川普上任之後，我的投資部位開始回吐，開始說服自己是長線投資。
這段時間我想了很多，開始思考長線投資，有沒有一個產業，至少能活五年。
在台灣，許多人依然深信房地產將持續上漲，股市會創下新高，甚至台積電有望重返千金股的榮耀。但說實話，這些領域的漲跌，從來沒有人說得準。一則來自川普的推文，可能就足以讓你的投資部位瞬間蒸發 10%。
那麼，有沒有什麼是五年內幾乎只會漲、不會跌的呢？如果我現在破題說：答案是 AI，相信不少人會點頭認同，但也會有人持保留態度。確實，質疑聲音從未消失，有人認為 AI 正是下一個科技泡沫——發展過快、熱錢過多、應用過於集中，終究會崩盤。
尤其是近期 Deepseek 的崛起，更加劇了這種聲音。這個新模型號稱推論成本下降 90%（印象中），讓人懷疑未來是否還需要龐大的 GPU 運算能力。但我認為，這是一種誤解。
AI 要進步，離不開兩大核心動力：架構創新與scale-up 擴展法則（Scaling Law）。即使像 Deepseek 這種模型架構能帶來效率提升，但從 GPT-3 到 GPT-4，參數從 1750 億一路暴增到 1.8 兆，這種等比級數的成長，才是性能躍升的主要動力。
GPU 的需求因此不是遞減，而是「遞爆」的。如果你了解 AI 模型的蒸餾過程，就會知道——新一代模型往往是站在上一代模型的肩膀上誕生的。即便某些模型宣稱訓練更便宜，事實上仍得依賴前代的大型模型提供訓練資料與知識壓縮。因此，真正的總成本並不如想像中樂觀。
從應用層來看，目前語言模型的確還停留在「增能」階段，輔助文字處理、客服、寫程式……離真正的科學突破還有距離。但一旦這些模型進入物理、化學、生物等科學研究領域，對 GPU 的需求將呈現幾何級數增長，並觸發新一輪的算力競賽。
應用領域除了日常工作與程式應用之外，AI在未來幾年的潛在用途，也將觸及到更具科學與社會意義的領域。例如，過去氣象預測主要仰賴傳統超級電腦進行數值模擬，透過方程組與物理模型來推算天氣變化，其運算量龐大，對超算設備有極高要求。然而，隨著大型神經網路模型的進步，已有研究顯示，使用AI模型進行天氣預測不僅能大幅降低計算成本，預測準確度甚至可能與傳統方法媲美。這代表未來透過GPU架構運行的語言模型或擴散模型，有可能逐步取代某些傳統高性能運算任務。
當然，AI 的發展也並非無懈可擊，排除GPU資源的限制之外，其最大的變數往往來自於政策與地緣政治的干預。以 Deepseek 為例，該模型在最初推出時表現相當亮眼，推測是因為其訓練資料來自於全球自由開放的網路。然而，隨著正式發表後，其聯網功能被限制只能從中國境內網站取得資料，導致模型的回答品質明顯下滑。
這一變化揭示了一個重要事實：大型語言模型的表現高度仰賴於資料來源的多元與自由。當訓練資料被侷限於資訊品質參差不齊的環境時，問題也隨之浮現。以中國許多網站為例，從搜尋引擎到實際取得所需資訊，往往困難重重，不但廣告滿天飛，還充斥假訊息與低品質內容，對模型訓練形成極大干擾。這也正印證了那句話：「Garbage in, garbage out」——輸入的資料若是雜亂無章，產出的結果自然難以令人滿意。
這段經驗突顯出一個重要的技術前提：要維持 AI 技術的前沿實力，全球資料的自由流通是一項關鍵條件。
沒有留言:
張貼留言