# 大语言模型无需炒作也自有其用

**Summary:** 乔治·霍茨主张热爱大语言模型的同时拒斥 AI 神话，这与我产生了共鸣：这些工具是真实的，但实用性并不能证明其必然性、垄断性或魔力。

- Canonical: https://markhuang.ai/zh/news/llms-useful-without-the-hype
- Language: zh-CN
- Author: [Mark Huang](https://markhuang.ai/about)
- Published: 2026-07-12
- Section: News
- Tags: AI, 大语言模型, 编程智能体, 开源模型, 开发者工具
- Source: [George Hotz](https://geohot.github.io//blog/jekyll/update/2026/07/12/i-love-llms.html)
- License: https://creativecommons.org/licenses/by-nc/4.0/

---

![一位卡通创作者正愉快地操作一台小巧的实用机器，而头顶上方一个巨大的脑形炒作气球正在泄气](https://cdn.markhuang.ai/news/llms-useful-without-the-hype/hero.webp)

*管用的机器和吹出来的故事完全可以并存。我们得学会把两件事分开看。*

乔治·霍茨（George Hotz）的[《我爱大语言模型，我讨厌炒作》](https://geohot.github.io//blog/jekyll/update/2026/07/12/i-love-llms.html)一文令人耳目一新，因为它拒绝了当下许多 AI 讨论中非此即彼的两种立场。他既对语言模型、编程智能体、自动驾驶汽车和视频生成感到兴奋，又驳斥了“所有人都在奔向某个突然且不可避免的技术突破”这一说法。

这种结合让我深有同感。我认为大语言模型（LLMs）正逐渐成为真正有用的工具，尤其是在整合搜索、翻译、环境配置和重复性编码工作方面。但我也认为，实用性常常被悄悄包装成关于必然性、垄断性和机器接管一切的更大论断。这些论断需要自己的证据支持。

## 要点速览

| 问题            | 我的解读                                                       |
| ------------- | ---------------------------------------------------------- |
| 发生了什么？        | 霍茨于 7 月 12 日发表文章，主张大语言模型的进步令人兴奋且实用，但由恐惧驱动的最后期限和超级智能叙事纯属炒作。 |
| 它指出了什么问题？     | AI 讨论常常把眼前好用的东西，跟"技术即将突变""少数前沿实验室将长期垄断"这类推测绑在一起。           |
| 谁会从更清晰的框架中受益？ | 开发者、学习者、开源模型构建者和采购者，他们需要基于可观察的价值而非紧迫感来选择工具。                |
| 我的核心观点        | 大语言模型最强有力的理由在于它们延续了计算机革命。它们无需一夜之间变得神奇、垄断或改变命运也能产生重大影响。     |

## 好用不等于神话成立

霍茨这篇文章最有价值的一步，是把产品和围绕它讲的故事拆开。他讲了自己怎么用本地模型和编程智能体搞定一个 Linux 配置任务，也承认自己以前对“模型能不能写代码”判断太悲观。他现在的立场很克制：编程正在变，模型确实能帮上忙，而学会用好它们本身就是一门手艺。

我觉得这比“AI 就是没用的自动补全”或“AI 马上要接管未来”都站得住脚。编译器可以改变编程方式，但它自己并不会变成程序员。搜索、查找替换、文档、Stack Overflow，都改变过开发者要记什么、能跑多快。大语言模型完全可以是这条线上的又一大步，不必因此把科幻小说里的结局全搬过来。

文中链接的那场 2016 年演讲[《超级智能：吞噬聪明人的想法》](https://idlewords.com/talks/superintelligence.htm)也值得一看，因为它把“智能爆炸”拆成了若干前提。有些前提确实说得通，但整条链到底还只是论证，不是已经发生的事实。我一直希望讨论 AI 时能用同一把尺子：能力演示只能证明它有这个能力，不能自动推导出所有下游剧情。

![一位卡通开发者指挥一只小型机械臂分拣彩色零件，人类手里握着蓝图和最终拍板权](https://cdn.markhuang.ai/news/llms-useful-without-the-hype/practical-leverage.webp)

*真正的好处在于杠杆效应：让机器去分拣、组装更多零件，但蓝图和判断权还是人的。*

## 生产力证据比宣传话术复杂得多

霍茨承认自己现在确实从模型那里拿到了不少好处，但他也提到了认知疲劳，以及低质量生成代码仍然满天飞的现实。公开研究支持的也是这种参差不一的结论，而不是“全面提速”的乐观叙事。

一项[PACIS 2026 的实验](https://aisel.aisnet.org/pacis2026/ai_fow/ai_fow/13/)让 24 名开发者上手测试，发现智能体在遗留系统的上手任务中确实缩短了平均完成时间，主观工作量也降低了，但代码正确性并没有显著提升。作者还注意到开发者更容易进入“旁观模式”，并对过度依赖和技能退化提出了担忧。速度有提升，但样本量太小，离给软件工程下结论还差得远。

另一项[Anthropic 的随机对照试验](https://www.anthropic.com/research/AI-assistance-coding-skills)则讲了不同的故事。52 名以初级为主的工程师参与测试，用 AI 的那组只快了一点点，统计上并不显著，但对刚用过的陌生 Python 库的理解测试反而低了 17%。研究规模不大，测的也是即时掌握程度，但最实用的发现是：怎么用比用不用更重要——多问概念性问题、主动验证理解，比直接把代码甩给 AI 效果好得多。

> **Info:**
>
> 我的原则很简单：能便宜验证的活儿，就放手让智能体干；一旦任务本身是在教我新东西，或者可能埋下日后要排查的坑，就慢下来。

![一位卡通开发者用放大镜和卡尺仔细检查快速送达的发光拼图碎片，然后再将其装入机器](https://cdn.markhuang.ai/news/llms-useful-without-the-hype/verification-tradeoff.webp)

*出活更快并不意味着验证成本消失了。只是活儿换了地方干，练的技能也跟着变了。*

## 炒作制造了虚假的最后期限

我最认同的批评，是霍茨对“窗口正在关闭”这套话术的拒绝。紧迫感在商业上太好用了。它能把一个还没定论的技术选择变成身份竞赛：搬到对的城市、进对的实验室、买对的模型，不然就等着被时代甩掉。

同样的工具正在快速扩散，这种说法就更站不住脚了。霍茨自己用的就是本地开源模型，又不是前沿实验室内部的私有权限。他更大的经济判断是：AI 可能会创造巨大价值，但前沿实验室未必能全拿走。文章并没有证明这一点，自托管也依然有硬件、运维、安全和利用率的成本。但开源权重加上不断下降的部署成本，已经让“永久稀缺”变成了一个需要拿出证据的说法，而不是默认前提。

这里我也想给霍茨补一句：通用计算在进步，不代表每个模型都能互相替代，商品化也很少是齐头并进的。就算核心能力铺开了，可靠性、分发、数据、集成、支持这些层面照样能做出差异化。拒绝垄断叙事，不等于要走到另一头，认定前沿工作一定没有持久优势。

![一张卡通网络将发光的机器核心从中央车间输送到众多独立的家庭实验室和小型工坊中](https://cdn.markhuang.ai/news/llms-useful-without-the-hype/open-model-diffusion.webp)

*能力一旦扩散，价值就会流向工具、工作流和构建者，而不是锁在一座玻璃塔里。*

## 我的最终结论

我喜欢霍茨这篇文章，因为“热情归热情，不跟着 hype 走”比一边倒的吹捧或否定都健康得多。大语言模型可以是很厉害的编译器、搜索引擎、翻译工具、编程搭档；它们也会让人疲劳、掩盖错误、削弱学习效果，还会制造一大堆看不出到底有没有用的代码。这些事实并不矛盾。

我想要的标准很朴素也很苛刻：说清楚任务是什么、基线在哪、失败率多少、审查成本多高、谁还留着修 bug 的能力。然后让托管模型和开源模型去竞争，把好用的部分推进日常计算里去。

AI 不需要什么“窗口即将关闭”或者天降神迹才能变得重要。只要它持续让计算机更强、更容易上手，这本身就是一个够分量的叙事。我宁愿在这样的可观察进步上押注，也不想让炒作来替这些工具定性。