对于想知道为什么会如此热闹的美国读者来说：伦敦科技展之于欧洲就像 RSA 或 AWS re:Invent 之于美国科技界，只是规模较小。今年，约有 25,000 名与会者参加了伦敦科技展，这是欧洲大陆上必须参加的年度科技活动之一。

总结

• 随着 GPU 取代 CPU。虽然每个人都痴迷于模型参数，但数据中心部分的热门话题是 冷却和功率限制 。
• 会议内容丰富，探讨了自主代理。 代理 AI 大戏 仍在继续，并且仍保持原样：讨论。
• 我的演讲通过九个现实世界的案例挑战了 人工智能确定性泡沫，这些案例将营销头条转变为令人不安的问题。
• 小组展示了雄心勃勃的人工智能路线图，而私下讨论承认试点项目从未投入生产。实施差距明显。
• 无法在数据沼泽上建造 AI 城堡。从我与 Merve Alanyali 和数据科学家在多个会议中的炉边谈话来看，重点是 基础知识， 而不是算法的兴奋。
• 培训 悖论 已充分显现。供应商热切地销售新兴技术课程，这些技术尚未形成既定模式。但是，有什么比在企业培训套餐中加入“AI”一词更重要呢？

1.物理并不关心人工智能销售宣传

如果你问我，展会上究竟有哪些令人兴奋的事情？

我的第一条回复是：数据中心正在更热。

虽然网络中或一般媒体的许多人都痴迷于模型参数和代理 AI。但需要提醒的是，AI 的基本限制之一是物理的。

人工智能工作负载从 CPU 转向 GPU 所带来的问题是任何数量的风险投资都无法解决的：

• 电力需求超出现有电网容量
• 热管理达到极限，物理学无法协商
• 基础设施成本不断增加。

因为 GPU 从根本上需要更多电力并且运行时温度更高。

在数据中心部分，许多创新都集中在“改善冷却、提高功率密度”上。这并不是科技记者通常追逐的性感人工智能叙事，但没有物理基础的模型很难扩展。

2.大规模品牌重塑活动，新标签：AI

走在软件展位前，感觉就像在现场观看一场大规模的品牌重塑行动。这就像一场昂贵的年度化装舞会，每个人都戴着同样的面具参加。

网络安全部分尤其令人瞩目。两年前，这些系统还自豪地贴上了“机器学习”的标签。上周，它们全都是“人工智能驱动的网络安全”解决方案。 同样的检测算法，同样的异常识别逻辑， 新鲜的流行语。

如何发现某些网络流量是否符合预期、是否危险、是否与正常情况不同？

一位供应商提出这个问题。十年来这个问题从未改变；只是用营销术语来回答它。

微软生态系统尤其如此。合作伙伴“受到激励，不管你是否需要，都会向你出售更多微软产品”，他们只是在他们多年来一直推广的相同许可包上贴上“人工智能增强”的标签。再一次，这是微软的标准策略，只是换了个品牌。

话虽如此，我对生产环境数字孪生 的潜在突破感到非常兴奋。

一个演示引起了我的注意。它使用“广泛的人工智能，而不仅仅是通用人工智能”来创建复制环境。这是一个有趣的东西，可以解决一个持续的工程挑战：重新创建反映生产的环境，包括流量模式和负载特性。

然而，他们究竟如何实现这一目标，却缺乏技术细节。

三 Agentic AI 的现实检验

我参加了一个小组讨论，部分讨论是关于代理 AI 的。

一位小组成员充满活力并推广他们的基于代理的方法，但对话最终迫使他们不得不承认： 我们没有生产用例 。

一位坦诚的 CTO 最终承认：现实世界中商业化的 Agentic AI 案例很少...没有合适的场景。

这一实施难题不仅仅是技术挑战。

这里有一个简短的总结，但我计划在接下来的几个月里将其转化为正式的总结：人工智能代理的核心存在一个 基本的经济矛盾。你赋予的自主权越多，你的系统就越不可靠。

您要么构建一个在生产中使用时存在太多错误的代理，要么添加太多的人工检查点，以至于比手动完成工作更加昂贵。

我看到的挑战：

1. 想象一下……如果每个自主步骤都会引入 错误概率（幻觉） 。1% 的幻觉率会在 50 步后累积到 40% 的失败率，那么关键系统中自主代理的现实范围是什么？
2. 如何调试看不见的东西？当决策来自不透明的流程时，追踪故障就变成了 昂贵的猜测， 而不是工程。
3. 当每个决策节点都成为 潜在的开发目标 时，代理越多，漏洞就越多——这是一个很少被讨论的现实，更不用说解决了。
4. 当多个AI系统跨越组织边界交互时，谁应该对最终的错误负责？

难怪 Agentic AI 的部署仍需“六个月的时间”。

四 回顾人工智能重大失败后的九种模式

我在研究中涵盖了三个主题的九个轶事：

• 战略脱节，
• 技术限制，
• …以及大多数人工智能路线图所忽略的人为因素。

每个故事都穿插着一些问题，目的不是为了测试知识，而是为了挑战确定性。

关于人工智能欺骗和批判性思维侵蚀的研究引发了大多数论坛讨论。

最有价值的是我最后提出的问题：

• 你的 AI 产品是否解决了真正的用户问题？
• 您对于模型的局限性以及所面临的风险了解多少？
• 您如何激励自己和您的团队进行批判性思考？

五 2025 年人工智能的成熟声音

第二天的活动以Merve Alanyali 的谈话拉开序幕。这正是我们需要看到的隐藏在营销线和炒作之下的这种工作。记住她的话： 正确的管道是人工智能转型成功的关键。 或者我们已经听过太多关于 AI 文化的话题了。然而，对我来说，AI 文化不是向团队讲课，而是通过练习、讨论和其他精心设计的活动来引导他们。这需要付出很多努力，但也会更加有效。

所讨论的主题与从事这项工作的人员在多个会议中讨论的总体主题产生了共鸣：

• 各个小组的数据科学家都强调，从长远来看 ，干净、受管理的数据能够创造更多的商业价值。
• 大多数公司不应该急于采用人工智能解决方案，而应该专注于寻找他们拥有的 信息价值密度最高的 数据。
• 最复杂的讨论涉及 跨越组织边界的 方法。它不只是花哨的人工智能外表，更多的是文化准备、技能发展途径和治理模式。
• 深思熟虑的从业者现在专注于 谨慎地参与监管 。监管应被用作负责任创新的框架，而不是一种限制。
• 文化基础设施：最具影响力的演讲重点在于将团队之间的专业知识转化为数据素养。

这些对话并未引发引人注目的新闻头条。从长远来看，最成功的公司并不是那些问“我们应该实施哪种模式？”的公司。但是我们如何重构我们的数据基础以及我们的数据的价值是什么，以便无论出现什么模型，我们都能保持优势？

六 最后的想法

当演讲者放下他们的演讲角色时，最有价值的见解在会议之间浮现出来：

生产中运行的和永久试点中的有什么不同？

除了技术指标之外，您还如何衡量成功？

哪些人工智能功能可以在今天而不是将来某一天带来价值？