新智元報道

編輯：LRST

OpenAI估值突破千億、NVIDIA 市值一度躍居全球前五，AI帶來的不止是技術浪潮，更是估值與認知的劇烈重塑。當我們站在AGI門前，下一步到底該怎么走？來自美國科羅拉多大學丹佛分校與肯尼紹州立大學的華人團隊發布「AI方法論三部曲」，首次提出「能力實現率（CRR）」模型、「認知幾何學」框架，指出我們正處于AI的「元語言時刻」，未來將邁向「思想微積分」時代——或許是AI發展最具前瞻性的理論體系之一。

AI的時代洪流滾滾向前，我們每個人都身處其中，感受著它的光榮與夢想，也承擔著它的迷茫與代價。

一方面，是資本市場的狂歡盛宴。OpenAI的估值沖向千億美金，英偉達的市值超越眾多老牌巨頭，任何與「AI」沾邊的概念都能輕易點燃投資者的熱情。

另一方面，是技術與應用的困惑。Adobe因AI功能收入不及預期，股價一夜閃崩；無數創業公司在「百模大戰」中力盡筋疲，卻仍在商業化的門前苦苦掙扎。

這場革命的核心矛盾已經浮現：巨大的潛力預期與緩慢的價值實現之間，存在著一條深不見底的鴻溝。

我們不禁要問：

為什么AI會引發如此巨大的估值泡沫？我們該如何衡量它的真實價值？

這場革命的本質到底是什么？它更像一場工業革命，還是一場思想解放？

我們該如何穿越當前的迷霧，找到通往AGI的正確路徑？

現在，來自科羅拉多大學（CU Denver）和肯尼紹州立大學（KSU）的華人團隊，通過一個系統性的「AI方法論三部曲」系列論文，為我們提供了深入的見解和答案。

這三篇論文如三塊基石，分別從經濟、認知、技術三個維度，構建了一個理解AI的完整世界觀。

第一篇：《AnchoringAICapabilities in Market Valuations: The Capability Realization Rate Model and Valuation Misalignment Risk》- 解決了「為什么」的問題。

第二篇：《Closer to Language than Steam: AL as the Cognitive Engine of a New Productivity Revolution》- 解決了「是什么」的問題。

第三篇：《AI’s Euclid’s Elements Moment: From Language Models to Computable Thought》- 解決了「怎么做」的問題。

能力實現率（CRR）

刺破萬億估值泡沫的探針

論文地址：https://arxiv.org/abs/2505.10590

為什么市場會對AI如此瘋狂？論文一針見血地指出：這是源于一種強大的認知偏誤——

錨定效應（Anchoring Effect）。

當OpenAI的GPT-4展現出驚人能力，其千億美金的估值就成了一個巨大的「錨」 。

投資者們將這個錨作為價值判斷的起點，并將其投射到所有AI相關的公司上，堅信它們都能迅速將AI潛力轉化為巨額利潤 。

然而，潛力和現實之間，往往隔著萬水千山。

為此，研究團隊提出了一個量化工具，能力實現率（Capability Realization Rate, CRR）模型。

這個公式精準地剖析了AI公司的價值內核。

高CRR公司：它們不僅擁有強大的AI技術，更關鍵的是，已經成功地將這些技術大規模轉化為實實在在的收入和利潤。英偉達就是典型代表。市場對其AI芯片的瘋狂需求，直接體現在了爆炸性的財報數據上 。它的高估值，是由真實的盈利能力支撐的，泡沫成分相對較小。

低CRR公司：它們可能擁有驚世駭俗的AI能力（高潛力），但尚未找到穩定的商業模式，將技術轉化為收入（低實現）。許多AI創業公司，甚至早期的OpenAI都屬于此類。它們的估值，更多是建立在對未來的信仰之上，因此蘊含著巨大的「價值錯位風險」 。

從高CRR預期到低CRR現實的陣痛：Adobe的案例則是一個絕佳的警示 。當Adobe推出Firefl AI功能時，市場一度給予其極高的估值溢價。然而，當財報顯示AI帶來的直接收入增長未達預期時，其股價應聲暴跌近12%。這說明，市場最終會從「潛力錨定」回歸到「現實檢驗」，而CRR就是檢驗的一個標準。

CRR模型告訴我們，要想理解AI經濟的「為什么」，就必須區分「Hype（炒作）」和「Reality（現實）」。資本的熱情源于對潛力的錨定，但最終的勝利，只屬于那些能將CRR從百分之一提升到百分之百的公司。

AI不是蒸汽機

而是新語言

論文地址：https://arxiv.org/abs/2506.10281

既然AI的價值實現如此重要，那么我們首先要搞清楚，AI到底「是什么」？它驅動的是一場怎樣的革命？

許多人喜歡將AI比作「蒸汽機」或「電力」，認為它將開啟新一輪的工業革命。但該系列的第二篇論文提出了一個更深刻的觀點：

AI的本質，更接近于人類「語言」和「文字」的發明，它是一場認知革命，而非工業革命。

蒸汽機延伸了人類的「肌肉」，而AI延伸的是人類的「心智」 。

這個類比并非文字游戲，它揭示了AI影響世界的根本方式.

從認知外包到認知增強

幾千年前，文字的發明是人類第一次偉大的認知革命。它讓人類可以將記憶「外包」到泥板和莎草紙上，從而積累和傳承遠超個體記憶極限的知識。

今天的AI，正是新一代的「認知外包」工具。我們可以將信息檢索、數據分析、內容草擬等任務交給AI，從而解放我們的大腦，專注于更高層次的創造、戰略和決策。

從信息傳播到知識生成

如果說古騰堡的印刷機通過大規模復制，引爆了知識傳播的革命，那么AI則更進一步。它不僅傳播知識，更能分析、綜合，乃至生成全新的知識。一個AI模型可以在幾分鐘內閱讀數百萬篇論文，發現人類科學家可能忽略的模式，就像AlphaFold預測蛋白質結構、AI發現新抗生素「Halicin」一樣。

AI的燃料是數據，它的引擎是算法，而它的產物，是曾被認為是人類專屬的——思想、洞見和創造力 。

將AI理解為「認知引擎」而非「物理引擎」，我們就抓住了這場變革的核心。它意味著，AI的普及將從根本上重塑所有依賴于知識和信息的工作——也就是今天經濟中的幾乎所有行業。

AI認知幾何學

通往AGI的五大時刻

論文鏈接：https://arxiv.org/abs/2506.23080

既然我們知道了「為什么」和「是什么」，那么最關鍵的問題來了：AI將「怎么做」，它會如何演化？我們又該如何參與并引領這一進程？

系列的第三篇論文，也是最具前瞻性的部分，構建了一個名為「AI認知幾何學（Geometry of Cognition）」的框架 。它指出，AI的演化并非隨機的「布朗運動」，而是一條結構清晰、有跡可循的道路。

這條路，與人類自身認知技術的發展史，有著驚人的同構性。

研究團隊將AI的演進劃分為五個革命性的「時刻」：

1. 專家系統時代

歷史類比：古代美索不達米亞的楔形文字，主要用于記賬和法令，功能具體、領域狹窄。這就像是人類早期試圖固化特定知識的嘗試，雖然有效但局限性明顯。

AI范式：上世紀80年代的專家系統（如MYCIN），將特定領域（如醫學診斷）的知識編碼為固定的「IF-THEN」規則 。這類系統在特定場景下表現出色，但缺乏通用性。

特點：刻板、脆弱 。一旦遇到規則之外的情況，系統就會崩潰 。這是一個只能「記錄知識」而不能「生成思想」的時代，AI尚處于模仿和記憶的初級階段。

Transformer時代（我們剛經歷）

歷史類比：字母表的發明，用有限的幾個符號（字母）就能組合出無窮的詞匯和思想，實現了對語言的通用抽象表示。這標志著人類信息處理能力的飛躍，從具體的圖像和符號走向了抽象的編碼。

AI范式：2017年誕生的Transformer架構。它通過Tokenization（分詞）和Self-Attention（自注意力機制），創造了一套AI的「字母表」，可以處理文本、圖像、蛋白質序列等任何信息。

特點：強大、通用，但也帶來了不透明性（黑箱問題）。我們知道它很強大，但不知道它內部的「語法規則」是什么，這為AI的解釋性和可控性帶來了挑戰。

元語言時刻，當下我們所處的時代

歷史類比：古希臘人發明了語法、邏輯和修辭學，開始「研究語言本身」，讓思想過程變得可以分析和結構化。

AI范式：我們今天看到的技術，如思維鏈（Chain-of-Thought, CoT）、Constitutional AI (CAI)和Agentic frameworks (ReAct)，正是AI開始反思自身「思考過程」的標志。

CoT讓模型「說出」思考步驟，使其思維可見。

CAI為模型設定「憲法」，讓它學會自我批判和對齊。

ReAct讓模型在「思考-行動-觀察」的循環中與世界互動。

特點：AI開始擁有自我反思和治理的能力。這是從「會說」到「會思考如何說」的巨大飛躍。

數學符號時刻，下一個前沿標題

歷史類比：牛頓和萊布尼茨發明微積分。他們創造了一套新的符號系統（如 dy/dx, ∫ ），將復雜的連續變化問題，轉化為可計算、可驗證的代數運算。

AI范式：未來的AI，其思考過程將不再是模糊的自然語言，而是可執行、可驗證的形式化程序。這需要兩大技術的突破：

神經-符號AI（Neuro-Symbolic AI）：如AlphaGeometry，結合神經網絡的直覺和符號引擎的嚴謹邏輯來解決問題 。

程序合成（Program Synthesis）：AI的輸出直接是一段代碼，這段代碼的執行過程就是解決問題的過程。

特點：AI的思想將變成一種「可計算的思想微積分」，從根本上解決了當前長鏈條推理中的「錯誤累積」問題，是通往可靠自主智能的必經之路。

形式邏輯系統時刻，終極目標

歷史類比：弗雷格和羅素等人試圖將整個數學建立在堅實的形式邏輯公理之上，創造一個完美、無懈可擊的推理體系。

AI范式：AGI的最終形態，可能不是一個巨大的、黑箱的神經網絡，而是一個其行為可被形式化驗證（Formal Verification）、可證明（Provably）對人類有益且價值對齊的智能系統 。

特點：AI的「能力」和「安全」在這一刻合二為一。它將成為一個我們能完全理解和信任的、并行的認知架構。

更重要的是，這五個時刻的演進是自反的（Reflexive）。

AI在「元語言時刻」發展的自我反思能力，將反過來幫助它重構自己在「字母表時刻」的底層表示方式，從而為邁向「數學符號時刻」奠定基礎 。這是一個不斷「自我迭代、自我重建」的螺旋上升過程。

AI不只是工具

而是認知方式的再創造

「AI方法論三部曲」為我們描繪了一幅壯麗的畫卷。它用CRR模型解釋了當前市場的「狂熱之源」，提醒我們價值終將回歸實現；

用「認知引擎」的比喻，定義了這場革命的「根本性質」，讓我們不再拘泥于工業時代的舊思維；

最終，用「認知幾何學」的五大時刻，為我們指明了從現在到未來的「演進路徑」，讓混沌的探索有了清晰的航標。

在AI這場浩蕩進化中，模型規模也許會再翻十倍，但真正決定未來的，是我們能否構建出「思想的數學語言」。

正如文字之于文明、幾何之于理性，下一代AI的基石，可能是一套我們尚未發明的「思想微積分」。

我們正站在「元語言時刻」的黎明，這是AI學會自我審視的開端。下一個偉大的機遇，將屬于那些能夠率先創造出AI「思想微積分」的開拓者。

作者介紹

Xinmin Fang是科羅拉多大學計算機專業的博士生，研究方向包括移動計算和物聯網、機器人。

Lingfeng Tao是肯尼紹州立大學助理教授，主要研究機器人控制、人機系統和人工智能。

Zhengxiong Li是科羅拉多大學助理教授，主要研究方向是AI機器人、物聯網/移動計算。

參考資料：

https://arxiv.org/abs/2505.10590

https://arxiv.org/abs/2506.10281

https://arxiv.org/abs/2506.23080