阿玛拉定律（Amara's Law）

阿玛拉定律，这个很有名，经常被人提起，是由美国未来学家**罗伊·阿玛拉（Roy Amara）提出，其核心观点为：“人们倾向于高估技术的短期影响，而低估其长期影响。”

（英文表述：We tend to overestimate the effect of a technology in the short run and underestimate the effect in the long run.）

为什么开篇先说一个定律，做一些重复性的事情，比如自己做过了，或者别人做过了。做这些工作，需要的是经验。

如果创新到一定境界，就需要回到本源，哲学就比较重要了。搞技术足够深入，往往喜欢谈论或者思考哲学不无道理。

大模型时代的高估和低估

回到大模型这个领域，我们也会发现，存在同样的问题。

一开始，大家会对这个领域特别兴奋，觉得是另外一个互联网时代的开启之类的。随着应用过程中碰到的各种问题，以及预期的AGI 没能到来，浇灭了很多人对大模型的热情。

但是我们认真看下，大模型其实在切切实实重构和颠覆现在的架构和技术。今天我给大家梳理下，最新的变化和发展。

下面这个图是抽象的技术架构，红色是关键变化

新的变化

我们从底下往上讲。

1、 IaaS：传统基础设施，主要是 CPU，块存储，对象存储。今天大模型关键的技术栈是 GPU，并行文件系统。

2、数据层：诞生了新的技术框架，存储格式和新的数据库范式。

2.1、Daft 是更原生的多模态数据库处理框架，Daft的强大之处在于它是Python原生的开源数据处理引擎，专门设计用于快速处理从文本到音频和视频等不同模态的数据。

2.2、Lance：多模态湖仓存储，原生支持向量。LanceDB 的 “多模态湖仓一体平台（Multimodal Lakehouse）”来实现。该平台基于开源的 Lance 格式构建，是专为 AI 设计的统一引擎，支持存储、检索和计算所有多模态数据。

2.3、Lakebase：databricks 收购了 NEON，合入 databricks 整体技术栈，重新命名为 Lakebase。这些新的数据库核心接近的是数据库是 Agent 创建和管理，支持 instance branch 等功能，天然和上层代码开发体验一致。

3、语义层：大模型的知识是训练的时候是固化的，在解决 2B 场景会力所不及。所以基本上云厂商，各种创业公司都在想办法给大模型提供足够的上下文。其中 Palantir 的 Ontology 抽象最为完善，通过 Ontology 对业务的数字孪生建模，实现 Data，logic，action 三位一体。不但提供了语义，还能实现决策的闭环。同时这个建模又是人和大模型能理解的，确保 human in the loop，Agent 可以越用越准，效果越来越好。

4、应用开发层：传统应用高逻辑，代码开发为准。面向大模型的新应用，数据驱动为主，所以低代码框架，AI/BI 越发重要。

5、应用层：Agent 成为新的开发范式，基本成为行业共识。传统的一些应用也在部分的被变更或者优化。

展望

新的业务需要底层持续的积累，到一定程度才能爆发。这个苗头，越来越明显了。