AI 正在放缓

对文章的反应与语气

• 很多读者认为这篇文章情绪化、带有论战色彩，而且有点“对着信众讲道”，这使他们即便觉得数据有意思，也会不信任或直接忽略其论点。
• 也有人为这种激进风格辩护，认为它是对持续不断的 AI 过度吹捧和企业公关所必需的制衡，但也有人觉得这已经滑向了带意识形态驱动的“反 AI 内容”，而不是分析。
• 还有几位指出，历史上曾出现过一些戏剧化、带明确时间表的崩溃预测，但事实并未发生；这在他们看来削弱了作者的可信度，尤其是关于任何面向未来的判断。

财务可持续性与泡沫风险

• 讨论的核心主张是：当前的资本开支、芯片和数据中心承诺意味着，到 2030 年左右，AI 需要每年带来数千亿美元到数万亿美元的收入；许多人认为这不现实，说明存在泡沫。
• 一些人认同这个数学推演看起来很吓人，并看到了与互联网泡沫、次贷危机或中国房地产类似的迹象：循环交易、过度建设，以及投资者的 FOMO。
• 也有人反驳说，大型实验室当前的 ARR 增长、强劲的企业需求，以及历史先例（铁路、互联网）都表明，大泡沫也可以与真正具有变革性的技术并存。
• 关于“AI 成本不可持续”与“AI 很有价值，但目前的售价低于成本”之间也有争论；几位评论者指出，即使这项技术长期胜出，今天的领先实验室以及一些云/基础设施公司仍可能被清洗出局或被救助。

生产力、价值与组织影响

• 对“巨大的、无可否认的生产力提升”这一点分歧很大。
  • 支持 AI 的评论者表示，在编码和其他知识工作中速度提升惊人，公司内部也广泛采用；他们认为现在的怀疑忽视了亲身经历。
  • 怀疑者则引用对数千个团队的研究：代码变更和缺陷更多，但吞吐量并未提升；他们的个人体验也并没有净速度提升，而且代码往往并不是实际瓶颈（协调、产品方向、集成才是）。
• 一个反复出现的主题是：个人“我变快了”并不等于组织“我们交付了更多有价值的功能”。更高的 LOC/PR 数可能会被返工、技术债以及对深度理解的丧失所抵消。

技术进展：真的在放缓吗

• 一方认为进展显然在放缓：最近的前沿模型只是增量升级；小模型/开源模型和中国模型“已经够好”并且紧追不舍；商品化和护城河缩小在即。
• 另一方坚持认为能力仍在快速提升，尤其是在智能体式编码和安全工具方面（例如 AI 驱动的漏洞发现），并表示局外人看不到最顶尖的模型。
• 还有几位区分了“智能提升可能是对数式的”与“当可靠性跨过阈值时，效用可以跃升”。

推理、基础设施与替代方案

• 关于推理成本和利润率，争论很激烈：
  • 一些人依据泄露或二手财务数据认为利润率很薄，token 支出已经在“击穿预算”，导致按员工设定额度上限并减少工具使用。
  • 另一些人则引用高毛利的报道，以及第三方开源权重托管商也能盈利，来证明随着硬件和软件改进，推理在经济上可以行得通。
• 人们担心云端建设可能会过度扩张，而与此同时：
  • 消费级硬件上的本地模型对许多任务已经“够好”，并且
  • 更便宜的开源模型或中国模型会以大幅度优势挤压前沿实验室。
• 几位评论者预测，未来前沿实验室会承压，但 AI 本身会通过设备端、开源或更便宜的地区性模型继续存在。

社会、劳动力与环境担忧

• 一些评论者在社会层面上明确“反 AI”（文化、错误信息、民主、初级人才被掏空），即便他们承认其个人用途。
• 另一些人认为，AI 崩盘引发的大规模裁员和金融传染会伤害许多人的退休金与工作，因为这些都间接系于这场泡沫。
• 环境担忧集中在数据中心的电力和用水上，不过也有人指出，AI 查询可能比传统搜索或离线替代方案更高效；还有几位将其类比为汽车和廉价石油：对个人有用，但会在系统层面造成扭曲。