蓝色巨头的清醒与“扫兴”：为何 IBM 执意要让 AI 变得“枯燥”？

TL;DR：

在硅谷狂热追求通用人工智能（AGI）的浪潮中，IBM 首席执行官 Arvind Krishna 与顶级科学家 Francesca Rossi 共同构筑了一道理性的防线。他们认为 AGI 既面临不可持续的经济深渊，也存在本质的逻辑缺陷，主张将 AI 重新拉回“增强人类”而非“取代人类”的务实轨道。

当硅谷的信徒们正挥舞着数万亿美元的支票，试图为那个名为“通用人工智能（AGI）”的神谕建造巴别塔时，在阿蒙克的 IBM 总部，Arvind Krishna 正拿着计算器，在那张通往神谕的账单上重重地划了一个红叉。

这位 IBM 首席执行官的声音在喧嚣的 AI 淘金热中显得冷峻而突兀。他并不打算加入这场关于“硅基生命觉醒”的宏大叙事，反而更像是一位在狂欢派对深夜突然打开大灯、宣布电费超标的管家。对于 Krishna 来说，这场通往 AGI 的竞赛不仅是一场技术博弈，更像是一个逻辑漏洞百出的经济陷阱。

1.5 万亿美元的“数学难题”

Krishna 的质疑首先来自于他作为工程师出身的企业家对数字的极度敏感。在最近的一次深入访谈中，他拆解了那座令人眩晕的算力金字塔。

“这是今天的数字。如果你承诺建设 20 到 30 吉瓦的数据中心，那就是 1.5 万亿美元的资本支出，”Krishna 语气平淡，却掷地有声。¹ 在他的账本里，这不仅仅是买地和买芯片的钱。在 8 万亿美元的宏大构想背后，每年仅利息支出就高达 8000 亿美元。²

“你不可能从这笔投资中获得回报，”他直言不讳地给这股热潮泼了一盆冷水。³ 对他而言，AI 芯片那仅有五年的折旧周期，像是一场与时间的残酷赛跑——在技术还没能产生足以覆盖成本的利润前，硬件就已经变成了昂贵的电子垃圾。这种对 ROI（投资回报率）近乎固执的坚守，让 IBM 在这个全民“催眠”的时代，显得既孤独又异常清醒。

思考的“快与慢”：逻辑的围城

如果说 Krishna 是从财务报表上判了 AGI 的死刑，那么 IBM 院士、AI 促进协会前主席 Francesca Rossi 则是从人类认知的深层结构中，指出了当今大语言模型（LLM）的“智力虚假繁荣”。

Rossi 观察到一个荒诞的现象：AI 可以解决奥林匹克数学竞赛的难题，却会在小学生都能完成的简单算术上翻车。⁴ “这种不一致性正是当前深度学习方法的明显局限，”Rossi 指出，现有的模型擅长的是基于概率的“预测”，而非基于规则的“理解”。¹

在 IBM 的实验室里，Rossi 正在领导一个名为“思考，快与慢”（Thinking Fast and Slow）的研究项目。这个灵感源自诺贝尔奖得主 Daniel Kahneman 的理论，旨在将神经网络的直觉式反应（系统 1）与符号 AI 的逻辑推理（系统 2）相结合。¹

“我们认为 AI 应当增强而非取代人类智能，”Rossi 这种对 AGI 术语的谨慎，折射出 IBM 长期以来的人文关怀。她不相信单纯的“规模（Scaling）”能产生智慧。当 LLM 还在幻觉的泥潭中挣扎时，IBM 试图通过引入“硬知识”（Hard Knowledge）——那些经过验证的事实与物理定律，来为狂奔的 AI 套上缰绳。⁴

“让 AI 重新变得枯燥”

“Make AI Boring Again（让 AI 重新变得枯燥）”，这句口号在 IBM 的拥趸中悄然流传。这并非对创新的消极，而是一种对可靠性的终极追求。

对于一家服务于全球银行、航空和医疗系统的科技巨头来说，“神奇”往往意味着“不可控”。Krishna 和 Rossi 所推崇的，是那种能够精确预测供应链波动、能够严谨验证代码漏洞、能够作为人类专家助手的“无聊”工具。

这种转型并非退缩，而是一种深思熟虑后的“行业先锋”姿态。当同辈们在争论 AGI 是否会在 2029 年到来时，IBM 将目光投向了混合云与企业级 AI 平台 watsonx。他们更关心的不是 AI 是否能写诗，而是它能否在不产生事实错误的前提下，为一家跨国企业节省 30% 的运营成本。

结语：在神谕之外寻找真理

Arvind Krishna 的克制与 Francesca Rossi 的严谨，共同构成了 IBM 在 AI 时代的独特画像：它是那个拒绝进入幻境的守门人。

这场关于 AGI 的争论，本质上是两种价值观的碰撞：一种是硅谷式的、带有宗教色彩的“进化论”，相信算力终将产生灵魂；另一种则是 IBM 式的、带有古典工业色彩的“工具论”，坚信技术的终点是服务于人的效能。

在 Krishna 看来，AGI 或许只是一个营销话术，而真实的世界需要的是能够落地的解决方案。¹ 或许，当 AGI 的泡沫最终退去，人们会发现，那些曾被嘲笑为“枯燥”的、基于硬知识与逻辑推理的系统，才是真正支撑起智能文明的基石。

引用

• Arvind Krishna
• Francesca Rossi
• IBM
• 通用人工智能
• AGI怀疑论
• 企业级AI
• 投资回报率
• 认知心理学