能真正创造价值。他的比较是：美国在基础创新和风险投资上占优，中国在应用场景和政策驱动上占优；美国的高端芯片优势稳固，中国在可再生能源、核能和特高压输电上有计算成本优势。他称之为“互补性对抗”，认为胜负取决于算力国产化的速度、应用场景的拓展和人才的创新能力。他也提醒，专利数量与实际有偏差：OpenAI 公开的专利只有 9 件，DeepSeek 只申请了 17 项核心专利，却代表了前沿。大模型玩家不能沉迷自我炒作、只盯着训练和基准测试，要把技术带进商业世界，产生客户价值（第 7 章）。

一盘离谱的棋（第 8 章）：国际象棋博主组织 ChatGPT 和 DeepSeek 对弈。下到后来，DeepSeek 自创规则，让兵像马一样走，吃掉对方的后，还从棋盘外“召唤”棋子；ChatGPT 也让被吃的车复活，最后在 DeepSeek 的“劝降”下认输。作者说胜负不是重点，本章想给普通使用者一份适用于 DeepSeek 和同类 AI 的使用指南。

通俗地说，AI幻觉就是一本正经地胡说八道。

第8章 幻觉：大模型的致命之处

幻觉从哪里来（第 8 章）：书中说，“AI 幻觉”（AI hallucinations）一词最早由计算机科学家斯蒂芬·塞勒（Stephen Thaler）在 1995 年引入，原指神经网络自发产生新想法，带褒义；北京大学的董彬教授至今仍说“幻觉和创造、创新其实只有一线之隔”。后来它才变成今天的意思：译文与原文不符、自信地说假话。作者自曝一例：他曾引用一句据说出自“控制论创始人”班纳的名言，结果是 DeepSeek 编的，“班纳”其实是绿巨人，两人都没说过这句话。书中还介绍 OpenAI 联合创始人卡帕西（Andrej Karpathy）的演示：让模型续写一段关于斑马的内容，结果与维基百科基本一致，说明模型会“不自知”地背出训练材料。作者把幻觉归为两个原因：学习材料本身有错，网上的谣言往往比真相多；模型处理长上下文的能力有限，没有真正的记忆，输出越长越容易出错。

而且，由于在后训练阶段对监督微调进行了削减，DeepSeek在众多大模型中出现AI幻觉的概率反而有可能是最大的。

第8章 幻觉：大模型的致命之处

幻觉也不全是坏事：在文学艺术创作里它是创造力的体现，“AI幻觉可谓多多益善”；写有固定格式的应用文时，AI 照本宣科反而是优势（第 8 章）。

使用者是师父（第 8 章）：作者说，AI 的知识储备和效率胜过任何专家，但不能把工作全交给它。

AI的使用者是师父，而功能强大、知识丰富的AI反而是徒弟，是使用者有计划、有目的地指导AI完成特定情景下的工作。

第8章 一道破万法：使用AI将知识引导出来

他借苏格拉底方法（亦称“产婆术”）：老师不灌输知识，而是通过提问，把学生心里已有的知识“接引”出来，像助产士迎接新生儿。用 AI 也一样：使用者扮演苏格拉底，不断追问，让 AI 把知识提取、整理出来，决策权始终在自己手里。

会提问，更要会提示（第 8 章）：和生成式 AI 的互动叫“提示”（prompt），AI 做的其实是“续写”提示。作者主张与 AI 对话，而不是“独白式”地宣讲：要倾听、回应、再提出新问题。他总结苏格拉底式对话的五个特征：启发式提问、承认无知、反驳与质疑、类比与隐喻、连续提问。他提醒，“提示并不等同于提问，提问只是提示的一种形式”，用 AI 时应少做无效提问，多做有效提示。

联网与交叉验证（第 8 章）：大模型像产品一样有“出厂设置”，只装着训练截止以前的知识，遇到时效性问题容易胡编。最直接的办法是打开联网功能，但这还不够。

因此，在实际应用中，最佳的做法是结合多个大模型和可靠的搜索引擎，进行交叉验证。

第8章 避免AI幻觉的另一个思路：联网更新与交叉验证

具体做法：同时用不同厂商的两个模型对照回答；再追问模型给出资料来源，用搜索引擎核实，来源不清或查不到的就要重新审视。

升维、降维与迁移（第 8 章）：作者认为，人类的智慧在于辩证地思考语言，AI 的智慧在于“计算”语言，掌握操控概念的能力最重要。他提出三步：定义概念是“降维”，把概念抽象出来，要弄清定义的目的和受众，选择合适的定义方式；展开概念是“升维”，从详细描述、举例、关联其他概念、历史文化背景几方面铺开（以“车”为例，从马车讲到自动驾驶）；迁移知识，是把概念从一个领域搬到另一个领域，比如把电动车的理念用到可持续发展政策的讨论上。

可以这么理解，学会和AI对话就相当于学会了深度思考。

第8章 多元融合思维：拓展维度、精简维度与维度转换

两个主流（第 9 章）：作者从 2024 年诺贝尔奖说起：物理学奖授予霍普菲尔德和辛顿，表彰他们用人工神经网络实现机器学习的基础性发现；化学奖的一半授予 DeepMind 的哈萨比斯和江珀，表彰蛋白质结构预测。他也指出，链式推理等机制提升了性能，但大模型仍不能可靠地解决算术、规划这类可以用逻辑推理求解的问题，尤其是超出训练范围的问题，这影响它在高风险场景中的可信度。

综上所述，未来10年AI的发展将出现两个主流：一方面，开放源代码的超大参数模型将不断探索人工智能的边界；另一方面，人们将致力于开发更小、更高效的模型，以提升模型使用的便捷性，并降低模型使用成本。

第9章

量子人工智能（第 9 章）：作者认为芯片越来越难遵循摩尔定律，量子计算利用叠加和纠缠，有望在特定任务上获得指数级加速；2013 年谷歌成立量子人工智能实验室，AI 与量子计算开始交汇。他回顾说，AI 每一次高峰都得益于硬件突破，低谷则源于硬件瓶颈，并预计当摩尔定律到达技术和经济的双重极限时，量子人工智能“必将大放异彩”。

生成式 AI 的三重进化（第 9 章）：从单模态到多模态，从标准化生成到“一人千面”的个性化定制，从技术应用到安全博弈。安全方面的例子：2024 年香港警方公布一宗深度伪造诈骗案，一家跨国企业香港分公司的员工参加了一场伪造的多人视频会议，会上除他之外全是用公开视频仿造的“高管”，他随后分 15 次转出 2 亿港元。还有 2016 年微软的聊天机器人 Tay，上线不到 24 小时就从推特上学会了种族主义言论，被迫下线。作者的分析是：机器学习过度依赖输入数据，而数据并不中立；AI 没有人类的价值观，缺少伦理引导就可能走上不道德的路。

深入高风险行业的挑战（第 9 章）：OpenAI 的语音转写工具 Whisper 被曝在转写中凭空添加内容，例如给人物加上原话里没有的种族描述，而基于它的转录工具已被美国大量医疗机构采用。作者分析了三个行业：医疗误诊频率低但后果灾难性，还牵涉 AI 是辅助还是独立决策、误诊谁负责、患者隐私；法律上 AI 理解不了社会背景、情感和复杂人际关系，冷冰冰的判断可能影响司法公正；金融上算法交易是黑箱，难以监管，数据偏差或漏洞可能引发危机。他主张监管、伦理规范和技术透明要与创新同步推进。

具身智能（第 9 章）：传统 AI 靠文本做“离身”推理，具身智能要求智能体通过物理身体，在“感知—行动”的循环中获得知识。它的核心假设是：智能离不开身体与环境的相互作用，就像婴儿靠抓握、行走来发展认知。书中例子有波士顿动力的人形机器人 Atlas（从液压驱动改为全电动），以及 2025 年央视春晚上扭秧歌的宇树 H1 机器人。作者认为高成本和长期稳定性仍是商业化的瓶颈，预计人形机器人有望在 5—10 年内在工业上普及。

人机共生（第 9 章）：脑机接口正从科幻走进医疗：2024 年 1 月，一位颈部以下瘫痪的患者植入 Neuralink 芯片后，能用意念控制电脑光标；上海一位患者植入国产脑机接口后，几个月就能用意念控制机械臂拧开矿泉水瓶。作者认为，后 AI 时代人的能力不再只取决于个人的生理和智力，而在于人与机器协同进化。

人机共生的未来，意味着一个更加协作的智能世界，我们与机器不再相互对立，而是处于一个共同进化、相互依存的生态体系。

第9章 人机共生：后AI时代的能力重塑

模型不是产品（第 10 章）：作者说，大模型是“人类历史上知识最丰富的机器”，东西方正在上演“诸神之战”，以 DeepSeek 为代表的“杭州六小龙”是大模型带来的现象级创新。他把杭州的崛起归于数字经济的产业基础、精准的政策扶持和自由开放的市场环境。但每到技术范式更替的早期，都会有一段看似混乱的阶段，人人都有想法，能经受时间考验的却很少。

可以肯定的一点是，模型不是产品，它还需要训练。

第10章

什么是深度创新（第 10 章）：

所谓深度创新，是以复杂性科学和颠覆性技术为双驱动，通过突破现有知识基座与制度边界，实现技术—市场—社会三维重构的元创新过程。

第10章 从DeepSeek到deep innovation

作者认为 DeepSeek 是点燃大模型在中国落地的“一把火”，但只是起点；真正的考验是变成突破性的产业创新，就像蒸汽机不只是替代马力，而是重构了生产方式。他举的例子是国际热带农业中心（CIAT）开发的 Tumaini 应用：它用农业专家标注过的大量健康或染病的香蕉图片训练，能识别几种作物病害和虫害，还提供离线模式。启示是：把 AI 用到细分的具体场景里，解决真实的痛点。书中说，科技是把钱变成知识，创新是把知识变成钱；技术创新的本质，是跨越发明与商业化之间的鸿沟，这需要多样性、想象力和“忘却学习”（unlearning），摆脱路径依赖。创新要先“解构”，不断冒出思想火花，再“建构”，靠有序的管理把想法落地；创新难以跨越“死亡之谷”，正因为这是一个先解构后建构的矛盾过程：官僚僵化的组织创意太少，过于机会主义的组织又接不住好创意。

创新者精神的三位一体（第 10 章）：作者认为，推动文明的不是“追逐利润，扩大规模，占领市场”的企业家精神，而是更高一层的创新者精神。

企业家关心的是如何赢，而创新者思考的是为何而战。

第10章 创新者精神超越企业家精神

他的框架是：创新者精神是科学家精神、企业家精神和工匠精神的交集，三者融合是化学反应，不是简单相加。

• 科学家精神：核心是敢于对一切理所当然说“不”，如伽利略、爱因斯坦；悖论是追求真理，但真理不等于行动。
• 企业家精神：改写规则、赚取利润，如福特的流水线；危险在于用算法压榨司机、用注意力经济撕裂社会。
• 工匠精神：对抗浮躁的专注，对一点点性能提升的偏执；风险是成为“技术僧侣”，完美主义变成进步的枷锁。

没有社会责任感的创新，不过是精致的掠夺。这当中的悖论是，虽然企业家创造价值，但价值不等于价值观。

第10章 创新者精神超越企业家精神

作者说，创新者的原点在三者交汇处：科学家的“为什么”、企业家的“为什么不”和工匠的“这样更好”。创新者拒绝三种惰性回答：“因为从来如此”“因为有利可图”“因为已经够好”。作者称达·芬奇为“终极创新者”：解剖尸体时是科学家，设计飞行器时是企业家，画《蒙娜丽莎》时是工匠。

王选的故事（第 10 章）：作者把王选当作创新者精神的中国典范。1975 年，王选从妻子陈堃銶那里得知国家“748工程”里有一个汉字精密照排的子项目，当时国内已有几个团队在做，多采用模拟存储和二代、三代照排机。他查阅英文文献后做了两个大胆决定：放弃模拟存储改用数字存储，跳过二代、三代机直接研制第四代激光照排系统；又发明了用“轮廓加参数”描述字形的方法，把汉字字形的信息量压缩了 99.8% 以上。样机刚出报纸样张，他就着手能实际应用的新型号；系统在报社用起来后，又被批评是“先进的技术，落后的效益”，他继续迭代，直到把产品推向市场。他的理由是：“机遇往往是一瞬而过的，机不可失，时不再来。”他提出“顶天立地”的产学研之道：“顶天”是不断追求技术突破，“立地”是把技术商品化、大量推广。王选还劝年轻人养成自己动手的习惯：新思想的提出者往往也是第一个实现者。作者另举币安创始人赵长鹏作反面教材，说商业成功和技术便利不是衡量创新的终极标尺，“企业家精神创造财富，而创新者精神创造未来”。

负责任创新（第 10 章）：作者说，内燃机、原子能、生物技术和信息技术都显示出技术创新的两面性；无人驾驶带来全天候的低价服务，也带来交通和数据安全问题，还损害出租车司机这一弱势群体的利益。生成式 AI 缺乏真正的理解，会产生幻觉，被用于虚假信息、诈骗和深度伪造。“人工智能是第一种能够自行做出决策并产生创意的技术”，这挑战了“技术中性”的传统观念。书中引阿西莫格鲁等人 2023 年的研究：公司往往把 AI 开发引向替代人力，而不是增强人力。负责任创新（responsible innovation）的概念已提出十多年，欧盟的“地平线2020”计划把它提到战略高度，它要求研究与创新回应社会的需求和意愿，让利益相关者参与评估，目的不是阻碍创新，而是让创新成功。

我们需要的不是更多的创新，而是更负责任的创新，一种将人类福祉、生态平衡和长远未来置于短期利润之上的创新范式。

第10章 呼唤负责任创新

熊彼特权重（第 11 章）：熊彼特 1912 年在《经济发展理论》中提出创新理论：创新是生产要素和生产条件的“新组合”；发明和创新的区别在于是否商业化，谁发明不重要，重要的是谁把它成功推向市场。引进别人的新技术并实现产业化也是创新，但要在消化吸收的基础上自主创新，才有根本的竞争优势。作者提出，若把企业家精神算法化，就是在损失函数里加一个“熊彼特权重”：对现状产生“创造性不满”，倾向于采取非常规方案，并且甘愿承担风险。

然而，人工智能的特殊性在于，它不仅是一种新生产要素，更是重构所有生产要素的元技术（meta-technology）。

第11章 熊彼特权重

AI 时代的创新有三个新特征：主体多元化，开源社区、AI 模型、自动化实验室都在创新；周期坍缩，从“发明—商业化”的线性过程变为“涌现—扩散”的爆炸式迭代；破坏性更大，可能整体消灭某些职业，而社会的再分配机制远没准备好。作者也提醒创新的代价：书中引克里斯坦森（Clayton Christensen）《创新者的解答》（The Innovator's Solution），大部分新产品研发资金最终血本无归；创新还高度依赖组织，乔布斯给 Mac 团队定下不超过 100 人的规矩，新增一人就要淘汰一人。作者设想，将来创新也可能由 AI 自己驱动，那时或许要把创新重新定义为“人类与AI在认知边界的共生演化”。

会聚创新：灰烬里的卷轴（第 11 章）：维苏威火山脚下的古罗马小城赫库兰尼姆，1750 年发掘时出土了一批完全碳化、无法展开的莎草纸卷轴。2019 年，肯塔基大学的西尔斯（Brent Seales）团队用同步加速器的高能 X 光给卷轴做 CT 扫描，分辨率达 8 微米。卷起的纸一层层都看得见，字却看不见：卷轴用的是碳基墨水，和碳化的莎草纸密度相近，在扫描图上几乎分不出来。团队于是训练机器学习模型来找墨水。前 GitHub 首席执行官弗里德曼（Nat Friedman）于是在 2023 年发起“维苏威火山挑战赛”，把扫描数据开放给全世界，用机器学习检测墨水，数千个个人和团队参赛。2024 年 2 月，三位年轻的参赛者（Youssef Nader、Luke Farritor、Julian Schilliger）因识别出 4 个完整段落、约 2000 个字符获得大奖。作者把这称为会聚创新（converging innovation）的典范：同步加速器和 CT 提供成像，AI 识别墨迹，考古学和历史语言学保证准确并赋予意义。没有大模型，破译可能还要几十年；AI 还把全球开源社区动员起来，形成分布式的科研新模式。

赫库兰尼姆卷轴的破译，不仅是一次技术的胜利，更是一种方法论启示——面对人类文明的宏大谜题，唯有打破边界，方能揭开答案。

第11章 会聚创新：一个灰烬中重生的案例

直觉是人类最后的坚持（第 11 章）：作者认为大模型有三大根本突破：交互界面（多模态、可以直接对话），规划和推理能力，更复杂的长期记忆和检索能力。这会重塑商业格局，但重大的原创突破仍属于人。书中引爱因斯坦谈理论构建：先靠直觉确立基本原理，这是最难的一步，其余都是逻辑推理；“发现这些定律，并没有逻辑路径可循，只能依靠基于经验共鸣的直觉去领悟”。牛顿也是这样：他认为行星运动和地面物体下落应受同一种力支配，进而发现了万有引力。

直觉是从0到1，逻辑是从1到1.1。

第11章 深度创新能力是人类最后的坚持

作者也举 mRNA 疫苗为例：这项技术因缺资金在早期停留了十几年，新冠疫情中才被迅速用于传染病疫苗，说明深度创新既靠科学家的执着，也靠技术积累、资金投入、高效协同和市场需求。他引基辛格等人的《人工智能时代与人类未来》：AI 带来的变革最终发生在哲学层面；技术可以加速迭代，哲学和伦理的适应却滞后。

历史经验表明，真正危险的不是技术的力量，而是人类对技术力量的理解未能与之同步。

第11章 深度创新能力是人类最后的坚持

火种与魔盒（第 12 章）：普罗米修斯盗来的火种照亮了文明，也招来惩罚；潘多拉的魔盒打开后，“希望”是否还在盒底？作者问：当机器能思考、学习、创造，人类的价值何在？

历史告诉我们：工具从无善恶，唯人性决定其归宿。

第12章

核裂变与 AI（第 12 章）：1946 年的《时代》周刊以爱因斯坦和蘑菇云作封面；巴菲特也把 AI 与核武器相提并论。作者认为两者有三条相同的危险逻辑：能量指数级爆发；存在临界点且不可逆，链式反应一旦开始就停不下来；都是双刃剑，核能可以发电也可以造原子弹，AI 可以研发药物，也可以制造深度伪造和诈骗。他说火在数字时代有三种新形态：速度之火，机器智能几个月就升级一次，伦理和法律跟不上；认知之火，深度伪造和信息茧房动摇“真实”这块基石；系统之火，经济上的大规模失业、政治上的算法独裁、生物上 AI 设计的病原体。核竞赛形成了“相互确保摧毁”的恐怖平衡，AI 竞赛却缺少约束：今天的 AI 开发分散在世界各地的无数办公室里，“没有谁能对整体风险负责”。作者的对策是“重建创新的神圣性”：给 AI 系统像核反应堆一样内置负反馈回路，把“图灵测试”升级为“人性测试”。

因为最终，所有技术都是人性的显影液。

第12章 速度与火焰终结一切

机器人税（第 12 章）：作者说，第一批被 AI 冲击的公司已经出现，比如学生作业辅导平台 Chegg 在 ChatGPT 推出后大量流失付费用户。积极的一面是，麻省理工学院的研究发现，与 GPT-4 对话几轮后，不少阴谋论者降低了对阴谋论的相信程度。联合国贸发会议的报告认为 AI 可能影响全球四成的就业；书中引阿西莫格鲁等人的研究，AI 影响劳动有四种方式：替代人力、补充人力、深化自动化、创造新的就业机会，作者认为最后一种最重要。比尔·盖茨 2017 年提出“机器人税”：对使用机器人的企业征税，用来减缓就业冲击、资助再培训。反对者说这是“对创新的罚款”，也很难界定什么算机器人。作者认为盖茨的推理链不完整（企业部署机器人和大模型本身投入很大、回报慢），但这个设想试图在效率与人类福祉之间求平衡，发人深省：不主动设计分配机制，AI 革命可能重蹈工业革命的覆辙。在他看来，机器人税不是惩罚创新，而是让从自动化中获利最多的企业多承担社会责任，“一个被失业潮撕裂的社会，最终也会吞噬科技巨头们的市场”。

魔法师的学徒（第 12 章）：1960 年，“控制论之父”维纳（Norbert Wiener）撰文担忧机器学习会以程序员都困惑的速度发展出无法预见的策略，并借歌德的《魔法师学徒》作比：学徒让扫帚去打水装满浴缸，却不会让它停下，结果水淹了房间。作者说，大模型就像那把被施了魔法的扫帚，人类则像得意扬扬的学徒；维纳的担忧是否成真，正是本书要探究的问题。另一面，AI 大大降低了创新门槛，个人和小企业能和巨头站在同一起跑线上，形成“人类定义问题—AI生成方案—人类优化落地”的闭环；创新也从“技术导向”转向“问题导向”，DeepMind 的 AlphaFold 2 在 2020 年的蛋白质结构预测竞赛中，预测结果与实验测定只有原子尺度的差异。

工具理性与价值理性（第 12 章）：马克斯·韦伯把理性分为两种：工具理性只看手段能不能最有效地达成目标；价值理性看重行为本身的价值，出于伦理、审美、信仰或责任感，不问成败。韦伯承认工具理性的合理和不可避免，又批评它把人困在效率至上的“铁笼”里，丧失对生命意义的反思。作者引社会生物学家威尔逊（Edward O.Wilson）的话：人类有旧石器时代的情感、中世纪的制度和“神一般的技术”，AI 就是这样的技术。他认为，倡导负责任创新，就是“对工具理性的矫正、对价值理性的回归”。

在技术的狂飙突进中，保持工具理性和价值理性的平衡，不让工具理性遮蔽价值理性的光芒与纯粹，是全社会的责任。否则我们可能赢得效率，却失去意义。

第12章 重温工具理性与价值理性

作者说，最深的恐惧来自人类自身：AI 放大人的能力，也放大人的缺陷，它可能成为监控工具、碾压弱者的巨轮，也可能成为教育平权的推手、化解气候危机的方案、跨文明对话的桥梁。

关键不在于AI能否思考，而在于我们是否还能清醒地思考自己究竟想要什么。

第12章 重温工具理性与价值理性

普罗米修斯的火种温暖了洞穴，却也烧毁了森林；潘多拉的魔盒释放了灾祸，却也在盒底留存了希望。

第12章 重温工具理性与价值理性