The Permission Slip

背景

这篇文章源自 Hacker News 社区的一篇深度评论，作者 Robert X. Cringely 是知名科技作家，也是初创公司 2Brains Inc. 的联合创始人。文章回顾并回应了此前他在该社区提出的一个假设性问题：“如果 Anthropic 的创始人兼 CEO Dario Amodei 错了，会发生什么？”

Dario Amodei 及其公司 Anthropic 是“规模至上”（Scaling Hypothesis）理论的坚定支持者。Amodei 在其著作《Machines of Loving Grace》中主张，通过不断增加算力（compute）和模型规模，最终能解决人工智能领域几乎所有棘手问题，包括目前备受诟病的“幻觉”（Hallucinations）现象。

Cringely 指出，尽管他个人欣赏 Amodei 及其公司，但这一论点在行业内产生了一种意想不到的后果：它变成了一张“许可单”（Permission Slip）。这张“许可单”让那些投入巨资的科技巨头和投资者相信，无需直接解决模型诚实性和可靠性问题，只需不断堆砌算力和资金，问题自会迎刃而解。随着 Stargate 项目（微软、甲骨文等参与的千亿美元级 AI 基础设施计划）等巨额投资的落地，这种“规模即答案”的信仰达到了顶峰。

核心内容

文章的核心在于质疑“规模能自动解决 AI 幻觉”这一主流共识，并从技术架构和商业逻辑两个层面进行了剖析。

1. “规模至上”论调背后的“许可单” Amodei 的观点隐含了一种“赦免”：只要模型足够大、训练时间足够长，幻觉问题就会自行消失。这种乐观情绪让 AI 行业松了一口气，导致整个产业链（数据中心运营商、芯片供应商、高估值实验室）形成了一种共同的激励机制——相信“更多”（More）就是答案。这种共识使得企业无需在模型的根本可靠性上投入精力，因为大家默认规模会解决这个问题。

2. 幻觉是 AI 进入企业级应用的关键门槛 作者强调，幻觉问题不仅仅是技术瑕疵，它是区分“聪明玩具”与“可信赖系统”的分水岭。对于医院、银行或法院等需要高度可靠性的企业级应用而言，幻觉是核心障碍。然而，在自上而下的主流智慧中，这一关键问题被忽视了，因为人们相信规模会提供解决方案。

3. 2Brains 的技术验证：架构优于规模 为了验证这一假设，Cringely 分享了他参与创立的 2Brains Inc. 在 2022 年（早于 ChatGPT 爆发及规模共识固化之前）所做的尝试。

• 解决方案：他们没有等待更大的模型，而是通过架构创新解决了幻觉问题。具体做法是将“生成语言”的部分与“检索和验证事实”的部分分离，并在数据到达用户之前进行调和。
• 性能与成本：该系统运行在普通处理器（CPU）上，成本低廉。
• 结果：在行业公认的忠实度基准测试中，其表现是公开基线的两倍以上，且在经过验证的案例中完全没有伪造事实。

4. 对“规模叙事”的两种可能性推演 如果 2Brains 仅用一套架构和 CPU 就能解决幻觉，那么关于“规模能解决一切”的故事只有两种可能，且对巨额投资者都不利：

• 可能性一：规模根本治不好幻觉。 模型会变得更大、更流畅、更有用，但依然会可靠地撒谎。在这种情况下，全球最大公司花费巨资追逐一个不存在的“解药”，Amodei 提供的“赦免”将成为该领域历史上最昂贵的判决。
• 可能性二：规模最终能减少幻觉，但代价巨大且路径迂回。 巨头们将花费天文数字般的资金，绕远路到达 2Brains 已经通过设计到达的地方。如果巨头们走的路线最终不得不经过 2Brains 所构建并保护的那种架构，那么“规模将解决它”这句话的真实含义就是“规模最终将重新发明一个已经被占有的东西”。

5. 对行业信仰的批判 Cringely 认为，过去三年关于 AI 的讨论被一种单一的“信仰”所主导：即所有问题的答案都是更多的算力。这种神学对信徒（要求他们花钱）和怀疑论者（要求他们等待）都极为便利，因为它回避了对核心承诺真实性的质疑。

关键要点

• “规模至上”是行业共识也是陷阱：Dario Amodei 等领袖的观点被解读为一种“许可单”，让行业相信无需直接解决可靠性问题，只需增加算力即可，这掩盖了企业级 AI 应用的核心痛点。
• 幻觉问题是企业级 AI 的分水岭：能否消除幻觉决定了 AI 是从“玩具”变为医院、银行等关键基础设施可信赖的系统。
• 架构创新可低成本解决幻觉：2Brains Inc. 证明，通过分离语言生成与事实验证的架构，在普通 CPU 上即可实现高忠实度，且成本远低于训练超大模型。
• 巨额投资面临逻辑风险：Stargate 等千亿美元级投资基于“规模即答案”的假设。如果该假设错误，或即使正确但需经过已被其他架构覆盖的路径，这些投资可能面临效率低下或方向性错误。
• 行业需要重新审视核心假设：当前的 AI 讨论过于依赖“更多算力”这一单一信仰，忽视了技术路径的多样性和根本性架构创新的价值。

意义与影响

这篇文章对当前狂热的 AI 投资和技术叙事提出了冷静的反思，具有多重深远影响：

1. 挑战“Scaling Law”的绝对统治地位：在 OpenAI、Google DeepMind 等巨头主导的“大力出奇迹”路线之外，文章为“架构优化”和“小模型/专用模型”路线提供了有力的理论支持和实证案例。它暗示 AI 的未来可能不仅取决于参数规模，更取决于系统设计的合理性。
2. 警示企业级 AI 落地的风险：对于金融、医疗、法律等对准确性要求极高的行业，文章提醒决策者不要盲目相信“模型越大越可靠”的神话。如果幻觉问题不能通过架构手段从根本上解决，大规模部署 AI 将带来巨大的合规和信任风险。
3. 重新评估 AI 基础设施的投资逻辑：随着 Stargate 等超大规模基础设施项目的推进，文章指出如果“规模解决一切”的假设不成立，这些万亿级投资可能面临回报周期延长或技术路径被颠覆的风险。投资者需要关注那些通过架构创新提升效率而非单纯堆砌算力的公司。
4. 推动 AI 伦理与可靠性的回归：文章将“幻觉”从技术细节提升到了商业伦理和行业存亡的高度。它呼吁行业从追求“更聪明”转向追求“更诚实”，这可能促使未来 AI 研发重心从单纯的模型规模竞赛，转向可解释性、事实核查和系统可靠性研究。

总之，Cringely 的文章并非否定规模的价值，而是反对将其视为唯一的、自动的解决方案。它提醒业界，在享受算力红利的同时，必须正视技术本身的局限性，并警惕由巨额资本推动的单一叙事所掩盖的潜在危机。