AI概念更迭快，这些曾经的“顶流”为何纷纷跌下神坛？

关注

转载最新推荐文章于 2026-05-13 09:21:35 发布 37 阅读 AI 写同款· GEO 优化 ›

1. 为何会患上“AI概念焦虑症”？

智能体、词元、vibe，coding、小龙虾、快乐小马，这些词轮番轰炸我们的脑海，带给我们一种深深的焦虑与窒息。似乎不抓紧学会新的AI概念，我们就会被技术甩飞，跟时代脱节。然而，刚刚学会一个新的概念，更新的东西又火热出炉，新的焦虑也随之而来。

怎么才能治好这种“AI概念焦虑症”呢？有个办法，就是根本不去管它。因为大部分AI概念都是昙花一现，很快就会被竞品覆盖，或者干脆烟消云散。

有很多曾经叱咤风云的AI技术或者商业风口，现如今都处在没人提起、根本想不起来的状态里。AI的聚光灯只能打在范围非常有限的舞台上，而舞台之外，是连绵成片、一眼望不到头的废墟。众多AI概念都曾经登上过神坛，迎接目光、鲜花或谩骂，但当它们跌下去的时候，却安静地一点声音都发不出。那么，今天还在神坛上的那些人和事，未来又何去何从呢？

一起逛逛废墟吧，说不定这荒凉的景色，刚好能治愈我们的AI焦虑。

2. 被砌在高墙下的对抗生成网络(GAN)怎么样了？

在2014年到2022年的深度学习时代，对抗生成网络（GAN）是计算机视觉方向绝对的顶流。GAN的模型架构思路在于，它设置一个“生成器”和一个“判别器”来进行零和博弈对抗，从而训练模型进行超高精度的视觉素材生成。GAN刚出来的时候，效果简直惊为天人，AI生成的人脸第一次实现了以假乱真的程度，以这项技术为基础，甚至出现了风靡一时的DeepFake人脸造假产业。

当时，AI顶会全都在讨论GAN，投资人和创业者疯狂押注GAN技术，以及相应的AI图像、AI相机、AI换脸等赛道。感觉谁要是不懂GAN，那他就离被AI时代抛弃不远了。

GAN算是非常长寿的AI技术了，但当2022年大模型时代到来，其也不可避免遭遇了被取代的命运。2022年Stable Diffusion开源，以其为代表的扩散模型，在图像生成效果上全面领先于传统的GAN模型，并且不会出现GAN训练不稳定、容易崩溃、需要大量经验性技巧进行收敛等问题。

近乎摧枯拉朽一般，曾经顶流的AI核心技术就退出了历史舞台。如今在工业界和大众层面，GAN都几乎完全被扩散模型取代。AI换脸也不再需要弄一套DeepFake软件，用几百张照片进行对抗生成训练，而是简单一个指令，一切都交给AI自己。当然不是说GAN没有用处，只是它成了AI高墙里的一块砖石，依旧能够承重，但不会被人单独拿出来欣赏。

这个故事告诉我们，AI领域的技术更迭是飞速的。即使非常稳定的基础设施式技术，也可能在瞬息间被覆盖。所有学习与投入，都应该将这一点纳入考虑范围。

3. 胶囊网络(Capsule Networks)是成功的创新吗？

有这么个现象，AI领域的大佬们对流行的AI技术永远是否定多于肯定的。这当然是很好的，批评产生反思，反思推动进步。但很多时候这些大佬提出来的解决方案，却也不一定灵光。

比如在2017年深度学习爆火之后，被称为“深度学习之父”，后来获得诺贝尔奖的辛顿就针对当时流行的CNN架构提出了诸多质疑，比如CNN鲁棒性太差，无法理解图像空间关系等。他提出用更加拟人的逻辑替代CNN，这项技术被他称为“胶囊网络”。

在“胶囊网络”刚出来的时候，由于辛顿过往战绩极佳，声名极其显赫，因此这项新技术也被产学各界视为启明星般的存在。而且相比于CNN架构，胶囊网络似乎更加强调仿生学的存在，相对更能贴合大众对AI这个词的想象。

于是乎，媒体和AI行业很快将“胶囊网络”夸饰为“下一代计算机视觉技术”，是“颠覆式的AI革命”。相关论文被疯狂引用，全球AI学界集体跟进。彼时中国互联网大厂刚刚开始布局AI，“胶囊网络”的热点也被及时抓住。据我们所知，很多大厂都第一时间成立了研究架构，重金招揽研发人才。

但事实上，“胶囊网络”可以说是一个失败的创新。它的训练难度极大，模型收敛效率很低，而且在大规模数据的处理上根本比不上CNN，更别提后来真正完成颠覆性创新的Transformer架构了。那些曾经跟随“胶囊网络”的学术与产业投入，自然都白白打了水漂。

现在“胶囊网络”只在学术圈有零星提及，大众层面根本无人问津。

这个故事告诉我们，大佬提出的新东西，很有可能只是一种前瞻性探索，没有后文，没有着落，也不必过多关注。

4. 机器智能只是企业大佬的空谈吗？

前面说的两个废墟，都是来自AI技术层面的坍塌。而在非技术的商业、企业战略层面，塌房的AI概念更是不计其数。

还是在那其实也不算太遥远的深度学习时代，中国刚刚开始全面接触AI这门新技术。那时候互联网时代的硝烟味还没完全散去，互联网企业家们还喜欢出来百家争鸣一下，面对了解或者不了解的东西都发表一些观点，而刚刚兴起的AI，自然也逃不出这个范畴。

当时一个让人印象深刻的AI叙事，是马云说AI这个词其实是错的，不应该是Artificial Intelligence（人工智能），而是Machine Intelligence（机器智能）。

这个说法背后的逻辑是，马云认为人类对自身大脑的开发不足3%，让机器模仿人类是一种误区。机器的价值不是像人一样做事，而是做人做不到的事。因此把“Artificial Intelligence” 翻译为 “人工智能”，是人类对自身的过度放大。

这段表述听起来很有道理，尤其很有“马云式”的道理。但客观上就是要在话语表述层面，把一个自达特茅斯会议以来全球范围内形成的完整学术与技术范式，推倒重来成为一个中国企业家的独特表达，其难度也是可想而知。

在阿里成立达摩院等研发机构的时候，“机器智能”还作为企业的官方表述列为重要研究方向之一。但后来随着推广效果不佳以及那些众所周知的原因，在阿里各种AI相关的活动与表述中，都不再能见到“机器智能”这一概念的身影。

2022年之后，大模型开始爆火，AI来到了全民时代。再有人提出“人工智能”这个词是翻译错误，估计也很难掀起水花。

这个故事告诉我们，如果说科技大佬研究的东西可能是昙花一现，那企业大佬谈论的东西则更是听听就行。其实中国企业家已经非常靠谱了，如果看看马斯克、奥特曼、扎克伯格等人的过往言论，那才真叫一个语不惊人死不休，反正互联网明早就把记忆丢了。

5. 提示词工程师为何一夜消散？

AI媒体特别喜欢用一种标题，叫作“XX一夜爆火”，“XX一夜变天”。一般来说，这是因为美国跟中国有时差，他们白天开了发布会，咱们这正好是后半夜，而早上醒来的编辑又懒得想标题了。

但是，既然有一夜爆火，那是不是就应该还有一夜不火？还真有，那就是提示词工程师这个岗位。2022年底，ChatGPT火爆全网。那个时候的大模型对自然语言的理解能力有限，因此往往需要编写一些特定的、结构化的提示词（Prompt）来引导大模型输出高质量结果。

大模型就像是一个游戏，已经被验证的提示词就像是这个游戏的通关攻略。一时社交网络上遍地都是分享提示词的内容。当提示词的需求来到了一个量级后，有些人聪明的小脑瓜就开动了：有需求就应该有商业行为，能不能干脆把写提示词变成一个工作？

于是就衍生出了提示词工程师这个新锐的风口职业。在当时，很多人认为提示词工程师将取代代码工程师，成为AI时代的核心职业。很多想要尝鲜AI技术的公司，给提示词工程师开出了几十万的年薪。很快，遍地都是提示词工程师的培训课程，甚至出现了专门售卖提示词资源的产业链。

但所有这些热闹都是建立在一个基础上：AI大模型的自然语言理解能力将持续很差，持续需要复杂、精准、结构化的提示词。大模型本来就在飞速进步，怎么会刚好停留在提示词工程师所需的水平，精巧绝伦地停滞不前了呢？

没多久，大模型的自然语言理解能力快速提升，用户的口语化表达和模糊质量都能生成高质量内容。“提示词工程师”，变成了“这事我问一下AI”。

“提示词工程师”很有可能成为史上最短命的职业，快速被扫进了历史垃圾堆。而那些贩卖提示词工程师培训课的人，可能又开始教起了小龙虾搞钱和一人公司创业。

这个故事告诉我们，技术是流动的。如果能预判其发展是最好。如果不能的话就等一等。

6. 无人零售为何在现实中垮塌？

曾几何时，我们身边雨后春笋一样出现了大量超市和便利店，他们都有一个统一的名字：无人零售。这类商店的统一特点，是用AI视觉识别来进行结算，完全取代传统便利店的收银员，从而实现24小时低成本营业。这个被称为“下一代零售革命”的风口，在短时间内吸引了超过百亿资金，互联网和商超巨头纷纷下场。最夸张的时候，全国一年内新开超过一万家无人零售商店，遍布各大商圈。很多人都说，“收银员即将被AI全面取代”。

讽刺的是，几年时间过去，收银员没有怎么失业，无人零售却基本算是完蛋了。在真实使用体验中，大家发现AI识别货品和结账非常缓慢，并且准确率极低，经常导致排队时间非常长。有很多需要顾客自行完成的操作，甚至有很多需要顾客自己解决的麻烦，而且无人零售实体的硬件成本与运维成本极高，很多时候还不如聘用真人收银员。

现实情况是，超过95%的无人便利店都已经关停，巨头转而布局起相对更加简单的无人售货机。

这个故事告诉我们，哪怕是已经在现实中大行其道的AI产业，也有可能过于理想，经不起现实的摩擦。