AI的时代洪流滚滚向前，我们每个人都身处其中，感受着它的光荣与梦想，也承担着它的迷茫与代价。

一方面，是资本市场的狂欢盛宴。OpenAI的估值冲向千亿美金，英伟达的市值超越众多老牌巨头，任何与「AI」沾边的概念都能轻易点燃投资者的热情。

另一方面，是技术与应用的困惑。Adobe因AI功能收入不及预期，股价一夜闪崩；无数创业公司在「百模大战」中力尽筋疲，却仍在商业化的门前苦苦挣扎。

这场革命的核心矛盾已经浮现：巨大的潜力预期与缓慢的价值实现之间，存在着一条深不见底的鸿沟。

我们不禁要问：

• 为什么AI会引发如此巨大的估值泡沫？我们该如何衡量它的真实价值？

• 这场革命的本质到底是什么？它更像一场工业革命，还是一场思想解放？

• 我们该如何穿越当前的迷雾，找到通往AGI的正确路径？

现在，来自科罗拉多大学（CU Denver）和肯尼绍州立大学（KSU）的华人团队，通过一个系统性的「AI方法论三部曲」系列论文，为我们提供了深入的见解和答案。

这三篇论文如三块基石，分别从经济、认知、技术三个维度，构建了一个理解AI的完整世界观。

第一篇：《Anchoring AI Capabilities in Market Valuations: The Capability Realization Rate Model and Valuation Misalignment Risk》 - 解决了「为什么」的问题。

第二篇：《Closer to Language than Steam: AL as the Cognitive Engine of a New Productivity Revolution》 - 解决了「是什么」的问题。

第三篇：《AI’s Euclid’s Elements Moment: From Language Models to Computable Thought》 - 解决了「怎么做」的问题。

论文地址：https://arxiv.org/abs/2505.10590

为什么市场会对AI如此疯狂？论文一针见血地指出：这是源于一种强大的认知偏误——

锚定效应（Anchoring Effect）。

当OpenAI的GPT-4展现出惊人能力，其千亿美金的估值就成了一个巨大的「锚」 。

投资者们将这个锚作为价值判断的起点，并将其投射到所有AI相关的公司上，坚信它们都能迅速将AI潜力转化为巨额利润 。

然而，潜力和现实之间，往往隔着万水千山。

为此，研究团队提出了一个量化工具，能力实现率（Capability Realization Rate, CRR）模型。

这个公式精准地剖析了AI公司的价值内核。

• 高CRR公司：它们不仅拥有强大的AI技术，更关键的是，已经成功地将这些技术大规模转化为实实在在的收入和利润。英伟达就是典型代表。市场对其AI芯片的疯狂需求，直接体现在了爆炸性的财报数据上 。它的高估值，是由真实的盈利能力支撑的，泡沫成分相对较小。

• 低CRR公司：它们可能拥有惊世骇俗的AI能力（高潜力），但尚未找到稳定的商业模式，将技术转化为收入（低实现）。许多AI创业公司，甚至早期的OpenAI都属于此类。它们的估值，更多是建立在对未来的信仰之上，因此蕴含着巨大的「价值错位风险」 。

• 从高CRR预期到低CRR现实的阵痛：Adobe的案例则是一个绝佳的警示 。当Adobe推出Firefl AI功能时，市场一度给予其极高的估值溢价。然而，当财报显示AI带来的直接收入增长未达预期时，其股价应声暴跌近12%。这说明，市场最终会从「潜力锚定」回归到「现实检验」，而CRR就是检验的一个标准。

CRR模型告诉我们，要想理解AI经济的「为什么」，就必须区分「Hype（炒作）」和「Reality（现实）」。资本的热情源于对潜力的锚定，但最终的胜利，只属于那些能将CRR从百分之一提升到百分之百的公司。

论文地址：https://arxiv.org/abs/2506.10281

既然AI的价值实现如此重要，那么我们首先要搞清楚，AI到底「是什么」？它驱动的是一场怎样的革命？

许多人喜欢将AI比作「蒸汽机」或「电力」，认为它将开启新一轮的工业革命。但该系列的第二篇论文提出了一个更深刻的观点：

AI的本质，更接近于人类「语言」和「文字」的发明，它是一场认知革命，而非工业革命。

蒸汽机延伸了人类的「肌肉」，而AI延伸的是人类的「心智」 。

这个类比并非文字游戏，它揭示了AI影响世界的根本方式.

几千年前，文字的发明是人类第一次伟大的认知革命。它让人类可以将记忆「外包」到泥板和莎草纸上，从而积累和传承远超个体记忆极限的知识。

今天的AI，正是新一代的「认知外包」工具。我们可以将信息检索、数据分析、内容草拟等任务交给AI，从而解放我们的大脑，专注于更高层次的创造、战略和决策。

如果说古腾堡的印刷机通过大规模复制，引爆了知识传播的革命，那么AI则更进一步。它不仅传播知识，更能分析、综合，乃至生成全新的知识。一个AI模型可以在几分钟内阅读数百万篇论文，发现人类科学家可能忽略的模式，就像AlphaFold预测蛋白质结构、AI发现新抗生素「Halicin」一样。

AI的燃料是数据，它的引擎是算法，而它的产物，是曾被认为是人类专属的——思想、洞见和创造力 。

将AI理解为「认知引擎」而非「物理引擎」，我们就抓住了这场变革的核心。它意味着，AI的普及将从根本上重塑所有依赖于知识和信息的工作——也就是今天经济中的几乎所有行业。

论文链接：https://arxiv.org/abs/2506.23080

既然我们知道了「为什么」和「是什么」，那么最关键的问题来了：AI将「怎么做」，它会如何演化？我们又该如何参与并引领这一进程？

系列的第三篇论文，也是最具前瞻性的部分，构建了一个名为「AI认知几何学（Geometry of Cognition）」的框架 。它指出，AI的演化并非随机的「布朗运动」，而是一条结构清晰、有迹可循的道路。

这条路，与人类自身认知技术的发展史，有着惊人的同构性。

研究团队将AI的演进划分为五个革命性的「时刻」：

历史类比：古代美索不达米亚的楔形文字，主要用于记账和法令，功能具体、领域狭窄。这就像是人类早期试图固化特定知识的尝试，虽然有效但局限性明显。

AI范式：上世纪80年代的专家系统（如MYCIN），将特定领域（如医学诊断）的知识编码为固定的「IF-THEN」规则 。这类系统在特定场景下表现出色，但缺乏通用性。

特点：刻板、脆弱 。一旦遇到规则之外的情况，系统就会崩溃 。这是一个只能「记录知识」而不能「生成思想」的时代，AI尚处于模仿和记忆的初级阶段。

历史类比：字母表的发明，用有限的几个符号（字母）就能组合出无穷的词汇和思想，实现了对语言的通用抽象表示。这标志着人类信息处理能力的飞跃，从具体的图像和符号走向了抽象的编码。

AI范式：2017年诞生的Transformer架构 。它通过Tokenization（分词）和Self-Attention（自注意力机制），创造了一套AI的「字母表」，可以处理文本、图像、蛋白质序列等任何信息。

特点：强大、通用，但也带来了不透明性（黑箱问题）。我们知道它很强大，但不知道它内部的「语法规则」是什么，这为AI的解释性和可控性带来了挑战。

历史类比：古希腊人发明了语法、逻辑和修辞学，开始「研究语言本身」，让思想过程变得可以分析和结构化。

AI范式：我们今天看到的技术，如思维链（Chain-of-Thought, CoT） 、Constitutional      AI (CAI) 和Agentic Frameworks (ReAct) ，正是AI开始反思自身「思考过程」的标志。

• CoT让模型「说出」思考步骤，使其思维可见。

• CAI为模型设定「宪法」，让它学会自我批判和对齐。

• ReAct让模型在「思考-行动-观察」的循环中与世界互动。

特点：AI开始拥有自我反思和治理的能力。这是从「会说」到「会思考如何说」的巨大飞跃。

历史类比：牛顿和莱布尼茨发明微积分。他们创造了一套新的符号系统（如 dy/dx, ∫ ），将复杂的连续变化问题，转化为可计算、可验证的代数运算。

AI范式：未来的AI，其思考过程将不再是模糊的自然语言，而是可执行、可验证的形式化程序。这需要两大技术的突破：

• 神经-符号AI（Neuro-Symbolic AI）：如AlphaGeometry，结合神经网络的直觉和符号引擎的严谨逻辑来解决问题 。

• 程序合成（Program Synthesis）：AI的输出直接是一段代码，这段代码的执行过程就是解决问题的过程。

特点：AI的思想将变成一种「可计算的思想微积分」，从根本上解决了当前长链条推理中的「错误累积」问题，是通往可靠自主智能的必经之路。

历史类比：弗雷格和罗素等人试图将整个数学建立在坚实的形式逻辑公理之上，创造一个完美、无懈可击的推理体系。

AI范式：AGI的最终形态，可能不是一个巨大的、黑箱的神经网络，而是一个其行为可被形式化验证（Formal Verification）、可证明（Provably）对人类有益且价值对齐的智能系统 。

特点：AI的「能力」和「安全」在这一刻合二为一。它将成为一个我们能完全理解和信任的、并行的认知架构。

更重要的是，这五个时刻的演进是自反的（Reflexive）。

AI在「元语言时刻」发展的自我反思能力，将反过来帮助它重构自己在「字母表时刻」的底层表示方式，从而为迈向「数学符号时刻」奠定基础 。这是一个不断「自我迭代、自我重建」的螺旋上升过程。

「AI方法论三部曲」为我们描绘了一幅壮丽的画卷。它用CRR模型解释了当前市场的「狂热之源」，提醒我们价值终将回归实现；

用「认知引擎」的比喻，定义了这场革命的「根本性质」，让我们不再拘泥于工业时代的旧思维；

最终，用「认知几何学」的五大时刻，为我们指明了从现在到未来的「演进路径」，让混沌的探索有了清晰的航标。

在AI这场浩荡进化中，模型规模也许会再翻十倍，但真正决定未来的，是我们能否构建出「思想的数学语言」。

正如文字之于文明、几何之于理性，下一代AI的基石，可能是一套我们尚未发明的「思想微积分」。

我们正站在「元语言时刻」的黎明，这是AI学会自我审视的开端。下一个伟大的机遇，将属于那些能够率先创造出AI「思想微积分」的开拓者。

Xinmin Fang是科罗拉多大学计算机专业的博士生，研究方向包括移动计算和物联网、机器人。

Lingfeng Tao是肯尼绍州立大学助理教授，主要研究机器人控制、人机系统和人工智能。

Zhengxiong Li是科罗拉多大学助理教授，主要研究方向是AI机器人、物联网/移动计算。

DeepSeek 高级使用指南，建议收藏

一次性说清楚DeepSeek，史上最全（建议收藏）

DeepSeek一分钟做一份PPT

用DeepSeek写爆款文章？自媒体人必看指南

【5分钟解锁DeepSeek王炸攻略】顶级AI玩法，解锁办公+创作新境界！

声明

免责声明：部分文章和信息来源于互联网，不代表本订阅号赞同其观点和对其真实性负责。如转载内容涉及版权等问题，请立即与小编联系（微信号：913572853），我们将迅速采取适当的措施。本订阅号原创内容，转载需授权，并注明作者和出处。如需投稿请与小助理联系（微信号：AI480908961）

编辑：Zero