几天之前， 我读了一篇学术论文 这立刻让我想起了我的旧 AbShaper（https://www.linkedin.com/pulse/o-efeito-abshaper-verdade-inconveniente-sobre-projetos-deivid-bitti-wyzuf)。来自知名大学的研究人员发现了我们这些人工智能项目前线人员已经怀疑的事情：存在一堵无形的墙，这堵墙迫使大型科技公司不得不建造核电站来试图克服它。
现实的残酷数学
研究结果显示，任何首席财务官都会夜不能寐：要将法学硕士的绩效提高 10%，就需要将计算能力提高 10亿次是的，你没看错。不是 10 倍，也不是 100 倍。而是 10.000.000.000 倍。
这就像有人告诉你，“看，要想用 AbShaper 让腹肌线条增加 10%，你需要做的不是 100 次，而是 10 亿次。” 到了那时，即使是最乐观的买家也会认输。
与我们的商业现实相似
Na 弹性云 在交付了数百个项目之后，我发现这种模式以一种不那么引人注目但同样具有启发性的方式重复出现：
- 项目A：客户投资了 500 万雷亚尔，预期回报率为 200%。实际回报率只有 15%（虽然仍为正值，但远低于预期）。
- 项目 B：我们将数据集从 100GB 扩展到了 1TB。准确率提升了吗？从 82% 提升到了 84%。
- 项目C：我们的计算能力提高了三倍。响应时间减少了20%。
教训？ 更多并不总是更好。有时它只是更贵。
“GPT-4.5 将解决一切问题”综合症
最近，一位客户来找我说：“大卫，GPT-5 发布后，我们的问题就解决了，对吧？” 我不得不像 16 岁的自己那样，就 AbShaper 进行一场艰难的对话。
GPT-4.5 成本 30倍以上 比 GPT-4 更容易操作。改进之处？在定量任务上微不足道。这就像花 3.000 美元买一台 AbShaper Pro Max 钛金版，而真正的问题是你不想做仰卧起坐。
我们需要面对的真相
1. 虚假相关的问题
这篇论文揭示了一个有趣的现象：数据集越大，产生的“统计垃圾”就越多。这就像你错误地做了10.000个仰卧起坐——你练不出六块腹肌，反而会背痛。
在最近的一个项目中，我们发现我们的模型“学习”到了下雨时销售额会增加。为什么？因为在训练数据中，碰巧下雨天销售额也增加了。相关性？有。因果关系？零。
2. 收益递减规律永无休止
- 数据翻倍=7-9%的提升
- 双重处理=5%的改进
- 双倍投资 = 预期投资回报率的一半
3. 能量不是无限的
大型科技公司实际上正在重启核电站。与此同时，我们的大脑运转仅靠20瓦的功率——比LED灯泡还少。这个等式从根本上就出了问题。
真正有效的方法（剧透：这不是魔法）
完成所有这些项目后，我确定了真正起到推动作用的因素：
1. 特异性优于普遍性
我们没有试图创建“解决所有问题的模型”，而是创建了“解决您的特定问题的模型”。一位客户使用仅针对他们自己的票证（而不是互联网上的所有知识）进行训练的模型，将服务时间缩短了 40%。
2.混合智能
我们交付的最佳项目综合了：
- 人工智能进行初步筛查（准确率达 90%）
- 复杂病例需要人工处理（占病例的 10%）
- 持续反馈循环
结果？最终准确率达到 99.5%，成本降低 70%。
3. 数据质量 > 数据数量
干净的 1GB 数据集比混乱的 1TB 数据集表现更好。每次都如此。无一例外。
与顾客的艰难对话
今天，当客户对“人工智能的无限可能性”感到兴奋时，我会进行一次我称之为“现实时刻”的演示：
滑动1：“是的，人工智能具有变革性” 滑动2：“不，她不会创造奇迹。” 滑动3：“这才是真正需要做的工作” 滑动4：“这是现实的结果” 滑动5：“还感兴趣吗？”
令人惊讶的是，在谈话之后留下来的客户往往获得了最好的结果。
可持续发展之路
未来并不在于越来越大的模型，而在于：
- 深入理解问题 在选择工具之前，了解工作流程，而不是技术
- 医疗解决方案 小型、仪器齐全的模型 > 通用巨型模型 专注于您的特定用例
- 现实的期望 第一年的投资回报率为 10-20%，持续改进>即时革命
- 智能投资 投资于数据质量，而非数量。投资于既懂业务又懂技术的人才。
结论：AbShaper 仍然存在
我的AbShaper健身器至今还放在我妈妈的阁楼里，每天提醒我，天下没有免费的午餐。研究人员用数学方法证实了经验告诉我们的道理：无休止的攀爬并非解决之道。
真正的智能——无论是人工智能还是其他——在于认识到局限性，并在其中更聪明地工作。我们不需要核电站。我们需要清晰地了解我们想要解决的问题，并愿意付出艰苦的努力。
你对你的人工智能项目有什么不同的看法？你是在追求下一个最佳模型，还是在为你的特定问题构建合适的解决方案？
像我们的一些客户那样做，比如 福伊特集团 , 斐柏拉邦 , 电高巧克力 , ADCOS集团 , GE医疗保健 以及其他许多公司，聘请人工智能高管进行深入研究，了解我们如何将想法转化为具有实际可衡量回报的项目。
