没有任何专家能够逃脱“专业能力对数式增长”的曲线。无论是星舰企业号的工程官乔迪·拉福吉少校（前景），还是莉亚·布拉姆斯博士（中景），当然也包括舰载计算机本身（背景）。图片来源：screenrant，wikipedia
（本文最初是在 LinkedIn 风格的平台上随手写成的，下面版本略作修订，以便更好地“掌控所有权”和保持理智。）
一切专业能力都是对数增长的，而不是指数增长
星舰企业号的工程官——乔迪·拉福吉少校——几乎就是“使用生成式 AI 的工程师与高管”的原型人物。他时时刻刻都在使用那台由反物质驱动的舰载 LLM，甚至经常在生死攸关的时刻，用它来解决全新、一次性的复杂问题。
但他之所以能如此成功地使用这些系统，并不是因为 LLM 本身多么强大，而是因为他能够识别极其细微的错误，并用自己顶级的训练背景和多年一线实战经验进行补偿与增强。
换句话说，他拥有通过长期磨炼获得的高度专业化的隐性知识（tacit knowledge），而这种知识是任何静态数据语料库——无论多么庞大、详尽——都不可能具备的。品味、判断力和直觉不是天生的，而是后天培养出来的：通过系统训练、刻意练习，以及与现实世界的频繁、剧烈碰撞。是的，是频繁而暴力的现实碰撞。
然而，不论是人类还是计算机，其专业能力的增长都遵循对数曲线：最初进步飞快，持续一小段时间；随后进步放缓但仍可感知；最终，增长几乎变得不可察觉——再多的投入，也难以带来有意义的产出。
换句话说：
专家系统，需要专家用户。
我将这一现象称为：乔迪·拉福吉悖论（The Geordi LaForge Paradox）。
语言模型越大、越复杂，用户自身的世界模型就必须越成熟。只有受过严格训练的放射科医生，才有能力去审视计算机模型给出的影像分类结果。也只有乔迪，才能同时挑战舰载计算机与布拉姆斯博士那种高度专业、深度信息化的判断——因为只有他，是通过唯一可行的方式学会那些真正困难的东西的：那条漫长而艰辛的道路。
而这一科学事实，具有深远的影响。
关于“2030 年及以后”的故事，其实正在当下发生
只是，人们并没有在正确的地方寻找那串“丢失的钥匙”。他们只盯着那根炽热的路灯柱——也就是由核电驱动的、抽象化的大型 LLM 机器。像飞蛾扑火一样，被自己制造出来的引力井所困：既包括情绪与心理注意力上的沉没成本，也包括现实世界中的实际投入。
我对 LLM 技术的乐观判断是：
到大约 2030 年左右，我们将从 Transformer 架构、规模化与压缩中，获得一些并非微不足道的直接收益，例如：
- 一大批商品化的、超专业的模式匹配专家系统（天文影像、放射影像、计算机视觉、多媒体制作工具等）；
- 以及一些通用的、商品化的语言翻译引擎（真正意义上的“巴别鱼”，比如 Azmat Yusuf 的 Talk Machine 之类）。
然而，真正巨大的收益将来自间接效应：当 GPU 投资开始“变形”为服务于当今严重被忽视、却足以重塑世界的科学与工业应用领域时。
可以想象这样一个场景：
“校园级 GPU 超级计算机，便宜到几乎可以忽略计量成本。”
巨量 GPU 基础设施 → 工业应用的嬗变
我真诚地希望，我们能看到类似历史上铁路、电信或云计算繁荣之后发生的那种局面：
巨额资本投入，通过资产减记、贱卖、破产式并购等方式，重新分配基础设施所有权，从而催生完全出乎意料的工业、经济乃至社会政治现象。
或许（我希望如此），我们会看到数据中心的去中介化：整柜整柜的计算设备被运往私营企业、大学等地方——后院里堆着超级计算机。
一个全新的“Oxide Computer Company”式企业生态，随之诞生。
突破性科学与工业工程，需要“周期时间”的压缩
如果真的进入一个“GPU 便宜到不计成本”的阶段——假设持续十年，直到 2040 年左右——那么传统确定性建模与仿真类工作负载的迭代周期，可能会被极大地压缩。
比如：
- 全基因组测序在数秒内完成；
- 高保真扫描与成像（想象一下由超级计算机驱动的 MRI）；
- “n=1”的精准医学突破——将专家主导的鉴别诊断过程，从数年数月压缩到数天甚至数小时；
- 疫情中的疫苗响应速度大幅提升（也许不再需要庞大的受试人群与漫长时间来获得统计显著性）；
- 整个火箭系统在计算机中完成设计、仿真与测试（不再主要通过“非计划中的中途解体”来发现极限）；
- 小鼠，甚至线虫级别的全脑（也许全身）模拟；
- 多物理场与材料科学创新（是否有 LLM 辅助并不重要）；
- 等等、等等。
凡是今天“计算成本高得离谱”的事情，都可能被彻底重塑。
那么，我们这些年到底在建什么？
整个社会一直在构建高度并行的计算硬件——GPU 与内存逐渐成为商品化单元，主要是由消费级应用驱动的，而不是重工业或国防需求。
路径大致是：
- 首先服务于游戏与视频流媒体；
- → 推动经典机器学习与 AI；
- → 与之一起推动分布式账本；
- → 如今被重新征用，用于“规模化 AI”。
但问题在于：规模化 AI 正以比加密挖矿更快的速度，撞上同样的能源与物理极限，而且资本支出与运营成本高出几个数量级。
IBM CEO Arvind Krishna 在 Decoder 播客中与 Nilay Patel 的一段对话，把这一点说得非常直白（重点为作者强调）：
“我们回到当下的成本来讨论，因为未来的东西都只是猜测。
填满一个 1 吉瓦的数据中心，大约需要 800 亿美元。这是今天的数字。
如果一家公司要承诺 20–30 吉瓦，那就是 1.5 万亿美元的资本支出。而且五年内必须把它用完，否则就得推倒重来。
现在全世界在追逐 AGI 的承诺，大约是 100 吉瓦规模，那就是 8 万亿美元的资本支出。
我认为这是不可能获得回报的。因为 8 万亿美元的资本支出，意味着你至少需要 8000 亿美元的利润，才能支付利息。”
LLM 的狂热爱好者或许会认为 IBM 只是因为“错过风口而心怀不满”。但 IBM 存在的时间，比几乎任何公司都长，长到足以明白什么叫高度杠杆化的资本支出。
除非出现比太阳能还便宜的聚变能源，或者金融工程的奇迹——也许真有债务重组的魔法师，也许量化宽松能让非理性持续得比我还能保持清醒更久——否则，草算账终究会收敛为：
一个后 LLM 基础设施过度投资的、计算能力严重过剩的经济体。
那么，真正的问题是：
谁，正在为以“白菜价”接盘并重新利用那些被蒸发掉的数据中心投资，提前布局选择权？