🌀一、AI投資浪潮的起點：從技術突破到資本狂潮
2022年底，OpenAI推出大型語言模型（LLM）產品ChatGPT，僅兩個月活躍用戶即破億，成為史上成長最快的消費級應用程式之一。
隨後媒體報導指出，OpenAI執行長Sam Altman曾與台積電、三星、SK海力士等企業高層接觸，提出興建數十座晶圓廠的構想，規模可能高達數兆美元，投資領域於是開啟了一場AI狂潮，市場冰火兩重天，跟AI相關類股漲翻天，沒有AI就BI(悲哀)，股價如一灘死水。
這一切的源頭始於2017年的一篇論文:「Attention Is All You Need」，由Google團隊提出Transformer架構。該架構捨棄傳統循環神經網路（RNN），改以「自注意力機制（Self-Attention）」處理序列資料，奠定現代LLM基礎。幾乎所有主流模型，包括GPT系列與Google的Gemini，都建立於此架構之上。
由於GPT的表現太過驚艷，市場逐漸相信Sam atman的觀點：
「只要持續擴大模型參數、數據量與算力投入，AI能力便會線性甚至超線性成長」此一觀點被稱為:「Scaling Law(規模定律」
整個矽谷研究資源往大語言模型傾注，華爾街也將資金往大語言模型所需的部分如銀河之水傾注，例如需要的GPU與相關製程如先進封裝CoWos，散熱，HBM，電力，核能。
2026年科技巨頭預計對AI的資本支出預計達6500億美元，
摩根士丹利分析師Todd Castagno表示,超大規模業者的現金資本支出對營收比率將超越網路泡沫時期約32%的水準,在2026-2028年分別達到34%、39%和37%。
🌀二、Scaling Law(規模定律)是否存在極限？
隨著模型規模從數十億參數擴展至數千億、甚至兆級參數，性能確實顯著提升。然而近期問題開始浮現，例如:
- 邏輯計算的缺陷（幻覺）： LLM 本質上是基於機率預測下一個字的統計模型，而非進行符號推理 。這導致模型在處理如「1+1」這類具備固定答案的簡單邏輯時，容易產生「一本正經胡說八道」的「幻覺」現象 。
- 邊際效應遞減： OpenAI 內部也承認，單純擴大規模帶來的效益正在遞減 。這解釋了為何 GPT-5 推遲，而 OpenAI 轉向開發如 o1 這類強調「推理時計算」而非單純訓練規模的模型 。
- 資源與成本的重負： 單次訓練的峰值功率已達吉瓦（GW）級別，相當於一個中等城市的用電量 。
這也使業界開始質疑：大規模算力投入是否能解決架構層面的限制？
科技媒體報導指出，Hugging Face執行長Clem Delangue曾公開表示：「泡沫的是大語言模型，不是AI本身。」
換言之，問題或許不在AI，而在於我們是否將所有賭注壓在單一技術路線上。
🌀三、AGI：語言等於智能嗎？
Sam Altman的大語言模型+大算力可達成「AGI（通用人工智慧）」目標。然而部分學界領袖對此持保留態度。
前Meta首席科學家楊立昆認為，大型語言模型僅是語言預測機器，並未真正理解世界。人類智能並非建立於語言本身，而是透過對物理世界的感知、預測與行動能力所構成。
他指出，一隻狗雖然無法寫論文，但能理解基本物理規則——例如物體不會憑空消失。這種對世界模型（world model）的建構能力，是當前LLM所缺乏的。
另一方面，強化學習之父Richard Sutton長期主張：
智能來自於試錯與經驗，人類既有知識在初期可能對初生的智能體有幫助，但卻也可能形成固有經驗的天花版而阻擋成長。
這一觀點可從DeepMind開發的AlphaGo演進過程看出端倪：
- AlphaGo Lee：先學習人類棋譜，再進行自我對弈
- AlphaGo Zero：完全不依賴人類棋譜，只憑規則與自我對弈，三天內超越前代。
這意味著：人類經驗既是加速器，也可能是天花板。
當模型脫離人類既有資料束縛，反而可能探索出超越人類直覺的知識。
🌀四、算力中心論 vs 架構革命論
目前AI發展存在兩種主要敘事：
1️⃣ 算力中心論
代表觀點認為：
- 訓練算力自2010年以來年增4~5倍
- 前沿模型單次訓練峰值功率達吉瓦級
- 分散式多資料中心將成常態
- 更大集群意味著更多可能性
此派認為算法創新與算力擴張是互補關係。
2️⃣ 架構革命論
另一派則指出：
- Transformer無法解決符號推理
- 幻覺問題難以透過規模化消除
- 真正突破需來自新型架構（如世界模型、強化學習、自我監督探索）
🌀結語：AI會迎來範式轉移嗎？
回顧科技史，每一次重大技術突破都伴隨範式轉移（Paradigm Shift），
大型語言模型無疑是重大突破，但若其核心假設——「規模化足以逼近通用智能」——被證明存在結構性限制，那麼未來AI發展可能出現以下轉向：
- 從純語言模型走向多模態世界模型
- 從監督式學習走向強化學習或兩者並行
- 從追求集中式超大模型通用人工智慧(AGI)轉向追求走向分散式、專用化智能體「領域超人智能」
或許未來的智能，不會是單一個超級無敵的通用人工智能，而是一群能單一領域的智能體構建成的網路。
如果如此，那麼今日的LLM熱潮，可能只是AI長期演化中的一個階段性高峰，而非終局。
AI沒有泡沫——
但我們對「AI應該長成什麼樣子」的想像，或許正站在重構的邊緣。
AI 輔助創作程度聲明: Level 2
標準:
Level 0 (無 AI)： 全由人類構思並撰寫。
Level 1 (基礎校對)： AI 僅用於檢查拼字、文法、標點（如 Grammarly）。
Level 2 (結構建議)： 人類撰寫初稿，AI 提供潤飾、重組段落或改變語氣的建議。
Level 3 (共同創作)： 人類給予詳細大綱或部分段落，AI 根據提示生成特定章節，人類進行大量修改。
Level 4 (AI 主導，人類編修)： AI 生成全文，人類僅負責事實查核、微調修辭與最終確認。
Level 5 (全自動生成)： AI 自動生成、發布，人類完全未參與。
