从云端到现实：AI是否正在错失真正的发展方向？

从云端到现实：AI是否正在错失真正的发展方向？

前些天，我曾转发了一位网友的留言：

孙老师，以前看到过一篇文章，硅谷的这些科技巨头，盯着最大的一个市场蛋糕，就是劳动力市场。这个市场规模按照私营经济的劳动力报酬，至少在10万亿美元左右。资本更喜欢的是替换人类的事，因为这个更容易实现。

现在广泛吹嘘的写PPT、编程、写报告这几件事，包括今年初的龙虾热，本质是为了用AI与算力来替代普通人力。

这位网友表达的并非完全准确，但也不是空穴来风。

其实，他看到的消息是这样的：2024年8月，硅谷风投巨头a16z的合伙人亚历克斯·兰佩尔（Alex Rampell）在其公司的官网上发布了一篇题为《输入咖啡，输出代码：AI如何将资本转化为劳动力》的文章。他提出一个令人震撼的论断：全球企业软件市场的年支出仅约3000亿美元，而白领劳动力市场的规模却高达10万亿美元。这意味着，AI若能成功“吃掉”哪怕一小部分白领工作，其市场价值将远超传统软件产业。

这一数字迅速成为理解硅谷AI投资逻辑的标志性论断。

并非只有a16z看到了这个机会。2026年5月，红杉资本在AI Ascent活动上同样抛出“10万亿美元级别的机会正在被打开”的观点。红杉合伙人Sonya Huang认为，AI是首个同时涵盖软件与服务赛道的万亿美元级产业浪潮。阿里巴巴董事局主席蔡崇信也从另一个角度给出了类似测算：全球GDP约100万亿美元，约60%由人类劳动贡献，若AI能替代其中20%的工作，以成本降低20%实现，至少创造10万亿美元的市场规模。

资本的逻辑清晰而冷酷：替代劳动力就是价值所在，哪里有10万亿美元的劳动力成本，哪里就有AI替代的巨大商机。

AI在技术上能不能做到这一点？当然完全有可能。而且现在已经不是有没有可能的问题，实际上是正在这么做；不但是正在这么做，而且这似乎是目前AI应用的最主要方向。原因显而易见。第一，这是最容易实现的。第二，有极强的市场推动力。AI应用的收入主要来自企业市场（B2B）。

这样做当然有其理由，从市场的眼光看，海量的个人用户虽然贡献了巨大的流量，但真正能转化为高额、稳定收入的，还是来自企业端，是B2B模式。例如，Anthropic目前已经拥有30万企业客户，年收入约70亿至90亿美元，其中高达80%来自企业，其Claude Code产品年收入已达4亿美元。OpenAI虽然约70%收入来自个人消费者，但B2B业务最近也迅速增长。

然而，这样的价值只能从有点缺德的意义上来理解。为什么这么说？从现实的意义上，AI对我们人类的直接影响主要是两个方向：一个可以称为替代，即替代人类的劳动，无论是体力劳动还是智力劳动；一个可以称为赋能，即增强我们人类的能力，做我们做不到的事情，或是比我人类做得更快更好。

替代型AI传导的逻辑链条是：AI对人力的替代 → 企业降本增效 → 岗位与就业机会减少 → 社会消费力降低 → 经济难以循环。因此可以说，替代型AI改变的是利润在资本与劳动间的分配，并不直接创造增量财富，而赋能型AI则会直接体现为增量财富的增加。

从替代路线到赋能路线

其实，说替代型AI“缺德”，“缺德”当然是一个贬义词，但也不必将其中的贬义看得过重。在被替代并由此失去职业的人看来，这当然是一种缺德的东西；但从另一个方面来看，这可能也是AI发展不得不经过的一个阶段，因为如果没有这一阶段的探索和技术积累，就不会有下一个阶段发展的基础。

因此，如果说这一阶段的方向有问题的话，并不在基础研究的层面，而是市场将商业目标设定在如何用更少的钱取代更多的人，而不是放在增量财富的创造上。当然，如果纯粹从技术的角度说，可能前者在技术上更为容易，至少在逻辑上可以直接使应用的企业降本增效。但最近我看到的一个数字是，半数以上部署了企业级AI的公司无法产生超过资本成本的回报。

这表明，相对于替代，赋能可能更具技术与商业上的挑战，但其潜在价值却更大。

物理AI：从比特世界到原子世界

在我看来，无论人工智能在技术上具有如何的颠覆性，最后都要落实到两个东西上：一是创造实实在在的增量财富，二是做人类无法做到的或不愿意做的事情。

从这个意义上说，世界模型、物理AI、具身智能，应该是更有意义也更有潜力的方向。

图灵奖获得者杨立昆（Yann LeCun）先生认为，从大语言模型（LLM）到世界模型是AI发展路线的一次重要转换。英伟达CEO黄仁勋多次表示，数字AI只是AI产业的上半场，物理AI才是未来数十年科技行业的核心增长浪潮，也是人工智能从智能交互走向智能造物的关键拐点。

杨立昆并不否认LLM在对话、文案、代码生成等方面的实用价值。但他认为，单纯依赖大语言模型的路线是错误的，必须转向能让AI理解并与物理世界互动的“世界模型”。在杨立昆看来，LLM本质上是语言的囚徒，只会“词元接龙”，根本不懂真实世界。它是通过统计概率预测下一个词，却从未理解物理规律、因果关系，也缺乏长期记忆和真正的规划能力。

他举过一个经典例子：人类凭常识知道推杯底会滑、推杯口会翻，但LLM只能靠文本统计概率去猜。这种“不懂”，是架构层面的原生缺陷，靠堆参数、加数据无法修复或解决。其道理在于，物理世界的绝大多数细节本就是不可预测的。

所谓世界模型，最通俗地说，就是让AI像人类婴儿一样，先通过观察和感知理解重力、因果、空间等真实世界的运行规律，再学会说话和行动。世界模型的目标不是预测下一个词，而是预测“下一个物理状态” —— 物体位置如何变化、一个动作会引发什么连锁反应。

杨立昆预言，最迟到2027年初，全行业将普遍承认LLM路线走不通。届时，纯语言模型的“缩放定律”将彻底失效，“物理AI”的革命将全面到来。他乐观地认为，三到五年内，世界模型将取代LLM成为主流AI范式。这不仅是技术路线的分歧，更是一场关于“智能本质”的哲学之争。

彼得·蒂尔曾经用比特世界与原子世界之间的关系来说明赋能型人工智能的困境。我们现在的生活所依托的还是原子世界，消费市场还是原子世界的市场，因此，赋能的关键是如何打通比特技术通向原子世界的通道，在原子世界主导的市场中创造出增量财富。

如果从这种意义上说，世界模型、物理AI、具身智能，通过这一步步的递进，将有可能打通从比特世界走向原子世界的通道，从而开辟出人工智能通向广阔物理世界的路径。