金融时报：算力狂欢的阴影，为何被遗忘的数学才是AI产业的救生筏

抖音热门 2026年07月07日 10:41 32 aa

在伦敦金融城与硅谷的风险投资会议室里，关于人工智能（AI）的叙事正在发生微妙却剧烈的转变。过去三年，全球资本市场经历了一场前所未有的豪赌，数千亿美元被倾注进图形处理器（GPU）、数据中心和大规模语言模型的训练中。然而，随着“扩展定律”（Scaling Laws）边际效应递减的信号频现，以及高昂的推理成本迟迟无法通过商业模式闭环来覆盖，一种不安的情绪开始蔓延。

在这个关键节点，Deeptech Labs董事长、Cantab Capital Partners创始人伊万·柯克（Ewan Kirk）本周在《金融时报》发表的观点引发了业界的深层反思。这位量化金融领域的资深专家指出，政府、行业和市场在疯狂追逐AI应用的同时，犯下了一个致命的战略错误：他们严重忽视了支撑这整座大厦的基石——数学。柯克的警告直指当前AI泡沫的核心痛点，即在缺乏深层数学原理突破的情况下，单纯依靠算力堆叠的“暴力美学”正面临不可持续的经济与技术瓶颈。

暴力计算的经济学死胡同

当前的生成式人工智能繁荣，在很大程度上建立在经验主义的基础上。工程师们发现，通过Transformer架构并未经深度数学证明的参数调整，只要输入足够多的数据和算力，模型就会涌现出智能。这种“炼金术”式的成功导致了行业的路径依赖：当模型表现不佳时，主流的解决方案往往是增加更多的数据和更大的算力。

然而，这种粗放的增长模式正在撞上经济学的铁壁。根据高盛（Goldman Sachs）和红杉资本（Sequoia Capital）近期的行业分析报告，为了收回目前投入的巨额基础设施资本支出（CapEx），AI行业需要产生数千亿美元的年收入，但目前的实际产出与之相去甚远。

柯克敏锐地指出，这种不盈利的商业模式并非长久之计。虽然“数学”这个词在充满未来感的科技路演中显得过时且枯燥，但商业的本质最终都要回归到数字。目前的AI技术栈效率极低，每一次用户提问背后的推理成本（Inference Cost）都像是在燃烧现金。如果不从数学层面优化算法，仅仅依靠硬件摩尔定律的进步，无法解决能源消耗和成本控制的结构性矛盾。

数学在这一语境下，不仅仅是基础学科，更是“效率的解药”。通过更优雅的线性代数优化、更先进的概率论模型以及对高维空间拓扑结构的理解，理论上有可能将现有模型的计算效率提升数个数量级，从而将目前昂贵的“玩具”转化为真正具备正向现金流的生产力工具。然而，这种底层的数学研究因为回报周期长、理解门槛高，在当前的投资热潮中被有意无意地边缘化了。

“黑盒”风险与数学的可解释性危机

除了经济账，忽视数学还带来了更为隐蔽的技术风险，即“黑盒”问题。目前的深度学习模型在本质上是概率性的，而非确定性的。这意味着即使是设计者也无法完全用数学语言解释模型为何会产生特定的输出，或者为何会产生“幻觉”（Hallucination）。

在量化金融领域深耕多年的柯克，对于这种风险有着天然的敏感。在2008年金融危机前夕，许多金融机构过度依赖复杂的衍生品模型，却忽视了模型背后的数学假设在极端市场环境下的失效风险。如今的AI领域似乎正在重演这一幕：我们将关键的决策权交给了一个我们并不完全理解其数学边界的系统。

政府和监管机构目前将大量精力集中在“AI安全”的立法和伦理讨论上，这固然重要，但如果缺乏对AI底层数学逻辑的深入研究，所谓的安全监管往往只能流于形式。如果不能从数学上证明一个系统的稳定性和边界，人类就无法真正信任它在医疗诊断、自动驾驶或金融风控等高风险领域的应用。

真正的“AI安全”不仅仅是设立护栏，而是需要数学家介入，建立一套全新的理论框架，用于描述、预测和控制神经网络的行为。这需要从基础的优化理论（Optimization Theory）和统计力学（Statistical Mechanics）入手，寻找能够解释深度神经网络泛化能力的数学定理。只有当AI从“炼金术”转变为严谨的“化学”，即我们能够精确预测反应结果时，真正的产业价值才会被释放。

重构创新生态：从应用层回归基础层

柯克的呼吁揭示了当前全球科技创新生态系统中的一个结构性错位。目前的资金流向呈现出极端的“倒金字塔”结构：绝大部分资金涌向了应用层（如聊天机器人、视频生成工具）和基础设施层（如芯片制造），而位于底层的数学与基础算法研究却面临资金匮乏。

这种短视行为导致了人才的错配。顶尖的数学天才被高薪吸引去优化广告推荐算法或微调大模型，而不是去攻克那些可能带来范式转移的基础数学难题。从长远来看，这实际上是在透支未来的技术红利。

为了扭转这一局面，不仅需要投资界的觉醒，更需要公共政策的引导。政府在制定AI国家战略时，不应仅关注建立多少个数据中心或孵化多少个独角兽企业，而应加大对基础数学研究的资助。这包括支持那些探索新型神经网络架构、非冯·诺依曼计算数学模型以及量子计算算法的冷门项目。

历史经验表明，计算机科学的每一次巨大飞跃，往往源于数学领域的突破。图灵（Alan Turing）在二战期间对可计算性理论的思考，奠定了现代计算机的基础；香农（Claude Shannon）的信息论，开启了数字化时代；辛顿（Geoffrey Hinton）等人对反向传播算法的坚持，引爆了深度学习的革命。

如今，面对数千亿参数的庞然大物，我们再次站在了需要数学指引方向的十字路口。如果行业继续无视这一点，坚持在沙滩上通过堆砌算力来建造高楼，那么当资本退潮时，留下的可能不仅是一地鸡毛，还有对整个技术进步信心的摧毁。正如柯克所言，要从AI行业获取真正的价值与优势，承认并重估数学作为关键一环的地位，已是刻不容缓。这不仅关乎投资回报，更关乎人工智能能否真正成为推动人类文明前进的通用技术，而非仅仅是又一次绚丽的郁金香泡沫。