下厨房1. 阿马拉定律与AI产业的认知偏差
罗伊·阿马拉（Roy Amara）在1970年代提出的这条定律，本质上揭示了人类认知技术发展的两种典型偏差。在AI领域，这种认知割裂表现得尤为明显：一方面，媒体对ChatGPT等产品的爆红过度渲染，营造出"AI即将取代人类"的恐慌；另一方面，却忽视了像深度学习三巨头（Hinton/Bengio/LeCun）持续30年的基础研究，这些真正推动技术质变的长期积累。
我在AI行业十年的观察是：每当技术突破的"陡峭曲线"出现时（如2012年AlexNet、2022年大语言模型），市场会立即产生泡沫化的短期预期；而当技术进入"高原期"（如2018年后的计算机视觉），又普遍低估其持续演进的可能。这种波动在Gartner技术成熟度曲线上呈现明显的锯齿形态。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 短期高估的三大表现
2.1 资本市场的非理性繁荣
2023年全球AI领域融资额达到惊人的$420亿，但仔细分析投资标的：约70%集中在应用层（如AI写作工具、图像生成APP），仅有12%流向底层算力/算法等基础设施。这种"重应用轻基础"的分配，直接导致大量同质化产品在12-18个月内因技术瓶颈死亡。典型如2020年火热的AI客服赛道，目前存活率不足5%。
2.2 媒体传播的失真放大
通过监测1000篇AI相关报道发现：涉及"取代人类工作"的标题占比达43%，而讨论"数据标注工人权益"的不足2%。这种选择性报道制造了"AI全能"的假象，实际上当前技术仍处于专用弱AI阶段。例如，某头部科技媒体将GPT-4的基准测试结果夸大解读，却未说明其事实错误率仍高达15-20%。
2.3 企业落地的预期错配
2023年企业AI项目调研显示：78%的决策者期望6个月内看到ROI，但实际需要18-24个月完成数据治理和模型调优。某零售巨头的案例很典型——其斥资$200万部署的推荐系统，首年效果甚至不如规则引擎，直到第三年数据积累足够后才实现30%的GMV提升。
3. 长期低估的深层原因
3.1 技术累积的隐形价值
1956年达特茅斯会议提出的AI概念，直到2012年才通过ImageNet竞赛爆发。这56年间积累的BP算法、卷积网络等基础研究，就像技术领域的"暗物质"——不被公众感知却构成质变基础。当前Transformer架构的突破，实际受益于1986年Hinton提出的反向传播理论。
3.2 基础设施的滞后效应
2016年AlphaGo战胜李世石时，单局对弈耗电约1MW（相当于100个家庭日用电量）。而到2023年，同规模计算能耗下降至50kW，这种指数级能效提升很少被纳入影响评估。更关键的是，5G边缘计算、存算一体芯片等配套技术正在重塑AI的部署方式。
3.3 社会适应的缓冲周期
电话发明后用了50年才普及率超50%，AI的渗透同样需要组织变革的配合。麦肯锡研究显示：采用AI的企业中，同步进行业务流程改造的仅占19%，而这部分企业贡献了83%的实际价值。医疗AI的实践尤其明显——AI辅助诊断准确率早在2018年就超过住院医师，但直到2023年才在顶级医院形成标准化工作流。
4. 理性评估AI价值的实践框架
4.1 技术成熟度矩阵
建议用四象限法分类AI项目：
| 预期时间维度 | 技术准备度(TRL)1-4级 | TRL5-9级 |
|---|---|---|
| 短期(1-3年) | 谨慎投入（如AGI） | 重点布局（如AIGC质检） |
| 长期(5年+) | 战略储备（如量子AI） | 生态构建（如AI+生物制药） |
4.2 投资回报测算模型
健康的技术投入应满足：
code复制技术成本 ≤ (替代人力成本 × 效率系数) + (创新溢价 × 风险系数)
其中效率系数建议按0.3-0.5取值（当前AI平均效率提升），创新溢价需结合行业特性。制造业可接受5-7年回报周期，互联网行业应控制在3年内。
4.3 风险控制的三道防线
- 技术防线：建立模型漂移监测（如每月统计准确率衰减）
- 伦理防线：设置AI决策追溯期（建议保留6个月完整日志）
- 商业防线：采用混合部署模式（关键环节保留人工复核位）
5. 从业者的认知校准建议
第一性原理思维很重要。当我参与自动驾驶项目时，发现多数人关注"何时实现L5"，却少有人计算：要处理10^23种交通场景，需要多少真实路测数据？后来我们建立换算公式：
code复制所需里程数 = (场景复杂度 × 安全系数) / 算法效率
按此计算，即便用仿真加速，L5级至少还需8-10年数据积累。这种量化分析能有效避免盲目乐观。
另一个经验是关注"相邻可能"（Adjacent Possible）。2019年我们研发AI设计工具时，没有追逐当时火热的全自动生成，而是聚焦"智能辅助"方向，开发了实时布局建议功能。这个看似保守的选择，反而成为后来Adobe等公司收购时的核心价值点。