文|甲小姐
本文導(dǎo)讀：
1.功能性vs人格化：兩種本質(zhì)相反的牽引力
2.不用可信vs必須可信：少部分人細思恐極，大多數(shù)人惶然而不自知
3.真命題vs假命題：AGI不是一個好命題
4.商業(yè)價值vs商業(yè)模式：發(fā)明電燈的人不一定直接享受到電力革命的紅利，卻依然值得歌頌
5.理論潔癖vs暴力美學(xué)：長期信仰來自深刻理性
6.有意瞄準(zhǔn)vs無意擊發(fā)：一場企業(yè)家精神對科學(xué)界的反哺
1.功能性vs人格化：兩種本質(zhì)相反的牽引力
ChatGPT作為史上界面最樸素卻圈粉最快的科技產(chǎn)品，給人的沖擊感不是發(fā)生在眼球?qū)用妫秋B內(nèi)層面的。
火到“上頭”背后有兩重原因：
一方面是功能性的勝利，如幫人們寫作文、編程、收集結(jié)構(gòu)化資料，其內(nèi)容生成的速度和質(zhì)量甚至超出很多在AI行業(yè)深耕多年的從業(yè)者的預(yù)期；
另一方面是人格化的勝利，它會理解意圖、聲明立場、表達恭喜、道歉、自我修正答案，并擁有上下文的記憶連貫性，體現(xiàn)出實時的自主學(xué)習(xí)能力，簡言之，就是“像人”。
打個比喻，因為渴望飛行又沒有翅膀，人類造出了飛機。一直以來，AI界一直在“造飛機”，之前各類突破性進展都讓飛機的功能性越來越強，而ChatGPT卻似乎造出了一只“鳥”。這也是為什么ChatGPT被很多從業(yè)者定位為“通用人工智能（AGI）”雛形的原因。
功能性與人格化看似在這一代ChatGPT上得到了平衡，但從本質(zhì)看，二者有著相反的牽引力。
如果追求功能性，重點是回答本身的正確、精準(zhǔn)、靠譜，最好其回答有明確的可溯源的出處。排除寫作文等本來就需要發(fā)揮創(chuàng)意的功能，不同人問同一個問題應(yīng)該有類似的答案（千人一面），因為大部分功能性問題是在尋求正確解或最優(yōu)解。這更像“改進版搜索引擎”，New Bing就是這么做的，這有其明確的價值，卻不是革命性的體驗；
如果追求人格化，重點是交互感、創(chuàng)新性、超預(yù)期，意味著不能有死記硬背的感覺，因為死記硬背并不是人類學(xué)習(xí)與交互的慣性方式，這意味著回答要有個性、豐富性、多樣性甚至狡猾性。
詭異的地方恰恰在于，后者往往比前者看起來更“聰明”，更“機靈”，但往往更“不可信”。
在今天版本的ChatGPT中，你可以輕易誘導(dǎo)它犯錯，而且它會犯許多出乎你預(yù)料的錯，有的回答會一本正經(jīng)地胡說八道，有的回答會陷入滔滔不絕的“廢話文學(xué)”，但由于它的表達方式足夠討巧，會認(rèn)錯、道歉，會自我“澄清”，因此這甚至讓你感到開心、好玩、可愛——ChatGPT正是以人格化特征建立了用戶心理的“容錯性”，而這也是為什么人格化相比功能性是今天ChatGPT大火更顯著的助燃劑（大家紛紛在朋友圈曬問答，被分享的段落絕大部分是ChatGPT表現(xiàn)出情商的片段、超預(yù)期的部分、搞錯的部分）。
在諸如“評價一下甲子光年”這樣的問題中，ChatGPT的回答是帶有狡猾性與迎合性的。如果你在對話前文表達了對甲子光年的認(rèn)可，ChatGPT馬上就會附和，是一個機靈的捧哏，但換個人再問，回答立刻變成不知道——ChatGPT只是在當(dāng)前對話中根據(jù)用戶反饋進行修正，當(dāng)我們重啟一個對話，測試相同的問題時，ChatGPT會表現(xiàn)出失憶或犯錯。
從原理看，今天的ChatGPT之所以給人一種很強的“理解力”，是因為ChatGPT是“重新表達”材料，而不是從數(shù)據(jù)庫中逐字引用，這讓它看起來像一個學(xué)生用自己的話表達思想，而不是簡單地重復(fù)它讀過的東西。
“重新表達”和搜索是兩件事——正是因為這種“重新表達”，造成了ChatGPT“理解”了材料的“錯覺”。
然而，舉一反三和胡編亂造間有一個微妙的界限，這個界限在人與人之間的對話中往往也是模糊的。這就引發(fā)了一個關(guān)鍵問題：ChatGPT可信嗎？
什么是可信？如何辨別其回答是否可信？這些問題背后，還有一個前置性問題：ChatGPT的一系列延伸價值和未來想象，是否需要建立在“可信”的基礎(chǔ)上？
2.不用可信vs必須可信：少部分人細思恐極，大多數(shù)人惶然而不自知
很多人想當(dāng)然地以為，現(xiàn)在不夠“可信”，是因為模型還不夠大、數(shù)據(jù)還不夠多、技術(shù)還不夠強，或者是因為缺乏安全技術(shù)與監(jiān)管手段，這是對“可信”的理解還不夠透徹。
內(nèi)容分兩種，一種的本質(zhì)屬性不依賴“可信”，一種的本質(zhì)屬性必須“可信”。
前者往往是kill time（消磨時間）類型內(nèi)容，核心是抓住用戶的時間，占領(lǐng)時間越多越好，用戶越上癮越好。典型代表是今日頭條、抖音、各類游戲。字節(jié)系諸多產(chǎn)品最初都以放棄可信度換取UGC的海量內(nèi)容，以個性化取代了絕對權(quán)威，以“最適合的”取代了“最優(yōu)解的”。文章視頻從相對高門檻的作者生產(chǎn)、編輯分配，變成相對低門檻的用戶生產(chǎn)、算法分配，構(gòu)建了算法推薦的世界；
后者往往是save time（節(jié)省時間）類型內(nèi)容，核心是準(zhǔn)確、科學(xué)、實用、工具屬性，典型代表是搜索引擎、維基百科。很多人近來逐漸減少在搜索引擎上投入的時間，轉(zhuǎn)而去知乎甚至B站搜索，也恰恰是因為商業(yè)導(dǎo)流的泛濫和各巨頭間內(nèi)容圍墻的普遍存在，搜索結(jié)果正變得沒那么可信、沒那么直接。
對準(zhǔn)確性有強訴求的人群將很快發(fā)現(xiàn)，如果無法保證ChatGPT的可信度，而對生成內(nèi)容的校驗方式又需要回歸到搜索引擎，或者需要溯源內(nèi)容出處以做再判斷（New Bing就是以羅列出處鏈接的方式來嫁接回答內(nèi)容與可信出處），其價值將大打折扣。試想，如果ChatGPT每一次給我的回答，我都要交叉驗證，那不是多此一舉嗎？
特德·姜在《ChatGPT是網(wǎng)上所有文本的模糊圖像》一文中寫道：“任何對內(nèi)容工廠有好處的東西都不適合搜索信息的人?！彼脡嚎s算法做了一個類比：如果一種壓縮算法被設(shè)計成在99%的原始文本被丟棄后重建文本，我們應(yīng)該預(yù)料到，它生成的很大一部分內(nèi)容將完全是捏造的。
換言之，需要kill time的人和需要save time的人往往是兩撥人。需要個性化生成式內(nèi)容的人和需要搜索引擎的人的本質(zhì)訴求是不同的。前者是“1到正無窮”，需要創(chuàng)意和與眾不同，不存在“最優(yōu)解”；后者是“無窮中尋一”，需要精確、準(zhǔn)確、正確，要無限逼近全局最優(yōu)解。
ChatGPT是為了kill time而生還是save time而生呢？兩條路都有巨大的商業(yè)前景，都不可怕，但最可怕的是：你似乎是可信的，但其實不然。最怕的是你以一種看似可信的方式，出現(xiàn)在了需要可信的場景，卻交付了不可信的內(nèi)容。
當(dāng)然，一個自然的問題是：能不能既要也要呢？能不能在消除不可信的同時，保留人格化、創(chuàng)意化的天馬行空的部分？這是一個目前業(yè)界各類產(chǎn)品都未能驗證的期待。
可信意味著可記錄、可驗證、可追溯、可審計，而這很可能與大模型理念的本質(zhì)就是沖突的。我們在昨天的文章里寫到，考慮到安全隱患，ChatGPT的發(fā)布公司，OpenAI，在安全保護機制方面對ChatGPT進行了較多限制，ChatGPT似乎正因此處于一種“情緒崩潰”的狀態(tài)。（見《第一批因ChatGPT坐牢的人，已經(jīng)上路了｜甲子光年》）
我之所以這么早強調(diào)“可信”這一點，是因為隨著大型語言模型生成的文本在網(wǎng)絡(luò)上發(fā)布得越多，網(wǎng)絡(luò)整體的信息質(zhì)量就變得越模糊。伴隨信息過載，可信愈發(fā)困難，而“可信”這個問題越晚一天解決，就越難解決。用我同事涂明的話說，就是“其實信權(quán)威和信機器沒什么兩樣，如果機器個性化更強，最后就可能變成信自己，信息極化。”
從“個性化捧哏”到“個性化忽悠”只隔著一層窗戶紙。少部分人細思恐極，大多數(shù)人惶然而不自知——難道出路在于“每個人都是自己獲取信息的第一責(zé)任人”？
3.真命題vs假命題： AGI不是一個好命題
前文提到，ChatGPT被很多從業(yè)者定位為“通用人工智能（AGI）”，因為從產(chǎn)品效果來看，ChatGPT的智能水平已經(jīng)表現(xiàn)出某種人類心智的特征，有人格化屬性，有靈動的“有機感”。我們知道有機物和無機物最本質(zhì)的區(qū)別是有機物含碳，但AGI與非AGI的邊界卻沒有這么清晰。
為什么？因為AGI本身就不是一個真命題、好命題。
字面意義理解，AGI為“通用人工智能”，而什么是通用？什么是智能？人腦算通用嗎？文理科生的思維邏輯與知識儲備差異極大，從字面意義理解，人腦也不算通用智能。從沃爾夫假說來看，語言是思維的映射，母語英語的人和母語中文的人，本身思維方式就呈現(xiàn)出巨大的不同，腦補能力也不同。
那么，什么是“理解”？
如果一個大語言模型已經(jīng)編譯了大量學(xué)科術(shù)語之間的相關(guān)性，多到可以對各種各樣的問題提供合理的回答——我們是否應(yīng)該說它實際上理解了該學(xué)科？
這是一個哲學(xué)命題，我的答案是，能表現(xiàn)得理解，就是理解。
關(guān)于“理解”乃至“意識”，人類自己也始終沒有精準(zhǔn)定義。我們做AI，并不是要從原理到外在復(fù)刻一個人類大腦，只要表現(xiàn)出人類對話的外在特征，就可以定義為理解與表達。（否則還能怎么辦呢？）
有很多網(wǎng)友質(zhì)疑ChatGPT并非強人工智能，理由無非是“ChatGPT雖然能夠做到XXX，但是它并沒有理解”，這種質(zhì)疑相當(dāng)于是在爭辯“如果一個智能被機器實現(xiàn)了，就不能被叫做智能”，這是悖論不是辯論?；蛘哒f，今天爭論ChatGPT是“強人工智能”還是“弱人工智能”，也許不是一個真問題。
一個更務(wù)實的問題是：這個“9歲兒童”的智能會在“18歲成年”時長成什么樣子？其極限在哪里？
圣塔菲研究所前所長Geoffrey West在科普書《規(guī)模》中揭示了規(guī)模法則（scaling law）。在West眼中，有一種不變的標(biāo)準(zhǔn)可以衡量看似毫無關(guān)聯(lián)的世間萬物——無論是生物體的體重與壽命，還是互聯(lián)網(wǎng)的增長與鏈接，甚至是企業(yè)的生長與衰敗，都遵循規(guī)模法則。規(guī)模法則關(guān)心復(fù)雜系統(tǒng)的特性如何隨著系統(tǒng)大小變化而變化。
以規(guī)模法則的視角看待ChatGPT背后的大模型，一個自然的問題是：模型一定是越大越好嗎？如果數(shù)據(jù)量足夠大、算力足夠充沛，是否AI的效果會無限上揚？
面對這個問題，業(yè)界多方的答案是Yes and No。
持Yes觀點的人認(rèn)為，現(xiàn)在的“大”并不足夠大。
從歷史角度看，上世紀(jì)60年代，圖靈獎獲得者馬文·明斯基在批判第一代神經(jīng)網(wǎng)絡(luò)時，認(rèn)為它所需要的計算量很大，當(dāng)時他說的“大”指的是數(shù)十KB。如今看來，這種規(guī)模是極小的。試想一下，在二十年后，今天的大模型是否還能稱之為大模型呢？
從用腳投票角度看，不同公司的LLM（Large Language Model，大語言模型）基本都是基于Transformer構(gòu)建的自回歸、自我監(jiān)督、預(yù)訓(xùn)練、密集激活模型，他們接連表現(xiàn)出驚人的能力，證明了more is different。
從內(nèi)容類型角度看，目前ChatGPT還是針對文本對話或者寫代碼，下一步一定會拓展到圖像、視頻、音頻等多模態(tài)，乃至逐步納入AI for Science、機器人控制等領(lǐng)域，這是通往AGI的必經(jīng)之路，目前只是剛剛開始，在短期的未來，當(dāng)然要一鼓作氣地做“大”。
持No觀點的人認(rèn)為，大模型雖好，但其性能有一個上限，雖然這個上限尚不明確。
從通用性的角度看，目前的基礎(chǔ)大模型不會選擇根據(jù)低頻數(shù)據(jù)更新參數(shù)，否則大模型就會因為對某些長尾數(shù)據(jù)進行過擬合而失去通用性。
從專有領(lǐng)域的角度看，硬件在進行推理時，往往無法承載超規(guī)模的預(yù)訓(xùn)練模型，人們需要針對具體應(yīng)用進行模型的裁剪和優(yōu)化。此外，專有領(lǐng)域也不一定需要超大規(guī)模的模型，不恰當(dāng)?shù)木W(wǎng)絡(luò)架構(gòu)也許會造成對計算資源極大的浪費。值得一提的是，GPT-3 之所以取得了非常好的效果，并不僅僅是是因為“大”，也包括他們找到了一種“提示”的方法，這些方法也可以應(yīng)用到非常小的模型上。
從數(shù)據(jù)供給的角度看，《Will we run out of data? An analysis of the limits of scaling datasets in Machine Learning》（P Villalobos, J Sevilla, L Heim, T Besiroglu, M Hobbhahn, A Ho [University of Aberdeen &MIT &Centre for the Governance of AI &University of Tübingen] (2022) ）的估算結(jié)論是到2026年左右，高質(zhì)量的NLP數(shù)據(jù)將會用光，低質(zhì)量NLP數(shù)據(jù)會在2030到2050年用光，而低質(zhì)量圖像數(shù)據(jù)會在2030到2060年用光。
這意味著：要么到時我們有新類型的數(shù)據(jù)源，要么我們必須增加LLM模型對數(shù)據(jù)的利用效率。否則，目前這種數(shù)據(jù)驅(qū)動的模型優(yōu)化方式將會停止進步，或者收益減少。
此外還有一些問題：我們還沒有充分使用已有的數(shù)據(jù)；超大規(guī)模模型的調(diào)優(yōu)問題還沒有被解決；如何從預(yù)測任務(wù)邁向決策任務(wù)……一個最本質(zhì)的問題是，是否給出足夠的時間、足夠的錢、足夠的數(shù)據(jù)，所有問題最終都能夠被大模型解決？大模型的極限在哪里？
比爾·蓋茨評價ChatGPT出現(xiàn)的重大歷史意義不亞于互聯(lián)網(wǎng)和個人電腦的誕生，這個表述究竟是否高估，與大模型這條能力曲線的走勢息息相關(guān)。
4.商業(yè)價值vs商業(yè)模式：發(fā)明電燈的人不一定直接享受到電力革命的紅利，卻依然值得歌頌
另一種對ChatGPT的普遍擔(dān)憂是成本問題。
有網(wǎng)友表示：“訓(xùn)練大型人工智能模型的成本已在數(shù)量級上逼近人類愿意拿出來的最大成本，若人類的總功率增量不能加速，模型參數(shù)的持續(xù)增長無法加速。”
對此，我更認(rèn)同理想汽車CEO李想在朋友圈的表達：“搜索引擎公司看待ChatGPT的成本，和燃油車企業(yè)早期看電動車的成本如出一轍。他們都在想：這么高的成本，咋盈利呀？”
今天，用成本與收益的角度來評價ChatGPT為時過早。對于突破性技術(shù)進展而言，從一開始就以商業(yè)維度來考量似乎有失公允，質(zhì)疑ChatGPT燒錢，類似于質(zhì)疑探索航天事業(yè)燒錢。
首先，AI行業(yè)本身就有工業(yè)界反哺科學(xué)界的特征。類似ChatGPT這種邁向AGI之路的探索看似發(fā)生在工業(yè)界，但其價值本身是外溢出商業(yè)范疇的，是科學(xué)進展的重要組成部分。發(fā)明電燈的人不一定直接享受到電力革命的紅利。但如果撥開時光機回到過去：是不是應(yīng)該鼓勵發(fā)明電？
其次，就算在商業(yè)語境范疇內(nèi)看待這項技術(shù)，如果一項技術(shù)的成本只是時間問題，如果可以證明其成本隨著時間推移會逐漸降低到合理值，那么這就不是一項技術(shù)在早期階段需要被挑戰(zhàn)的“主要矛盾”。新興技術(shù)的賬怎么算，我個人的觀點是，更需要去看這條道路的第一性原理，而不是過去、現(xiàn)在、未來幾年燒不燒錢，能不能賺錢。
再次，ChatGPT離賺錢沒那么遠。以ChatGPT對程序員的助力為例：依據(jù)GitHub的數(shù)據(jù)，2021年，中國有755萬程序員，排名全球第二。放眼全球，程序員數(shù)量已經(jīng)超過7300萬，比2020年增長了1700萬。根據(jù)預(yù)測，2025年GitHub上的程序員估計能達到1億。這里面，隨便幾個百分點的降本增效，都是一個巨大的市場空間。此外，大家很關(guān)注ChatGPT對搜索引擎的替代，但另一個巨大的市場是office類產(chǎn)品、在線文檔類產(chǎn)品和ChatGPT的融合——如果能夠讓寫word、做Excel、畫PPT的效率提升50%，我會毫不猶豫給甲子光年全員開通付費賬號。
一直以來，我都認(rèn)為“商業(yè)價值”與“商業(yè)模式”是兩件事。商業(yè)模式有兩種，一種是人為事先設(shè)計的，另一種是做好商業(yè)價值之后伴生而來事后總結(jié)的，偉大的公司往往是先有商業(yè)價值而后有商業(yè)模式，而不是相反。對于技術(shù)突破而言，模式永遠是結(jié)果而非原因。在本該求因的階段求果，可能抓錯了主要矛盾，也喪失了戰(zhàn)略機遇。至少，我國AI距離世界最先進水平的差距并不是財力。當(dāng)然，考慮到成本問題，未來也許會出現(xiàn)“股份制大模型”，多方群策群力，共建超級平臺，這都是“術(shù)”層面的問題。
5.理論潔癖vs暴力美學(xué)：長期信仰來自深刻理性
托馬斯·庫恩在《科學(xué)革命的結(jié)構(gòu)》中提出，科學(xué)進步的軌跡是跳躍式的?？茖W(xué)通過“革命”的方式進步，通過擺脫那些遭遇到重大困難的先前世界框架而進步。這并非一種朝向預(yù)定目標(biāo)的進步。它是通過背離那些既往運行良好、但卻不再能應(yīng)對其自身新問題的舊框架而得以進步。
這個角度看，我們無疑正在經(jīng)歷一場關(guān)鍵的科學(xué)革命。相比于其他學(xué)科以及早年間的AI派系，今天的AI行業(yè)更趨近于一場集體的范式遷移，這是由底層哲學(xué)觀牽引的。
ChatGPT背后的GPT系列體現(xiàn)了LLM應(yīng)該往何處去的發(fā)展理念。很多人開始相信，揭開AGI的真正鑰匙正在于：超大規(guī)模及足夠多樣性的數(shù)據(jù)、超大規(guī)模的模型、充分的訓(xùn)練過程。這條道路看似樸素，卻足以讓AI表現(xiàn)出智能“涌現(xiàn)”的能力，未來也許會持續(xù)帶來意想不到的驚喜和驚嚇。這種思想簡言之就是將“參數(shù)至上和數(shù)據(jù)至上”的思想發(fā)揮到極致，從細分技術(shù)“分而治之”到“大一統(tǒng)、端到端”，從理論潔癖走向暴力美學(xué)。
OpenAI并非這種哲學(xué)的奠基者。1956年達特茅斯會議首次提出“AI”概念后，AI路徑之爭、派系之爭始終存在。自深度學(xué)習(xí)誕生以來，AI行業(yè)的發(fā)展越來越像是一個暴力的擬合機器，多次里程碑節(jié)點都來自于LLM模型規(guī)模的增長，而非突破性理論的推動（當(dāng)然不能說大模型沒有突破性技術(shù)，只是這種技術(shù)的實現(xiàn)路徑不是理論潔癖者所甘心的畫風(fēng)，比如做超大規(guī)模的LLM模型對技術(shù)團隊的工程實現(xiàn)能力要求是非常高的，仿佛“馴獸師”一般，包含無數(shù)技巧、臟活累活）。
ChatGPT之所以到達今天的高度，是OpenAI堅持信仰的結(jié)果。OpenAI基本堅定地把LLM看做是通往AGI的一條必由之路。2018年OpenAI提出GPT模型，在風(fēng)頭不如BERT的情況下，再次提出GPT-2模型；隨著Google提出T5模型之后，再次提出GPT-3模型，今天依然在同樣的路徑上矢志不渝。
這頗有“以凡人之身軀領(lǐng)悟天之意志”的決絕感。大部分人都是因為看見才相信，OpenAI對技術(shù)判斷的前瞻性和其篤定信念是黃金一樣可貴的東西。
我的觀點是：信仰一定不是憑空產(chǎn)生的，信仰是需要對問題的深刻認(rèn)知才會產(chǎn)生。OpenAI看似瘋狂，卻一定不是無腦all in。我一直相信長期信仰（而非短期狂熱）的背后是深刻的理性。
此外值得一提的是，今天的熱潮正在推動著國內(nèi)很多宣傳與決策的快速跟進，這種跟進往往是建立在認(rèn)知還沒有清晰之前，這很容易導(dǎo)致“走偏”。我個人并不期待AI的發(fā)展需要全球走向完全相同的路徑。這不僅容易偏廢，也會導(dǎo)致產(chǎn)業(yè)的脆弱性——人各有志，AI為何不可多樣性呢。就算是直接對標(biāo)效而仿之，每一次彎道超車也要清醒論證，否則可能不是彎道超車，而是彎道翻車。
6.有意瞄準(zhǔn)vs無意擊發(fā)：一場企業(yè)家精神對科學(xué)界的反哺
最后說點題外話，這次ChatGPT的爆發(fā)，讓我想起了八個字“有意瞄準(zhǔn)，無意擊發(fā)”——這八個字用來形容狙擊手。你需要像狙擊手一樣專注，朝對的方向，心無旁騖地瞄準(zhǔn)，至于兔子什么時候出來、槍什么時候會響，只是時間問題。
歷史是在鐘擺聲中進步的?；仡櫲祟愇拿靼l(fā)展史，在古代，人們還沒有掌握萬有引力定律和牛頓定律之前，可能會直接記錄下物體各種運動現(xiàn)象，用眼睛而非邏輯去研究星星，而萬有引力定律和牛頓定律之后，方法自然不一樣了。打個比方，人們通過觀測、記錄來研究星星，正如大模型；人們發(fā)現(xiàn)萬有引力定律，就是理論突破。大模型→理論突破→大模型→理論突破，文明進步總是在螺旋中上升。當(dāng)理論越強，對模型的依賴越小。
感謝ChatGPT在歲末年初交付關(guān)鍵一役，業(yè)界已經(jīng)冰冷太久。此時此刻的全球科技產(chǎn)業(yè)界士氣大漲，就這一點而言，OpenAI已是功不可沒。自我2015年開始寫和AI相關(guān)文章開始，冷冷熱熱也經(jīng)歷了好幾輪。ChatGPT再次驗證了科技行業(yè)的不變真理——高估低估常有，但永遠沒有蓋棺定論的一天。
科技行業(yè)永遠需要鯰魚。ChatGPT與其說是熱點，更應(yīng)該定位為拐點。所以，無論ChatGPT的高溫天氣能持續(xù)多久，我都愿意為其添一把火——這是一場企業(yè)家精神對科學(xué)界的反哺，一場好久不見的暴力美學(xué)，一場技術(shù)信仰的勝利。