最近，由麻省理工學院（MIT）Ayush Chopra與Santanu Bhattacharya領銜，聯合橡樹嶺國家實驗室（Oak Ridge National Laboratory）及多個州政府政策辦公室發佈了一份重磅報告——《冰山計畫：冰山指數與AI經濟中的技能敞口測量》（The Iceberg Index）。圖片 | 來自網路報告中得出的結論讓我們冷汗直冒，但又異常興奮。MIT說，我們目前看到的AI繁榮，僅僅是漂浮在水面上的2.2%；而水面之下，隱藏著高達11.7%、價值1.2兆美元的“隱性技術敞口”。這究竟是什麼意思？又意味著什麼？01 用超算推演AI經濟在看完報告後，如果你一定要我們給這份報告找一個核心隱喻，那就是：不要用溫度計去測量風速。過去兩百年，經濟學家們習慣了用GDP、失業率、全要素生產率來衡量技術革命。在蒸汽機時代，這很管用——機器進廠，工人下崗，產量翻倍，資料立竿見影。但在AI時代，這些指標統統成了“滯後指標”。當GDP資料反映出變化時，變革早已結束，甚至屍橫遍野。因為AI不像蒸汽機那樣笨重可見，它是無形的、滲透性的。比如當一個護士用AI最佳化了排班表，從而多照顧了兩名病人，GDP捕捉不到這個變化；當一個中西部工廠的品控經理用視覺模型替代了肉眼檢查，失業率資料也還沒來得及反應。為了打破這種盲視，《冰山計畫》的研究團隊做了一件極其硬核的事。他們動用了世界級的Frontier超級電腦，建構了一個“大群體模型”（Large Population Models, LPMs）。簡單來說，他們造了一個“平行宇宙版的美國”。在這個基於AgentTorch建構的數字沙盒裡，生活著1.51億個“數字工人”。他們是擁有獨立屬性的智能體（Agent）：每個智能體都有具體的職業（覆蓋923種工種）；每個智能體都點亮了不同的技能樹（基於O*NET的32,000種技能）；每個智能體都有真實的地理坐標（分佈在3000個縣域）。研究團隊向這個沙盒投放了各種AI工具（從Copilot到Zapier自動化流），然後按下“運行鍵”，模擬這1.51億人在數十億次工作互動中，到底發生了什麼。提一嘴，這種模擬方式對現有的社會研究是一種降維打擊。而正是通過這種上帝視角，我們才第一次看見了那個被傳統經濟學遺漏的龐然大物——“冰山指數”（The Iceberg Index）。02 報告的3個洞見好，Frontier超算的模擬結果讓我們看到了3個洞見：首先擊碎的是我們對“AI中心”的地理認知。如果你問一個路人：“美國AI革命的中心在那裡？”十個人有九個會回答：舊金山、西雅圖、波士頓。但《冰山計畫》通過熱力圖揭示了一個“產用分離”現象：生產AI的地方（GenAI Hubs） ≠ 被AI重塑的地方（AI-Exposed Hubs）。我們可以說——2.2%水上 vs 11.7%水下。水面之上，是2.2%顯現薪資價值。這部分主要集中在加州、華盛頓州。這裡的工程師們在訓練模型，VC們在談論估值。這裡是AI的“兵工廠”，雖然喧囂，但只佔經濟總盤子的極小部分。水面之下，是隱性的11.7%價值。這部分遍佈全行業，是靜悄悄的效率革命。最驚人的發現是：那11.7%的隱性金礦，並不在矽谷，而是在俄亥俄州、田納西州、猶他州、密歇根州。也就是我們常說的“鐵鏽地帶”。那為什麼會這樣？你想想，AI大模型最擅長解決什麼問題？它擅長處理複雜的文件、協調繁瑣的流程、最佳化大規模的調度、輔助專業的合規判斷。那裡這種工作最多？不是在寫程式碼的矽谷創業公司，而是在擁有龐大供應鏈的製造業基地、擁有複雜理賠流程的保險中心、擁有海量病例管理的醫療重鎮——在俄亥俄州（冰山指數高達11.8%），無數的製造業供應鏈需要管理；在田納西州（11.6%），聯邦快遞的樞紐帶動了複雜的物流計算。報告將這種現象稱為“自動化意外”（Automation Surprise）——這些地區表面上看起來毫無“科技感”，但其內部的技能結構正處於極高的AI滲透前夜。這給我們中國的啟示也是震撼的：所謂的“舊經濟”，其實是AI最大的“新礦場”。其二，讓我們深入解剖一下11.7%通過超級電腦模擬，得到的技術敞口是11.7%。其實很多人看到“11.7%的技術敞口”時，第一反應往往是鬆了一口氣：“還好，只有一成多，還沒到大面積失業的時候。”這是一個誤讀。要知道，AI重新定義了“工作的價值”。在過去的工業革命中，自動化遵循“替代手腳”的邏輯：先替代最髒、最累、最廉價的體力勞動（比如搬運、組裝）。但《冰山計畫》說：這一次，AI正在吞噬的是高薪技能。讓我們把一個資深金融合規官（年薪20萬美元）的工作拆解開來：A類技能（耗時60%）： 閱讀幾百頁的新監管條例，比對舊條款，檢索歷史違規案例，撰寫初步風控報告。B類技能（耗時30%）： 與業務部門博弈，在灰色地帶做決策，承擔簽字的法律責任。C類技能（耗時10%）： 開會、社交、建立信任。在AI出現之前，企業必須為A類技能支付高昂的薪水，因為這需要極高的知識儲備和閱讀速度——這被稱為“知識溢價”。然而，11.7%的AI技術敞口，精準覆蓋的正是A類技能——AI可以在幾分鐘內完成A類工作，且精準率更高。也就是說，企業支付給這位合規官的20萬年薪裡，原本用來購買“閱讀與整理能力”的那12萬美元，瞬間失去了價值支撐。這就像是切走了牛排最嫩的菲力，只留下了難啃的骨頭。其三，崗位空心化報告中提到了一個非常反常的資料：傳統的失業率、GDP增長與AI影響力的相關性極低（R² < 0.05）。按理說，如此巨大的技術衝擊，經濟資料應該劇烈波動才對。那為什麼沒有呢？因為發生了“崗位空心化”。在現階段，AI並沒有直接把人踢出辦公室，而是製造了一種“勝任力假象”。以前，一位資深分析師需要10年經驗才能寫出一份完美的研報。但現在，一個剛畢業的實習生，配合三個AI Agent，也能產出80分甚至90分的研報。表面上看，大家都在工作，崗位沒少。但實質上，“資深經驗”的護城河被填，平，了！當一個初級員工借助工具就能達到高級員工的產出時，企業主可能暫時不會裁員，但市場一定會重新定價。“通用認知能力”的價格將急劇下降，這就像計算器普及後，心算快的人不再值錢一樣。這種效率的提升掩蓋了崗位價值的結構性危機。GDP看著沒變，但其實是因為原本昂貴的“智力服務”變得像自來水一樣廉價，通縮的陰影已經籠罩在每個白領的頭上。所以，如果結合以上三點，我們將這個邏輯推演到底，會得出什麼結論？未來的薪資，將不再為你的“知識儲備”買單，因為知識已經不值錢了；未來的薪資，只為你的“決策擔當”、“人際信任”和“物理行動”買單——也就是那些AI目前還無法覆蓋的剩下88.3%。所以，不要慶幸自己不在那11.7%的直接替代名單裡。你應該擔心的是：當那11.7%的核心價值被AI抽走後，你剩下的技能，是否還配得上現在的工資？03 中國啟示錄雖然這份報告研究的是美國，但最終，我們需要思考國內的情況。如果說舊金山對應的是北京海淀和上海西岸（大模型扎堆，卷算力，卷參數）；那麼美國“鐵鏽帶”對應的就是中國的佛山、蘇州、寧波、長沙等等。而且，我們在這些地方，有世界最完備的製造業門類，有最複雜的物流場景，有最密集的內外貿流程。按照《冰山計畫》的邏輯，中國AI的真正爆發點，就誕生在某個寧波注塑廠的排產辦公室裡，或者義烏小商品城的跨境電商後台裡。而且中國的“冰山指數”比美國更高。因為我們的製造業供應鏈更長，我們的行政管理節點更多。對於中國的政策制定者和企業家來說，這是一個巨大的訊號：去關注那些“含科量”看似不高，但“含資料量”極大的實體產業。去尋找那些擁有複雜流程、高人力成本的“隱形冠軍”。那裡，才是中國AI經濟的震中。 (TOP創新區研究院)

寫在前面在當前全球經濟格局中，人工智慧對勞動力市場的重塑已成為不可逆轉的趨勢。然而，政策制定者和市場觀察者長期以來普遍面臨一個核心矛盾：我們所能觀測到的失業和顛覆，僅是這場結構性變革的冰山一角麻省理工學院（MIT）近期發佈的《冰山指數》研究，正是旨在解決這一認知偏差的戰略工具。該研究將AI視為一種可被精確測繪的經濟地理風險，將決策視角從"事後危機管理"提升到"事前數位化模擬"。一、核心事件：建構數字孿生勞動力大軍MIT研究人員的激進行動是為1.51億美國勞工建構軟體對等物，相當於為美國勞動力建立了一個"數字孿生"。這一舉措將AI顛覆風險的評估從基於傳聞，轉變為基於大規模模擬和微觀技能對應的科學模型。重要發現：目前在科技中心可見的工資中斷僅佔總風險的2%，而隱藏的風險層比可見風險大5倍。二、戰略動機：政策工具的"先發制人"政策制定者（包括田納西州、猶他州和北卡羅來納州等報告的共同作者）使用《冰山指數》進行前瞻性規劃：1. 風險前瞻與預算最佳化該指數是一個"早期預警地圖"，使政策制定者能夠在衝擊發生之前，轉移資金和調整培訓。避免盲目投入數十億美元的再培訓投資。2. 精準干預與地域定製化傳統模型往往關注沿海城市，但《冰山指數》提供了細化到郵政編碼的深度地圖，使政策干預措施可以精準匹配當地職業風險。3. 政策沙盒與立法測試該指數提供一個互動式模擬環境，允許州政府對各種政策槓桿進行實驗，探索技術採用的變化如何影響噹地就業和GDP。三、從海岸到腹地的風險遷移在《冰山指數》出現之前，關於AI對就業影響的敘事主要集中在科技行業。此前MIT另一項研究指出，95%的企業AI採用並未成功，這可能助長了對AI變革速度的低估。舊範式：可見風險• 集中於科技中心/沿海城市• 僅關注可見的工資中斷（2%）• 聚焦高科技/軟體開發行業• 如何應對即時裁員衝擊新範式：《冰山指數》揭示的隱藏風險• 覆蓋3,000個縣，包括非沿海地區• 揭示五倍於可見風險的隱藏層• 廣泛涉及醫療保健、金融和專業服務• 如何提前部署大規模技能重塑四、現實挑戰：不確定的"倒計時""研究人員強調，這不是裁員的倒計時時鐘。它更像是一個早期預警地圖，以便政策制定者能夠在衝擊來臨之前，圍繞資金和培訓進行轉移。"風險是潛伏的（隱藏層是可見層的五倍），但其轉化為實際裁員的速度和時間表是不確定的。這導致兩個主要挑戰：政策惰性風險由於沒有立即爆發的大規模失業，立法機構可能缺乏動力去迅速撥付數十億美元的再培訓資金。資料與現實的校準模型依賴於將32,000種技能對應到923種職業。如果實際AI採用速度與預測有偏差，可能導致資源被錯誤分配。五、深層護城河：互動式生態系統《冰山指數》真正的壁壘並非僅僅是一份報告，而是其提供的互動式模擬環境。田納西州案例•已成為這一處理程序中的先行者•參與了報告的共同撰寫•根據《冰山指數》建構了自己的AI與工作儀表板•跟蹤該州範圍內的職業風險暴露和工資影響•正在指導該州的政策和支出決策這種地方政府對AI模型的內化和應用，形成了難以被傳統方法取代的軟實力壁壘。六、未來推演：勞動力市場的地域分化未來3-5年，美國勞動力市場的格局將根據州政府對《冰山指數》等前瞻性工具的採納程度而產生顯著分化。先行者（如田納西州）通過AI儀表板和"技能優先"招聘規則，能夠提前避險AI對醫療、金融和專業服務等行業的衝擊，保持勞動力市場的穩定性和競爭力。滯後者缺乏精確的風險地圖，繼續依賴舊有的低效培訓投資，導致政策滯後於實際的失業衝擊，加劇地域經濟不平等。核心受影響職業醫療保健（行政和診斷支援）金融（後台操作）專業服務（基礎法律文書、諮詢資料整理）七、三大核心結論結論一資訊不對稱是最大的政策成本AI變革時代最大的壁壘不是技術的缺乏，而是風險的錯誤量化和地理資訊的不對稱。結論二再培訓投入的數位化勢在必行面對1.2兆美元工資的潛在風險，對政策有效性進行事先模擬和驗證的趨勢不可逆轉。結論三政策執行力的AI化AI對勞動力市場的最終影響，將體現在政府治理和政策執行效率的提升上。"這種方法就像一個預警系統，不是告訴你災難何時發生，而是告訴你那裡需要提前修建堤壩，並允許你在模擬環境中測試堤壩的高度和材料。"風險提示1.政治與財政惰性風險：立法者可能因缺乏即時政治壓力而延遲再培訓資金。2.模型精準性與校準風險：AI技術實際應用速度可能與模型預測出現偏差。3.技術突變與加速風險：AI技術進步速度可能超過指數更新速度。4.資料隱私與跨州協調風險：聯邦層面協調使用資料可能面臨挑戰。 (FinHub)

艾丹·托納 - 羅杰斯在這個渴求全新見解與突破性研究的領域迅速在學術界嶄露頭角。但一位電腦科學家卻察覺到了不對勁的地方。（配圖說明：去年12月，艾丹·托納 - 羅杰斯在麻省理工學院  攝影：西蒙·西馬爾為《華爾街日報》供圖）27歲的艾丹·托納 - 羅杰斯去年年末還是一名研究生，卻突然躋身經濟學界頂尖行列，此前他在該領域幾乎毫無名氣。當時他仍在麻省理工學院修讀核心課程，卻撰寫了一篇關於人工智慧對職場影響的論文。這篇論文影響力擴散極快，甚至被國會聽證會引用。12月，他登上了《華爾街日報》，一頭蓬亂的頭髮搭配洗得發白的牛仔褲，站在兩位導師中間，活脫脫一副天才少年的模樣。這兩位導師中就包括諾貝爾經濟學獎得主達龍·阿西莫格魯。托納 - 羅杰斯的研究為我們的高科技未來帶來了一個既出人意料又飽含希望的新發現。他在論文中指出，人工智慧提高了員工的工作效率，還推動了創新，不過人們對這款人工智慧工具的接受度並不高。然而短短幾周後，這些導師卻開始思考一個此前根本難以想像的問題：托納 - 羅杰斯的研究成果難道全是編造的？到了次年春天，托納 - 羅杰斯已不再就讀於麻省理工學院，該校也公開否認了這篇論文的有效性。隨之而來的是一連串疑問，而其中一個問題始終令人費解：這個來自加利福尼亞州小鎮、長著一張娃娃臉的學術新人，究竟是如何騙過學術界一眾頂尖學者的？曾大力支援這位學生研究的麻省理工學院教授戴維·奧托爾坦言：“這件事簡直毫無邏輯可言。”麻省理工學院、奧托爾與阿西莫格魯均以涉及隱私為由，拒絕就該研究的調查細節發表評論。托納 - 羅杰斯這場虛幻的成功，某種程度上源於他如今已然打破的麻省理工學院學術文化：這裡默認學者們具備高度的信任、誠信與嚴謹治學態度，無論這種文化帶來的影響是好是壞。加上他選取的研究領域是人工智慧——該領域的同行評審體系尚處於起步階段，研究者對相關資料的需求又極為迫切。真正讓他的前同事和導師們震驚的，是他這場學術造假涉及的範圍之廣。他並非只是篡改了幾個變數，而是憑空捏造了整篇研究的全部內容。（配圖說明：經濟學家戴維·奧托爾在麻省理工學院校園  攝影：卡亞娜·希姆恰克  為《華爾街日報》供圖）該校相關人士透露，造假事件曝光後，麻省理工學院的經濟學教授們已著手探討提升研究生論文標準的辦法，包括對原始資料進行嚴格核查。而學生們也紛紛主動採取措施，證明自己的研究不存在造假情況。從學校退學後，托納 - 羅杰斯曾向其他學生表示，論文出現問題本質上只是資料使用權的糾紛。他稱自己確實如論文中所述，獲取了一家大型材料科學企業的大量資料。但他在5月通過即時通訊軟體群聊告知其他學生，那家公司後來反悔不願提供資料，他沒有按正規流程重新申請授權，反而偽造了一份資料使用協議。記者多次嘗試聯絡托納 - 羅杰斯，給他本人及家人傳送的資訊均未得到回覆。痴迷經濟學2023年進入麻省理工學院時，托納 - 羅杰斯加入了一個匯聚頂尖研究者、理論學家和學者的圈子。這個圈子裡的人所做的研究深刻影響著全球經濟的發展走向，學院的校友中不乏本·伯南克、羅伯特·希勒等諾貝爾經濟學獎得主。能進入麻省理工學院經濟學博士項目本身就堪稱一項成就。該項目每年約收到800份申請，最終僅錄取40人，實際入學人數僅有20至24人。他的崛起之路著實令人驚嘆。托納 - 羅杰斯成長於加利福尼亞州葡萄酒產區的塞瓦斯托波爾鎮，那是個寧靜的小鎮。他家中還有四個兄弟姐妹，父親是小學二年級教師，母親經營著一所音樂學校。認識他的人都說他很聰明，在校內外從未有過嚴重違紀行為。他的大學好友邁爾斯·達萊桑德羅回憶道：“他來自美國一處陽光明媚的好地方，我想他的成長過程十分順遂。”孩童時期的托納 - 羅杰斯投籃技術相當不錯。2017年，他成為聖保羅市麥卡利斯特學院三級聯盟籃球隊的後衛，同時還擅長打網球，在隊友中很受歡迎。麥卡利斯特學院規模不大，僅有約2000名學生。據往屆學生回憶，除了球隊隊友，托納 - 羅杰斯平時很少與他人往來。也是在這所學院，托納 - 羅杰斯迷上了經濟學。達萊桑德羅表示：“他被經濟學領域的資料研究層面深深吸引，渴望深入探究經濟運行背後的規律。”托納 - 羅杰斯在經濟學專業表現十分出色，不僅拿過獎學金、指導過低年級學生，還與經濟學教授菲利克斯·弗裡特合作發表過論文。從一開始，他的職業前景就一片光明。2021年，他成功入職紐約聯準會，擔任為期兩年的研究員。期間，他參與撰寫的研究報告不僅發表在《應用計量經濟學雜誌》上，還登上了這家地區央行備受關注的官方部落格。（目前他在紐約聯準會參與的研究並未受到質疑。）2023年進入麻省理工學院攻讀博士學位後，托納 - 羅杰斯很快適應了校園生活。據認識他的學生透露，他加入了校內業餘籃球聯賽，按時上課完成學業，還擔任過助教，一直行事低調，並未引人注目。不過他也曾坦言自己與身邊同學有些不同。他去年接受《華爾街日報》採訪時說：“我同學的父母要麼是學術界人士，要麼是醫生這類職業人士。”而他表示自己的家庭“雖然學術氛圍濃厚，但家人對事業成就這類事情並不熱衷”。即便是在本身封閉的劍橋學術圈裡，麻省理工學院也像一個獨立的小圈子。在這裡，無論是裝置精良的實驗室，還是雜亂的學生宿舍，都可能誕生前沿的複雜學術理念。而該校經濟系還有個出人意料的特點——師生間協作氛圍十分融洽。（配圖說明：麻省理工學院的穹頂建築  攝影：西蒙·西馬爾  為彭博新聞社供圖）但在麻省理工學院求學，學術壓力也極大。該校在讀和往屆研究生都表示，大家都背負著開展突破性研究的巨大壓力。有學生稱，部分教授對博士生的學術成果要求更高，且期望他們更早拿出重量級研究。與托納 - 羅杰斯同屆的博士生中，有人在為多國政府效力，還有人營運著非營利組織。在他入學前的那個夏天，就有兩名博士生在《科學》期刊上發表了關於人工智慧的開創性研究。就在第一學期快結束時，托納 - 羅杰斯跟幾位好友透露，自己發現了一個極具研究價值的方向。論文的誕生托納 - 羅杰斯稱，他的一位老同學就職於一家大型材料科學企業。材料科學作為工程學的一個分支，致力於研發新型物質材料，這類材料可應用於生物醫學裝置等各類技術產品中。他告訴同學們，或許能獲取這位同學提及的一項大型人工智慧實驗資料。他去年接受《華爾街日報》採訪時也講述過類似經歷：“當時我覺得這太厲害了。但後續獲取資料的過程，簡直如同經歷一場噩夢。”蓬勃發展的人工智慧領域對經濟學研究者來說有著極強的吸引力。該領域不僅新穎、資料豐富，還可能徹底改變經濟格局。到了下學期，托納 - 羅杰斯向奧托爾闡述了自己的研究構想。奧托爾是頂尖勞動經濟學家，且自稱電腦愛好者，多年來一直致力於研究人工智慧對就業市場的影響。據好友透露，那之後托納 - 羅杰斯便全身心投入到這項研究中。2024年6月4日，午餐時段學術講座恰好有個空缺名額，他借此機會展示了研究的初步成果。這類講座通常是為學術經驗更豐富的博士生設立的，全校師生都可前來聆聽。當時他首次公開講解自己的研究，表現得十分自信，阿西莫格魯也出席了這場講座。他當著約24名師生的面介紹，美國一家未具名的大型企業為旗下材料分子配方研發實驗室的1018名科研人員配備了一款人工智慧工具。科研人員只需輸入期望合成物具備的特性，這款工具就能生成對應的合成方案供他們選擇。他在論文中稱，借助這款工具，科研人員研發出了更多新材料，提交的新專利申請數量顯著增加，樣品研發數量也有所上升。而這項研究真正的突破性意義不止於證明人工智慧能提升工作效率，更在於發現人工智慧帶來的紅利大多被原本就成績斐然的頂尖科研人員佔據。那年夏天，托納 - 羅杰斯繼續完善這篇論文。後續版本中還加入了一份調查結果，顯示儘管工作效率有所提升，但大部分科研人員對這款人工智慧工具並不滿意。論文中援引一位科研人員的話：“我不禁覺得自己多年所學如今幾乎毫無用處。”托納 - 羅杰斯的這一研究結論，與導師奧托爾的觀點形成了反差。奧托爾認為，人工智慧能讓更多人勝任目前只有資深專業人士才能完成的工作，進而縮小收入差距。同時，該結論也與阿西莫格魯的悲觀論調相悖——阿西莫格魯一直對人工智慧提升勞動者效率這一點持懷疑態度。而這份研究呈現的結果，更貼合現實世界中複雜矛盾的實際情況。（配圖說明：達龍·阿西莫格魯（左）出席2024年諾貝爾經濟學獎相關活動，他是當年該獎項的三位得主之一  攝影：喬納森·納克斯特蘭德  為法新社供圖）2024年11月，托納 - 羅杰斯在美國國家經濟研究局舉辦的研討會上展示了自己的研究成果。該機構是全球頂尖的經濟學研究機構，他的研究當時獲得了廣泛認可。同月，這篇論文還被納入國會聽證會證詞。幾周後，《自然》科學期刊也重點介紹了該研究。當年12月，論文最終版本發佈在了全球預印本論文平台阿基瓦上。造假敗露大約就在此時，加州大學聖迭戈分校的電腦科學家查爾斯·埃爾坎收到了這篇論文。埃爾坎一眼就覺得這份研究有問題。他曾擔任高盛集團董事總經理，還在亞馬遜公司任職過科學家，負責帶領機器學習團隊。在他看來，結合論文中聲稱的技術應用時間來看，這款人工智慧工具的性能好得有些不真實。此外，他指出美國只有3M公司和康寧公司這類材料企業僱傭了大量科研人員，他對此疑惑不解：要是這些公司真研發出這麼多新材料，為何要刻意隱瞞？1月5日，也就是托納 - 羅杰斯登上《華爾街日報》的一周後，埃爾坎給奧托爾和阿西莫格魯發郵件，對這篇論文的學術誠信問題提出質疑。他在接受採訪時表示：“任何企業要是研發出了這麼有價值的軟體，肯定會大力宣傳，絕不會秘而不宣。”隨後，兩位教授便開始著手調查此事。此前，學術界其他領域醜聞頻發，比如2023年材料科學領域一項關於室溫超導的重大發現就被證實無效，但經濟學領域此前基本未出現過這類醜聞。雖說學術論文中研究方法可能存在嚴謹性不足的問題，資料也可能被刻意篡改以迎合預設結論，但像這樣整篇研究全部造假的情況，實屬罕見。（配圖說明：電腦科學家查爾斯·埃爾坎  攝影：吉恩·朗格比姆）與此同時，這件事還牽扯到了一家負責處理版權糾紛的聯合國機構。1月31日，康寧公司向世界智慧財產權組織投訴了“康寧研究網”域名的註冊人。因為掌控該域名的人，有可能偽造相關信箱或網站，以此冒充康寧公司相關機構。該組織的書面裁決顯示，調查很快證實這個域名的註冊人正是托納 - 羅杰斯。托納 - 羅杰斯始終未對這一投訴作出回應，最終康寧公司成功拿回了該域名的所有權。世界智慧財產權組織則拒絕就此事件發表評論。2月，奧托爾和阿西莫格魯將這起學術造假事件上報給了麻省理工學院的紀律委員會。兩位往屆同學透露，大概從這時起，托納 - 羅杰斯就不再去上課了。他還跟一些朋友謊稱正在面試人工智慧公司OpenAI，裝作一切正常。從他公開的維姆支付平台帳單來看，他那段時間還給朋友償還了聚餐費用，還買過波士頓凱爾特人隊的球賽門票。有同學稱，4月的一場聚會上，托納 - 羅杰斯看起來十分疲憊，但仍在吹噓自己那篇論文取得的成績。即便教授和學校已經開始調查他的研究，托納 - 羅杰斯依舊在推廣自己的這篇論文。3月5日，他還在材料研究學會舉辦的材料科學與人工智慧線上研討會上發表了相關演講。5月，麻省理工學院發佈聲明，正式與這篇論文撇清關係。聲明中稱，該校“對該論文資料的來源、可靠性和有效性均不予認可，也不相信論文中研究內容的真實性”。聲明雖未直接點名托納 - 羅杰斯，但明確表示“該論文作者已不再是麻省理工學院的在校人員”。許多認識托納 - 羅杰斯的人得知此事後都十分震驚。曾與他合作發表論文的麥卡利斯特學院經濟學教授弗裡特表示，自己聽到這個消息後“既震驚又失望”，並感慨“這真是一件令人痛心的事”。托納 - 羅杰斯5月在即時通訊軟體群聊中向其他學生承認偽造了資料使用協議，他寫道：“這是我犯下的嚴重且難堪的不誠信行為。現在回想起來，當初要是直接放棄這篇論文就好了。”康寧公司和3M公司均向《華爾街日報》證實，從未開展過托納 - 羅杰斯論文中提及的相關人工智慧實驗，也從未向他提供過任何資料。《華爾街日報》還查閱了托納 - 羅杰斯論文的兩個早期版本，分別是2024年4月和9月的草稿。4月版本中的部分資料與後續版本存在矛盾，其中一些細微的資料修改，其實早該引起導師的懷疑。例如4月版本中稱，這家材料科學企業的科研人員分為421個團隊開展研究，而5個月後的草稿中，團隊數量變成了221個；4月版本稱超過四分之三的研究構想源自人工智慧，後續版本則將這一比例下調至57%。當被問及是否見過早期草稿時，奧托爾表示無法置評，但承認“這些質疑都合情合理”。如今，經濟學界正著手反思托納 - 羅杰斯造假事件暴露的行業漏洞。阿西莫格魯直言：“今後，經濟學界的研究者肯定會變得更加謹慎多疑。” (邸報)

在人工智慧（AI）領域，專家們預測下一個重大進展將是多模態學習、去中心化的智能網路，這將徹底改變全球的技術和社會結構。目前，AI已經能夠創作詩歌、繪畫以及處理文書工作，但專家們認為，未來的AI將不再僅限於文字交流，而是會具備聲音、機器人技術等多種形式的互動能力。這種多模態的AI將能夠生成音訊、影像，甚至實際的物理結果，並能駕駛車輛、操作裝置或進行農作物的採摘。根據科學新聞日報的穆罕默德·圖欣（Muhammad Tuhin）所述，未來的AI助理不僅能回應輸入的文字提示，還能理解使用者的語氣、臉部表情、周圍環境和社交背景，這將使系統的互動變得更加直觀和人性化。此外，AI的智能將超越人類，個人助理將擁有比整個人類社群更豐富的知識。這一切都與邊緣計算有關，專家們認為，未來每個人都將擁有最聰明的AI，並且這些AI可能會在一個去中心化的網路中相互連接。麻省理工學院的拉梅什·拉斯卡（Ramesh Raskar）和史丹佛大學的馬騰宇（Tengyu Ma）等專家探討了AI的未來，並提出一個引人注目的觀點：未來的AI世界將涉及分散的智能網路，而不僅是一個集中的智能體。拉斯卡舉例說明，企業的CEO並不需要成為公司中最聰明的人，而是應該做為一個協調者，整個公司的才智來自於所有的優秀人才。他還提到，企業的策略已經在朝著這個方向發展，許多大公司正在逐步去中心化他們的智能定義。這意味著，未來的AI可能會是許多微型AI的集合，這些AI分佈在全球各地，並能夠訪問當地的工具和資料，進而形成一種全球智能。在這種去中心化的理論中，香港數學家洪樂潼（Carina Hong）指出，隨著推理成本的降低，將會出現更多意想不到的應用案例和市場。她認為，這將為全球的進步奠定一個巨大的基礎，並且AI將能夠以驚人的速度應用於所有的應用科學。在討論中，專家們還提到，Anthropic公司最近的資料政策變更，要求更多的使用者資料，以便更好地理解如何為不同的使用者建立有用的模型。這些專家的觀點幫助我們更好地瞭解即將到來的AI變革，未來的AI將如何影響我們的生活和工作。 (芯聞眼)

月初，我剛發佈了文章《AI 的泡沫，可能就要破滅了》，僅僅過了 1 周，美國麻省理工學院就發佈了一份重磅報告《生成式AI鴻溝：2025年商業AI現狀》。由於揭露了 AI 行業的巨大泡沫，報告發佈的當天，納斯達克指數就暴跌了 1.4%。首先說一下報告的核心結論——麻省理工學院通過調研 153 位企業高管發現：美國企業在生成式 AI 方面已經投資了 300～400 億美元，但 95% 的企業都沒有得到回報。老實說，95% 這個數字把我驚到了。畢竟在全球範圍內，歐美企業的數位化程度已經算很高了，是 AI 最容易落地的一批企業。他們都有 95% 的失敗率，很難想像中國企業的失敗率究竟有多高。不過，有意思的是，雖然這些企業的 AI 項目大都失敗了，但他們的員工卻都在使用個人版 AI，而且還是自己付費使用。那為什麼會出現這種矛盾現象呢？我覺得可能有 3 個原因。首先，企業對 AI 的要求比個人要高得多。個人使用 AI，主要是用於辦公提效，場景簡單，對準確性要求不高，那怕 AI 的效果只有 60 分，也能顯著提升工作效率。而企業級 AI 主要用於處理核心業務流程，比如供應鏈管理，不但場景複雜，而且對準確性的要求非常苛刻。一旦出現錯漏，就會造成巨大損失。而目前很多 AI 產品還沒有達到企業的要求。第二，企業 AI 落地的前提是資訊化。但很多企業包括很多美國企業，資訊化程度其實都不夠。比如很多美國企業都上了 CRM 系統，但是只使用了最簡單的線索、商機功能，銷售過程資料基本都線上下。這就導致了 AI 在規劃階段設想得很美好，但一旦落地，就會發現缺失很多重要的資料。第三，可能也是最重要的一點：在個別媒體的炒作下，企業高管對 AI 的期待實在是太高了。年初，很多企業甚至制定了 AI 裁員的計畫。但實際上 AI 的缺陷還很明顯，這就導致了巨大的泡沫。看完報告，我還有一點感受：在企業級市場，這一輪 AI 浪潮最大的受益者，恐怕不是初創公司，而是傳統軟體廠商。首先，根據麻省理工的調研，大部分企業高管對 AI 初創公司都不信任。以某位高管為例：雖然每天都能收到很多初創公司的推銷郵件，聲稱自己能夠提供最好的 AI 方案，但是他還是寧願等待現有供應商新增 AI 功能。這裡面可能有 4 點原因:首先，企業級系統的替換成本非常高，一旦選擇了不靠譜的供應商，就會面臨巨大風險。因此企業更願意相信合作已久的老供應商。第二，傳統軟體供應商都在加速轉型AI，初創公司的先發優勢其實非常短暫，不足以讓企業更換供應商。第三，相比於初創公司，傳統軟體廠商更懂企業需求，這會大大降低企業部署 AI 系統的成本和風險。最後，對於企業來說，AI 一定要融入核心業務流程，這就意味著AI 系統必須和原有業務系統深度整合。顯然，傳統軟體廠商在這方面也擁有巨大的優勢。當然了，麻省理工的這一份報告並非沒有缺陷。最大一點就是調研的企業數量有限，不一定能代表大部分美國企業。但是，能被麻省理工選中的企業，大機率都有一定的實力，因此這份報告還是非常有參考價值。這也是為什麼它會引發納斯達克暴跌的核心原因。上周，一位頭部 SaaS 公司的 CEO 專程來拜訪我，他們去年的營收已經突破 5 個億，這兩年也一直在大力投入 AI。但經過 2 年的摸索，他卻不看好企業級 AI 在短期內的表現，認為 AI 的泡沫太嚴重。不過，生成式 AI 畢竟是近 20 年來最大的技術突破之一，發展潛力巨大。因此，長期來看，我們對 AI 都抱有非常大的期待。還是那句老話：短期不要高估，長期不要低估。 (ToB老人家)

全球高等教育分析機構QS Quacquarelli Symonds（QS）於今日正式發佈了2026QS世界大學排名。本次排名共收錄了來自106個國家和地區的1500多所大學，麻省理工學院連續第14年位居榜首，全球高校競爭趨勢日益激烈；約45%的中國（內地）大學相較去年排名有所提升，這一表現延續了近年來中國高校在國際排名中不斷攀升的總體趨勢。中國共有11所高校入圍QS前100，分別是：香港大學、北京大學、清華大學、復旦大學、香港中文大學、香港科技大學、上海交通大學、浙江大學、香港理工大學、香港城市大學、台灣大學。其中，北京大學列第14位，為中國內地大學第一名，清華大學列第17名，與加利福尼亞大學伯克利分校並列，位居中國內地大學第二名。 (江南都市報)

2024 年MIT列出了需要關注的四大熱門趨勢，包括所謂的定製聊天機器人——由多模態大型語言模型驅動的互動式助手應用程式（當時還不知道，但其實就是現在每個人都稱之為AI代理的東西，這是目前人工智慧領域最熱門的東西）；生成視訊（過去 12 個月中，很少有技術進步如此之快，OpenAI 和 Google DeepMind 在今年 12 月的一周內相繼發佈了他們的旗艦視訊生成模型Sora和 Veo）；以及可以執行更廣泛任務的更多通用機器人（大型語言模型的收益繼續滲透到科技行業的其他領域，機器人技術位居榜首）。 那麼 2025 年會發生什麼？顯而易見的事實：您可以肯定，AI代理和更小、更高效的語言模型將繼續塑造這個行業。您已經知道，AI代理和小型語言模型是下一個大趨勢。那麼以下是今年您應該關注的另外五個熱門趨勢。 1. 生成虛擬遊樂場：遊戲、科研 “雙開花” 在虛擬世界的建構方面，科技巨頭Google DeepMind 一馬當先。今年 2 月，其推出的 Genie 模型驚豔眾人，它能夠將靜態圖像巧妙轉化為充滿趣味的橫向滾動 2D 平台遊戲，玩家得以沉浸其中，與虛擬世界深度互動。而到了 12 月，Genie 2 的問世更是將虛擬世界的建構推向了新高度，它可以依據初始圖像，全方位旋轉、拓展，進而生成宏大、逼真的 3D 虛擬世界，讓玩家彷彿置身於另一個次元。

作為全球最具影響力的科技智庫之一，《麻省理工科技評論》憑藉其獨特的觀察力和專業視角，始終站在科技創新的最前沿。為挖掘那些可能改變世界的創新技術，自 2001 年開始了“十大突破性技術”（10 Breakthrough Technologies）的評選。在這份評選裡，我們關注的不僅僅是表面的技術進展，更希望發掘那些具有變革性潛力的科技突破。 在新發現頻頻登上頭條、各大科技公司不斷推陳出新的今天，要判斷那些突破能真正經得起時間考驗殊為不易。正因如此，我們每年都會精心編制這份榜單。儘管我們無法預見未來，但我們期待這些入選技術將在未來數十年持續塑造並影響世界。 以下是我們認為的有可能改變未來的最新重大進展。 小語言模型