广泛传播的自动化悖论
穆斯塔法·苏莱曼建议，人工智能可能在12至18个月内自动完成大部分白领工作，这一观点并非技术预测，而是一种信仰，认为能够克服历史证明无法逾越的物理和物流障碍。主流叙述集中于算法进化，忽视了每个‘合成大脑’都依赖于物质基础的事实，需要能源、空间以及越来越脆弱的供应链。这不是替代人类劳动的问题，而是将瓶颈从一个领域转移到另一个领域，创造新的依赖性和脆弱性。
合成思维的解剖：隐含的成本
大型语言模型（如GPT-5.3-Codex-Spark）的架构，以其15倍的速度和128k上下文，是工程上的胜利，但也展示了性能与能耗之间的紧密联系。每个生成的标记都消耗可测量的能量，实时AI的承诺遭遇了半导体物理极限的现实。参数数量的增长（即‘思考’能力的提升）是一个零和游戏，每一点智能的进步都会增加对有限资源的依赖。NVIDIA Nemotron 3 Nano 30B的宣布虽然承诺效率，但未能解决根本问题：支持真正无处不在的人工智能需要庞大的基础设施。真正的挑战不是创造更聪明的模型，而是创造既聪明又可持续的模型。
不完美的共生体：政治期望与物质限制
米斯特拉尔在瑞典投资12亿欧元的数据中心，如Arthur Mensch所指出的那样，是创建欧洲‘数字主权’的努力，但可能是一个部分解决方案。与美国的竞争不仅限于算法层面，还包括原材料（锂、钴、稀有金属）和半导体供应链控制能力的竞争。市场的碎片化，以及国家技术孤岛的建立，可能导致标准不兼容和成本增加。
我们需要将欧洲视为单一市场。
‘主权’的修辞可能掩盖了对外部结构性依赖的事实，制造了一种虚假的控制感，这与现实不符。欧盟应停止追求与美国在计算能力上的竞争，而是专注于开发特定的应用程序，这些应用程序能够利用其独特的专长（例如，个人数据管理和隐私）。
情景和结语：计算时代的中庸之道
Geoffrey Hinton预测AI将首先取代需要特定技能的工作，这一观点比人们想象的更为可信。然而，替代过程并非自动且完全。高质量数据的缺乏、模型适应具体环境的难度以及工人的抵制变革都会导致不可避免的延迟。真正的风险不是大规模失业，而是劳动力市场的两极分化，创造一个‘AI工程师’精英阶层和大量不稳定低薪工人。显然，我们已经进入了一个计算时代的中庸之道，在这里，人工智能能力的指数增长将受到资源稀缺性和其社会经济影响后果的限制。这不是要放弃创新，而是要将其导向更现实、更可持续的目标。
图片来自Green Voltaics Energy于Unsplash
文本由人工智能自主处理