我不相信 AI 泡沫真的存在

评论者争论当今巨额 AI 投资和高得离谱的估值,究竟是经典泡沫,还是对一种变革性技术的理性下注。许多人认为,基础设施支出、循环融资、垃圾级债务、放缓的收入增长以及激烈的开源竞争,使 Anthropic 和 OpenAI 这类公司显得过度扩张,即便 AI 本身注定会长期存在。另一些人则反驳说,需求、生产率提升以及长期战略或地缘政治价值,仍可能足以证明这轮建设热潮合理,但也承认回报未必会流向当前的市场宠儿,而且一些数据中心和模型提供商很可能会失败。

金融泡沫 vs. 可持续繁荣

  • 许多人认为,“泡沫”指的是估值和债务,而不是 AI 是否真的有效。
  • 怀疑者强调:
    • 数据中心和 GPU 的资本开支巨大,而且往往由不透明、循环式债务融资(GPU 抵押交易、SPV)。
    • Anthropic 的 S‑1 显示经营亏损扩大、巨额不可取消的算力承诺,以及债务很可能被评为“垃圾级”。
    • 像 CoreWeave 这样的 neoclouds 具有两位数的债券收益率和昂贵的 CDS,被视为压力信号。
  • 其他人则反驳:
    • 大型 AI 公司和 hyperscalers 仍然保持强劲的收入增长;某些季度在扣除特定融资影响前显示出正经营收入。
    • 与 dot-com 极端时期不同,大型科技公司的 P/E 仍处于 20 多倍。
    • 即使某些公司失败,更广泛的经济也未必会“崩溃”;损失可能主要集中在投资者和债务持有人身上。

基础设施经济学与硬件生命周期

  • 作者关于“一次性数据中心建设”的说法受到猛烈质疑。
  • 评论者强调:
    • GPU 和网络设备占数据中心成本的大头,而且其竞争性寿命很短(通常建模为 3–5 年;故障率和新一代产品会推动更新换代)。
    • 电力、冷却和维护是持续性的;硬件过时会使资产搁浅。
  • 其他人引用的分析显示,服务器约占总成本的 60%;建筑和电力基础设施按约 20 年摊销,但硬件仍然是持续滚动的资本开支负担。

需求、实用性与商业模式

  • 大家普遍同意,LLM 确实很有用,尤其适用于编码、数学、技术工作以及某些知识型任务。
  • 分歧在于真实需求的深度:
    • 有些人认为存在“巨大的未满足需求”、收入快速翻倍,以及未来万亿美元级市场(开发者工具、助手、科学、监控、广告)。
    • 另一些人指出,许多企业试点正在缩减,盈利模式薄弱或不清晰,而高 token 工作负载是小众场景,大多数使用场景都很轻量。
  • 有几位评论者区分了“AI 作为变革性技术”和“当前前沿实验室值得多万亿美元估值”这两件事。

竞争、商品化与开源模型

  • 开源权重模型和中国模型(例如 DeepSeek、Qwen、GLM)被认为正在以低得多的成本迅速缩小能力差距。
  • 这带来了:
    • 对前沿实验室价格战和利润率收缩的预期。
    • 一种看法:只要有“足够好”的廉价模型,再加上本地/自部署推理,就会限制封闭式提供商能够收费的上限。
  • 其他人则认为,许多企业仍会为顶级模型、集成能力以及感知到的安全性/信任支付溢价。

与过去泡沫的比较及社会层面的框架

  • 经常拿铁路、运河、光纤、dot-com、住房、加密货币、VR 来类比:
    • 技术留存了下来;但许多公司和投资者没有。
  • 有些人说,“AI 泡沫”之争部分是愿望投射:希望炒作崩盘,生活恢复原状。
  • 另一些人担心,即使泡沫破裂,也无法逆转结构性变化:失业、软件/内容质量变差,以及权力和数据的集中。