雖攻克 Navier-Stokes，仍看衰 LLM 在一般工作上的自主性
為何重要
這篇觀點強力挑戰了「大型語言模型即自動化終局」的主流敘事，指出在缺乏嚴謹規範的領域中，AI 的本質更接近需監管的「實習生而非專家」。 對技術決策者而言，應從追逐前沿模型的炒作轉向評估任務的容錯率與規範成本，並思考是否透過 swarm [群體] 模式利用折扣模型來提升產能。 對投資人而言，無監督的全自動化場景或許被過度估值，具競爭力的投資標的將集中在高效能低成本模型（如 DeepSeek V4.1 Flash）的執行層部署與垂直整合。
儘管前沿模型在複雜任務（如 Navier-Stokes）上展現能力，但作者認為這屬於特例，多數模型在簡單任務中仍極度依賴人工監督與防護，無法全自動取代中等技能的人力工作。
- 前沿模型對訓練範疇外的微小變動敏感，易導致回饋騎劫或失敗，解決問題需依賴昂貴的專家進行嚴格規範制定。
- 人工審核環節難以擴張規模，且本身仍具漏洞（如 xz backdoor [xz 木馬] 事件）。
- 現實中，能接受全自動 LLM 的企業極少，僅有價格敏感型組織、單一受控任務型，以及必須進行嚴格規範驗證的領域（如晶片設計、新藥發現）。
- CPU 產業實務顯示，規範與驗證階段的工程師成本通常是設計工程的 3 到 5 倍。