當AI圈活成了Web3：一場「新瓶裝舊酒」的技術狂歡

作者：losingle 來源：X，@losingle

最近看AI圈的各種「革命性發布」，總有一種當年置身Web3的荒誕感。什麼都好厲害，什麼都要顛覆，但扒開那些高大上的名詞外衣，老技術人們往往會陷入沉思：就這？這不都是當年我們玩剩下的嗎？

現在的AI創投圈，正在進行一場轟轟烈烈的「造詞運動」與「技術重新包裝」，硬生生把一堆接地氣的老技術，吹成了高不可攀的魔法。

扒開AI的「革命性」外衣

被吹上天的「Web Agent」與「電腦控制」。資本市場上，這叫「具身智能」、「革命性的生產力工具」。但扒開底層一看，執行層全都是 Selenium、Playwright 這些自動化測試工程師用了十幾年的老掉牙工具。以前這叫 RPA 或 UI 自動化，需要苦逼地寫 XPath、抓 DOM 樹；現在加了個大模型當「導航儀」，底層的輪子根本沒換，就敢包裝成「自主智能體」。這讓幹了多年自動化測試的兄弟情何以堪？

火遍全網的「RAG（檢索增強）」與「知識圖譜」。以前叫「垂直搜尋引擎」加「文本摘要」，現在搖身一變成了「給大模型外掛企業級大腦」。本質上不就是把文本切塊，用向量數據庫做個高級版的「Ctrl+F」，再扔給大模型去總結嗎？至於知識圖譜，大模型的降維打擊直接讓當年那些熬夜寫 SPARQL 查詢語句、做實體對齊的數據挖掘老哥們懷疑人生——費勁巴拉建的圖，還不如直接扔給大模型做語義檢索好使。

驚艷全網的「實時語音智能體（Voice Agent）與數字人」。資本狂歡說電影《Her》走進了現實，AI伴侶擁有了情感和實時反應。但拆解開來，99%的項目依然是老掉牙的「三段式流水線」：ASR（語音轉文本） -> LLM（大模型生成文本） -> TTS（文本轉語音），中間用 WebSocket 連起來。為了掩蓋這套流程帶來的巨大延遲，開發者硬寫了一堆規則，讓AI在生成內容前先播放一句預設的「嗯…」、「讓我想想」來拖延時間。以前做天貓精靈和Siri的工程師看了直呼內行：這不就是把當年的智障對話樹換成了大模型嗎？

老闆們最容易高潮的「AI數據分析師（Text-to-SQL）」。號稱「跟數據庫聊天就能自動出報表」，揚言要幹掉所有數據分析師。結果底層邏輯極其簡單粗暴：就是把數據庫的表結構（DDL）複製下來，拼成一段大白話發給大模型，讓它翻譯成一段 SQL 語句，然後再拿去數據庫里跑個 SELECT。如果報錯了怎麼辦？把報錯資訊發給大模型再改一遍。這不就是給數據庫加了個「自然語言翻譯機」嗎？包裝成「企業級對話BI」，就敢賣幾十萬的私有化部署。這讓寫了十年複雜連表查詢（JOIN）、天天優化慢SQL的DBA情何以堪？

再比如，各種滿天飛的「Agent 框架」。類似 OpenClaw、AutoGPT 這樣的框架，宣傳時動輒「自主規劃、多智能體協同」。翻開 GitHub 源碼一看，90%的項目只是一個極度單薄的「套殼（Wrapper）」。核心邏輯就是一個 while True 循環里塞滿了各種字符串拼接的 Prompt 模板。真正干髒活累活、展現推理和 Function Calling 能力的，全是底層的基座大模型。框架只是做了個API轉發，卻把「智能」的功勞全攬在了自己頭上。

最讓人哭笑不得的，是「提示詞工程（Prompt Engineering）」。這個聽起來像頂尖科學家的頭銜，本質上就是「高級字符串拼接員」。以前程序員寫正則表達式、寫 If-Else 來處理邊界條件；現在變成了在文本框裡苦口婆心地哄AI：「你是一個專家，請一步步思考，如果不聽話就扣你工資」。這哪裡是工程，這簡直是賽博玄學調參。

以前叫「寫正則」，現在叫「非結構化數據解析」； 以前叫「拼SQL」，現在叫「數據洞察智能體」； 以前叫「跑腳本」，現在叫「工作流編排」。

為什麼會有這麼強烈的 Web3 既視感？因為大模型降低了交互門檻，讓很多以前不懂技術的人，突然看到了自動化和數據挖掘的威力。他們以為這是AI帶來的全新魔法，而老技術人只覺得這是新瓶裝舊酒。

別錯過那滴「賽博膠水」

不過，吐槽歸吐槽，我們也不得不承認：大模型這口「新瓶」，確實把「舊酒」釀出了新味道。

以前的自動化測試、正則匹配和數據挖掘是「剛性」的，網頁改個按鈕腳本就崩了。而大模型賦予了這些老技術最缺乏的「柔性」和「容錯率」。它像一罐極其優秀的「賽博膠水」，把以前那些硬邦邦、容易斷裂的IT模塊，柔和地連接在了一起。

現在的AI應用層依然在大量復用過去十年的基礎設施。大模型從來沒有發明新的輪子，它只是給所有生鏽的老輪子，滴上了那滴發光的「賽博膠水」。

看透了這層窗戶紙，我們就能在喧囂中保持清醒：剝去AI的自然語言外衣，看清它的底層執行器。不被概念忽悠，但也別錯過這罐好膠水。

來源：金色財經

發佈者對本文章的內容承擔全部責任
在投資加密貨幣前，請務必深入研究，理解相關風險，並謹慎評估自己的風險承受能力。不要因為短期高回報的誘惑而忽視潛在的重大損失。