几种常见的AI泡沫论

1. AI有泡沫

是的，但这里有个陷阱。它让很多人误以为：只要市场里有泡沫，那技术就一定是骗局。

泡沫是人性，不是技术属性。每一轮革命性技术都会经历同一套剧本：早期进展超出预期，预期又被抬升到更离谱的高度，最后估值与基本面彻底脱钩。你可以嘲笑 1999 年的互联网泡沫，但你很难否认，那一轮泡沫用过度投资把光纤、IDC、CDN、支付、物流、广告等一整套基础设施提前修完了；泡沫破裂后，亚马逊活下来了，Pets.com 死了——技术没死，死的是“靠故事融资、靠融资续命”的公司。经济学家 William Janeway 把这种现象叫 “productive bubbles（有生产力的泡沫）”：泡沫会以浪费的形式，提前把社会基础设施和试错空间买单。

而试错是所有技术发展的必经之路，你不能在技术成熟之后，再带上后视镜来评价之前的泡沫有多么荒谬和浪费。

2. 有很多AI骗子公司

同上，新的技术会催生很多“骗子”公司，或是曾经红极一时，却因为后续的技术迭代而被快速淘汰的公司。这些都是不可避免地现象，但都不能说明技术本身是骗局。

技术爆发的时间点不可预测。你当然可以基于现状推断“估值太高、预期太满、供给扩张太快”，但你不知道哪个团队、哪条路线、哪种架构、哪一种产品形态，会在某个时刻突然把边界往外推一步。

打个比方，你以为郁金香估值价格高得离谱，直到某个科学家从郁金香里提取出了治愈癌症的药物。这时碾空出现，价格被推到了更为离谱的高度——正所谓粉到深处自然黑，空到深处自然多。

3. 现在的AI不是AGI，技术路线完全错了

这个...

是的，人脑不需要消耗这么多的电力和庞大的训练数据就能完成这些任务，就像马不需要消耗这么多的煤炭，也不需要铺设铁轨，靠吃草就能轻松适应各种地形，所以火车的技术路线大概是错了。

4. AI Scaling Law不可持续

参数增长往往和其它革新纠缠在一起——架构、训练目标、数据配方、推理策略、工具使用、产品形态、分发渠道、硬件栈、乃至组织工作流的重构。你把 LSTM 堆到 Transformer 一样多的参数，它也不会变成一个新的GPT。

“用参数曲线预测AI带来的经济价值”的可靠性跟经济学家用理论模型预测国家未来GDP差不多。

5. 某某大学/研究机构调查报告说 AI 在大公司提高生产力有限；某人号称给4000员工部署Copilot但发现没什么用

如果你仔细看的话，会发现这类报告反复指出的核心障碍往往不是模型能力，而是落地方式：组织没有为 AI 重构工作流，只是把 AI 当成“外挂聊天框”；或者管理层为了 KPI 做展示，把“上线一个 ChatGPT 式机器人”当成数字化转型；下面的工程师再堆一层“agent”，但所谓 agent 只是换个 system prompt、接个不同的向量库、再配个工具调用包装。最后当然没有生产力提升，因为你压根没让它进入生产流程的闭环。报告测到的不是 AI 的上限，而是陈腐管理层的下限。

我非常同意Andrew Ng在2025达沃斯上提出的观点：不同于以往技术革命从政府到企业再到个人的“自上而下”普及路径，生成式 AI 因低应用门槛呈现出“自下而上”的反转特征，即由个人率先大规模采用，而企业和政府则处于追赶和规范阶段。

所以比起某某机构的研究报告，有各种title的“专家”评价，我更相信自己的使用体验，其次是社交网络上顶级工程师（比如Andrej Karpathy）分享的经验，接着是社交网络上广大普通用户和自媒体的使用体验——在OpenClaw爆火后的几天内，社交网络上涌现了无数的帖子：评测，如何安装，使用技巧，以及批评和抨击。虽然有很多有标题党和吸引流量之嫌，但这种信息迭代和反馈的速率要远远超出迟钝的大企业和政府。

中文原文发表于 X。