馬斯克轉發對比圖嘲諷當前AI行業氛圍，過去強調高深數學，現在則是持續喂數據、堆GPU
馬斯克轉發一張對比圖，調侃過去與現在AI研發方式的差異。過去強調高深數學、統計證明與理論過程；現在則是持續喂數據、堆GPU、把模型做得更大，能用就行，甚至可能成爲最強模型後繼續擴大規模。
該圖將“AI then”呈現爲需與核方法、高斯過程等複雜理論搏鬥的場景，將“AI now”簡化爲不斷要求更多數據、GPU與Transformer直至“somehow it worked”的路徑，並配有Grok相關元素。轉發引發大量討論，涉及對“苦澀教訓”（compute優先於手工特徵）的認同與對scaling極限的爭論。
情緒與資本同步流向可規模化路徑。資金與算力持續集中於數據與GPU堆疊策略，理論驅動型研究相對承壓；受益方爲掌握大規模訓練資源的玩家，傳統注重證明與可解釋性的學術路徑面臨邊緣化壓力。
來源：公開信息
ABAB AI 解讀
AI研究範式在過去十年發生根本轉向。早期依賴核方法、貝葉斯方法與嚴格統計保證，強調可證明性與過程嚴謹；當前主流被Rich Sutton提出的“苦澀教訓”主導，即通用方法疊加大規模算力最終戰勝精心設計的特徵工程。
資本路徑清晰：資金從理論與算法創新，大規模轉向數據中心、GPU集羣與更大數據集。xAI、OpenAI、Google等均以“更大模型+更多數據”作爲核心競爭策略，動機在於實證表現（benchmark與實際可用性）已取代理論優雅成爲主要評價標準。
類似案例可見深度學習對傳統機器學習的全面替代，以及當前從純語言模型向多模態與世界模型的進一步擴張。行業處於“規模仍是最可靠槓桿”的階段，理論工作更多服務於事後解釋而非前置設計。
本質屬於技術替代。機制在於當算力與數據成本下降到一定閾值，暴力搜索與規模擴展的邊際收益持續高於精細理論設計，導致整個研發文化從“證明正確”轉向“先跑通再解釋”。
ABAB News · 認知定律
能跑通的方法，最終會擊敗更優雅但跑不通的方法
算力足夠大時，理論門檻會被重新定義
行業真正的信仰，從“證明”轉向了“scale”