Thompson 在 AI 领域语境中主要指向两位人物：一位是科技评论媒体 Stratechery 的创始人 Ben Thompson，他长期撰写关于 AI 商业格局、地缘竞争与平台经济的深度分析；另一位是 Unix 与 C 语言的共同发明人 Ken Thompson，其 1984 年关于编译器信任的论文近来被重新引入 AI 安全讨论。此外，统计学中的 Thompson 采样（汤普森采样）也是多臂老虎机与强化学习研究中被广泛使用的经典方法。本文聚焦 AI 语境下这几个相关方向的近期动态。
Ben Thompson 对 AI 产业与训练数据的观点
Ben Thompson 近期围绕 AI 资本泡沫、地缘博弈与 OpenAI 商业模式发表了系列评论，他指出 OpenAI 面临类似 Dropbox 的困境——产品被广泛使用但难以建立差异化护城河。参见 Ben Thompson 谈 AI 地缘博弈、资本泡沫与 OpenAI 的 Dropbox 困境。
在训练数据与模型蒸馏的争议上，Thompson 提出训练数据应属合理使用范畴，并主张不应通过服务条款阻止模型蒸馏，这一立场在社区引发讨论。参见 Ben Thompson 提案：训练数据应属合理使用，禁止服务条款阻止蒸馏。
Ken Thompson 论文与 AI 安全的类比
Ken Thompson 在 1984 年提出的"信任编译器"思想——即代码可能被编译器后门悄悄篡改——被开发者社区重新解读为对 AI 供应链安全的隐喻：如果模型训练过程本身不可信，下游所有应用都继承这种不可信。参见 Ken Thompson 编译器安全论文对 AI 的启示。
Thompson 采样的学术进展
作为贝叶斯决策的经典算法，Thompson 采样在 2026 年仍持续活跃。一项研究将其扩展用于在线挑选兼顾准确率与公平性的分类器，让多臂老虎机方法承担公平性约束下的模型选择。参见 贝叶斯多臂老虎机方法：在线挑选兼顾准确率与公平性的分类器。
同时，针对其理论基础的样本复杂度分析，有工作提出了期望样本复杂度 ACE 的新框架，用于更精细地刻画算法收敛成本。参见 多臂老虎机问题中引入期望样本复杂度 ACE 新框架。
当前焦点与观察点
围绕 Thompson 相关议题的讨论呈现三条线索：其一是 Ben Thompson 为代表的产业评论，核心争议在于 AI 资本投入是否构成泡沫、以及训练数据版权与蒸馏权的边界如何划定；其二是 Ken Thompson 安全思想向 AI 供应链的迁移，反映社区对模型训练过程可审计性的担忧；其三是 Thompson 采样在公平性与样本复杂度理论上的持续演进。值得注意的是，这些讨论与更广泛的 AI 评测争议相互交织——例如 Gary Marcus 对 Anthropic 收入预测及基准分数与实际应用差距的批评，说明对 AI 商业叙事与技术能力的审视仍处于拉锯阶段，后续值得跟踪训练数据立法走向与多臂老虎机方法在真实推荐、医疗决策场景中的落地效果。