注：這是一篇對AI是否是泡沫的深度討論文字，摘自以前的一篇付費文章《AI泡沫的思辨和明年光模塊的展望》， 如果您已經(jīng)閱讀過那篇文章，就不必看現(xiàn)在這篇文章了，內(nèi)容基本上一模一樣， 區(qū)別只是我取消了付費內(nèi)容，成為了一篇免費文章。
前言
今年已經(jīng)快過完了，兩三個月前，一些同行企業(yè)領(lǐng)導(dǎo)人和投資者要求我談一下明年的光模塊市場形勢，我都要先反問別人：
AI是不是泡沫？
因為是泡沫和不是泡沫才是明年光模塊市場的根本性因素。
一開始我放棄了我自己對AI是不是泡沫的判斷，因為我覺得我本人遠離AI的應(yīng)用前線，光模塊只是AI系統(tǒng)的硬件之一，我對光模塊市場的這點了解遠遠談不上我有資格判斷AI是不是泡沫。
與此同時，我也試圖和很多業(yè)內(nèi)企業(yè)領(lǐng)導(dǎo)人、行業(yè)媒體以及基金經(jīng)理和研究員請教他們的看法。
幾乎所有的業(yè)內(nèi)企業(yè)的領(lǐng)導(dǎo)人，都認為這是泡沫。
基金經(jīng)理和研究員比較分裂，有人認為是泡沫，有人認為不是。
今年三月份美國銀行采訪了226位總共管理了5720億美元基金的基金經(jīng)理，其中40%認為是泡沫，45%認為不是。
六月底，高盛發(fā)表了一篇著名的文章《AI: 太多支出，太少收益》，基本上認定了這是泡沫。
差不多同一時間，著名的紅杉資本也發(fā)表了一篇文章《AI的6000億美元問題》，也持和高盛一樣的觀點。
看了這兩篇文章，我突然覺得，雖然我們光模塊行業(yè)離開AI前線有一定距離，但AI前線還是比透明的，我們可以獲得很多信息，信息的豐富程度和AI前線的人差別并不大，至少我們可以有足夠的材料討論一下這個話題。
另外，AI是不是泡沫和我們行業(yè)密切相關(guān)，如果完全不做判斷，很多業(yè)內(nèi)公司做明年市場戰(zhàn)略的時候就會進退失據(jù)，做出損失重大的決策。
于是我改變主意了。我自己做了個課題，研讀了幾十篇美國主要媒體和投資公司的文章，這里把他們的觀點總結(jié)一下搬運過來放在下面，除了一部分說明了是我的看法外，其他都是盡量忠于作者本意。
所以，我只是個觀點的搬運工，而且我盡量把兩邊的觀點都搬運全，一個不漏。
雖然我在最后會做出自己的判斷，但我沒有對自己結(jié)論的十足把握，畢竟這事預(yù)測未來，誰說有把握都是扯淡，所以我希望讀者自己對列出的兩邊的觀點賦予不同的權(quán)重來做出自己的判斷。如果誰對自己有信心，完全可以不用理會我的判斷�！�
基于”觀點搬運工“的本意，我也將大部分參考文章列在本文末尾，如果誰想進行更細的研究和考證，歡迎前往閱讀。
文章的后面，我在基于我關(guān)于AI的結(jié)論的基礎(chǔ)上對光模塊明年的發(fā)貨數(shù)量和市場決定性因素做個分析和預(yù)測，是付費閱讀部分，供關(guān)注光模塊行業(yè)的人參考。
對光模塊明年的情況想深度了解的還可以參加這個周日晚上的《2025光模塊市場分析》的研討會，報名信息在本文最后。
什么是泡沫
談AI是不是泡沫，先要對泡沫有個明確定義，否則就沒法說了。
2000年左右的Dot/COM泡沫（國內(nèi)多稱之為互聯(lián)網(wǎng)泡沫）是沒有爭議的泡沫。
當(dāng)時的泡沫主要是這么幾個表現(xiàn)：
股市層面：股價暴跌
2000年泡沫破裂的時候，納斯達克從4000多的高點跌到了800多點，我的雇主JDSU（Lumentum的前身）股票暴跌98.5%，從300多跌到3.6（分股后1.8），市值從2000多億變成20幾億。
泡沫起來的時候大量投資資金流入，很多不能盈利或者銷售額很低的公司在股市獲得很高的市值。
企業(yè)層面：訂單暴漲暴跌
泡沫時候，相關(guān)企業(yè)訂單暴漲，像我們產(chǎn)線2000年的時候，訂單暴漲十倍。
泡沫破裂的時候，我們的訂單全部被取消，公司兩年裁員12輪，工廠從3400人裁為零。
泡沫破裂的時候，行業(yè)內(nèi)除了上市企業(yè)，其他企業(yè)大量破產(chǎn)，少數(shù)沒有破產(chǎn)的也是非常煎熬。
社會層面：大量失業(yè)、百業(yè)凋零
企業(yè)大量裁員，導(dǎo)致很多人失業(yè)在家或者轉(zhuǎn)換工作，舊金山硅谷灣區(qū)也從凈人口流入地區(qū)變成流出地區(qū)，因泡沫帶動起來的房價轉(zhuǎn)頭向下
相關(guān)的產(chǎn)業(yè)，如租房、汽車、餐飲、奢侈品銷售、教培都在向下，社會全面進入蕭條期。
所以，只是股價大幅下跌（比如兩三成到五成），沒有七八成的跌幅，我們不能認定為泡沫。我們還要看其他經(jīng)濟層面相關(guān)實業(yè)是不是也凋零了。如果經(jīng)濟層面的突變，比如AI建設(shè)突然停止、企業(yè)大量裁員，那結(jié)合股價暴跌才能算作為泡沫。如果只是股價大跌而沒有經(jīng)濟層面的改變，那我當(dāng)成這是投資者的獲利回吐，不當(dāng)成泡沫破裂。
紅杉資本報告的觀點
AI的可能的應(yīng)用前景我就不列舉了，我們過去幾個月耳朵都管灌出老繭了。
各種媒體已經(jīng)把AI的前景吹了個遍，毋庸置疑，AI是人類的一次重大的技術(shù)進步，其重大程度可能比我們光通訊的還大。
我們就先匯總一下高盛和紅杉的報告，兩份明顯不看好AI的報告。因為紅杉的報告發(fā)布的日期發(fā)布于６月２０日，早于高盛幾天，我們就從他們的報告說起。
紅杉的報告題目是《AI的6000億美元問題》，作者是紅杉資本的合伙人David Cahn。
Cahn有多篇關(guān)于AI泡沫的文章，把他幾篇文章合起來（文章鏈接都在本文末尾），其核心觀點是：
在AI現(xiàn)在的實際收入與比我們預(yù)期的低很多很多，與我們投入的6000億美元相比，收支相抵至少有5000億美元的差額，也就是說收入太低，花錢太多，投資收回遙遙無期。
目前有個流行的 ”AI是基礎(chǔ)設(shè)施“的說法：“買GPU就如同修鐵路。這些基礎(chǔ)設(shè)施雖然不賺錢，但它長期將帶來綿長的衍生價值，AI一樣，所以AI不能看短期幾年的回報�！�
Cahn對此完全不同意。
他認為GPU和鐵路光纖等基礎(chǔ)設(shè)施有重大區(qū)別，導(dǎo)致其真正的ROI（投入產(chǎn)出回報）會很低。
這些區(qū)別是：
一、大部分基礎(chǔ)設(shè)施都是排他的、半壟斷的，如高速公路、鐵路和電力網(wǎng)絡(luò)，獨一無二，壟斷意味著定價權(quán)，意味著高利潤的保障，而GPU算力不行，GPU算力和航空公司類似，錢投了不少，卻不是壟斷地位。
二、一般基礎(chǔ)設(shè)施折舊很慢，用個三五十年沒有問題，可以持續(xù)發(fā)揮作用，從而回報時間很長，而GPU只能用三四年。
GPU恐怕是人類有史以來貶值最快的基礎(chǔ)建設(shè)設(shè)施。
另一方面，英偉達認為在未來十年內(nèi)，他們在處理人工智能方面的效率將提高100萬倍。這是在相同的芯片基礎(chǔ)設(shè)施上，現(xiàn)在為訓(xùn)練而構(gòu)建的基礎(chǔ)設(shè)施也是我們將用于推理的相同基礎(chǔ)設(shè)施。所以當(dāng)世界從訓(xùn)練轉(zhuǎn)向推理時，它將是可替的，不必為推理構(gòu)建一個全新的基礎(chǔ)設(shè)施，所以后面基礎(chǔ)設(shè)施的建設(shè)會停滯。
Cahn強調(diào)：“我們這里存在的是一個泡沫：人工智能的成本（在芯片、數(shù)據(jù)中心、能源等方面）巨大，而雖然收入開始增長，但距離收支平衡還很遠，問題在于價值創(chuàng)造。考慮到大型語言模型充其量是不可靠的（同時可能危及數(shù)據(jù)安全），使用它們的價值至少是不穩(wěn)定的。現(xiàn)在消費者每月為 Netflix （網(wǎng)飛，美國知名的在線電影網(wǎng)站）支付 15 美元獲得的顯著價值，并表示“從長遠來看，人工智能公司需要為消費者提供顯著價值，才能讓他們繼續(xù)掏腰包�！�
所以AI的投資回報率會很慘，最后賺錢的是”賣鏟子“的英偉達，而一旦AI不能賺錢，英偉達的業(yè)績也不可持續(xù)。
高盛報告的觀點
高盛的報告《AI: 太多支出，太少收益》發(fā)布在6月25日，是高盛幾個研究員合作的，他們的報告其實并沒有明確展示自己的結(jié)論，只是借用了訪談嘉賓的觀點。
高盛幾個嘉賓的觀點分別如下：
MIT教授Daron Acemoglu 說在未來十年內(nèi)，AI將影響不到所有任務(wù)的 5%（也就是絕大部分人類的工作用不上AI）并得出結(jié)論，在未來十年內(nèi)，AI只會使美國的生產(chǎn)率提高 0.5%，國內(nèi)生產(chǎn)總值增長 0.9%，這點增長相對于等于4%GDP的萬億美元的投資，不劃算。
高盛股票研究主管吉姆科維洛（Jim Covello）同樣悲觀。他認為，花費在AI上的 1 萬億美元只是用來取代一些低工資的辦公室員工的職位，成本非常高，并且AI無法真正實現(xiàn)復(fù)雜任務(wù)，這樣的新科技讓人感到奇怪。因為過去的新科技往往都是在一開始的成本就在可接受范圍，而不像AI高的那么離譜。
并且過去的高科技往往帶來一種完全顛覆性的、人工或者舊技術(shù)完全沒法比擬先進性，比如鐵路、汽車、飛機、手機等等，而人工智能只是提升了一些低端工作的效率而已，而且用一種超級昂貴的方式在提升。
其他很多新技術(shù)，如互聯(lián)網(wǎng)、手機、核磁共振，最終能夠?qū)崿F(xiàn)的功能的路線圖在其誕生之初就已經(jīng)存在。但AI目前還沒有類似的路線圖。人工智能看漲者似乎只是“相信”，隨著技術(shù)的發(fā)展，用例將會激增。但在生成式人工智能引入世界十八個月后，還沒有找到一種真正具有變革性的APP，更不用說具有成本效益的APP了。
有人說，現(xiàn)在GPU的單位算力的價格也在快速下跌，所以開始高點也無所謂，以后低了會有盈利性的APP。
針對這點，Jim駁斥說：”鏟子“的價格在迅速下降，但因為起點實在太高，現(xiàn)在的降價速度還是太慢�？萍冀鐚τ谌斯ぶ悄艹杀緦㈦S著時間大幅下降的假設(shè)過于自信，因為英偉達沒有像Intel的AMD那樣的競爭對手，臺積電更沒有像樣的對手，所以必然下降速度是由他們決定的，而他們必然不要讓價格快速下跌�！�
他還懷疑人工智能是否會提高使用該技術(shù)的公司的效率，因為AI導(dǎo)致的效率提升方法很容易傳播。
AI可能和搜索引擎/Email/微信一樣，是每個人都能接觸到的技術(shù)， 一旦大家都用了，使用者的優(yōu)勢都沒有了，雖然每個人都獲得了效率提升，但大家都賺不到錢。（和我們光模塊的內(nèi)卷一樣）
而且在他看來，真正增加收入的途徑尚不清楚。他嚴重懷疑根據(jù)歷史數(shù)據(jù)訓(xùn)練的模型是否能夠復(fù)制人類最有價值的能力：創(chuàng)新。
他還說：“沒有創(chuàng)新就過度建設(shè)世界不需要的或尚未準備好接受的東西，通常會導(dǎo)致糟糕的結(jié)果。”
這是句狠話，幾乎就是暗指這波AI是偽需求。
Jim重復(fù)了泡沫破裂論最有力的觀點：
美國“Mag 7“ （中文：股市七姐妹”， 指7個主要的高科技公司）在搞GPU軍備競賽都是基于一個非理智的理由：
FOMO（Fear of Missing-Out）(對錯過的恐懼）。
AI是目之所及的時代性技術(shù)，誰奪得先機就意味著誰將掌握下一場游戲的規(guī)則。對于七巨頭來說，無論是否未來是不是泡沫，做出的決定都是一樣的。
因為這并不取決于你是否愿意辨別眼前是泡沫還是機遇，而取決于你能否在這場競賽中生存下來。
如果是泡沫，投入的錢打了水漂，他們承受得起，但如果不是泡沫，錯過了一個時代，他們承受不起。
所以，泡沫不泡沫不重要，他們只能投，并且要比別人早，因為大家只相信全世界只需要幾個大模型就夠了，不占住前幾位就意味著出局。
對股市七姐妹而言，投資不足的風(fēng)險遠遠大于投資過度的風(fēng)險。
高盛的報告還報道了前微軟能源副總裁Brian Janous的觀點，他認為美國失去了建設(shè)大型基礎(chǔ)設(shè)施項目的能力，現(xiàn)在公共電網(wǎng)無法承擔(dān)足夠的電力供應(yīng)。發(fā)電廠和電網(wǎng)建設(shè)的長周期必將嚴重拖慢AI中心的建設(shè)。
不過，高盛的報告并不是一邊倒的展示一邊觀點，他們也展示了他們同事的一些相反觀點。
高盛全球經(jīng)濟學(xué)家Joseph Briggs很樂觀。
他估計，未來十年，新一代人工智能最終將使所有工作任務(wù)的 25% 實現(xiàn) 自動化，并使美國的生產(chǎn)率提高 9%，GDP 增長累計 6.1%（比MIT教授Daron的估計高多了，他們的計算差異這里就不說了），所以萬億美元的投入是有足夠回報的。
雖然Joseph承認，如今許多人工智能任務(wù)并不具有成本效益（這點和Daron一樣），但他認為， 從長遠來看，成本節(jié)約的巨大潛力以及成本下降的可能性（就像新技術(shù)經(jīng)常出現(xiàn)的情況一樣），最終應(yīng)該會帶來更多的人工智能自動化，從而提高效率。
Kash Rangan和Eric Sheridan是高盛的高級股票研究分析師，分別負責(zé)美國軟件和互聯(lián)網(wǎng)領(lǐng)域。他們認為，雖然人工智能仍然是一項正在進行的工作，但投入的大量資金最終應(yīng)該會得到回報。
他們的主要理由是：
一、每個科技周期都遵循稱為“IPA ”的進程：基礎(chǔ)設(shè)施（Infrastructure）先行，平臺（Platforms ）其次，應(yīng)用程序（Applications)最后 。
人工智能周期目前仍處于基礎(chǔ)設(shè)施建設(shè)階段，因此找到殺手級應(yīng)用程序?qū)⑿枰鄷r間，但相信我們會實現(xiàn)這一目標。
二、由于擁有訓(xùn)練和運行人工智能模型所需的巨大計算能力，云計算公司也表現(xiàn)良好，微軟、Alphabet和亞馬遜三大超大規(guī)模企業(yè)季度收入一直在增長并且有加速的趨勢。
三、和過去的泡沫不同，這次的投資非常謹慎和克制。 "從絕對美元金額來看，當(dāng)前的支出肯定很高“， Kash說，“但這次的資本支出周期似乎比之前的資本支出周期更有前景，因為是現(xiàn)有企業(yè)（而非新創(chuàng)企業(yè)和風(fēng)險資本）在引領(lǐng)，這降低了技術(shù)無法成為主流的風(fēng)險�！�
以上是高盛報告的內(nèi)容，雖然列出了兩邊的觀點，但很明顯，泡沫論的觀點有更多的數(shù)據(jù)支持。
這里補充一下，高盛好像是個很會雙手互博的周伯通。
去年9月份他們才發(fā)表了一篇非泡沫論的文章《Why AI stocks arens't in a bubble》（《為什么AI股票不是泡沫》)，甚至今年8月初還出了另外一份題為《Will the $1 trillion of generative AI investment pay off?》（一萬億的AI投資是否會得到回報？）》來支持AI的非泡沫論，這才一個月他們就出了新報告，并且這次的報告本身又在里面直接放了兩種對立觀點，讓讀者自辨。
背景知識：美國電力和電力投資問題
前微軟能源副總裁Brian Janous的關(guān)于美國電力短缺的觀點其實只是個結(jié)論，沒有詳細的計算，這里我給大家算算。
一個H100的十萬卡集群需要15萬千瓦的電力配套設(shè)施支持運行，這包括機房照明、空調(diào)散熱�！∪绻覀冊偌由蠟楣╇娋�路損耗、變電站損耗和備用電力儲備等線路上的損耗，我們大概算到25萬千瓦。
那么，我們把去年、今年和預(yù)估明年英偉達、AMD和Google生產(chǎn)全部GPU/TPU加起來，大概是等效為1400萬個H100（去年250萬、今年450萬、假設(shè)明年700萬---含Blackwell等效的）。
那為這些GPU配套的電力裝機容量是3500萬千瓦。
很多人對電力裝機容量沒有概念，我作為個水電工作者的子女，給大家做個進一步解釋。
裝機容量是發(fā)電站可以發(fā)出的最大電力功率。世界上最大的水電站三峽的裝機容量是2200萬，第二大水電站白鶴灘1600萬。上海峰值電力負荷是4000萬千瓦，美國全國裝機容量12億千瓦，中國29億千瓦。
這配套的3500萬的裝機容量大致相當(dāng)于一個上海，又相當(dāng)于美國全國電網(wǎng)的3%。
貌似3%并不多，但數(shù)據(jù)中心是7x24小時運行的，而發(fā)電廠是有稼動率的，不能7x24小時工作。
比如白鶴灘水電站如果不停地工作一年應(yīng)該發(fā)電1400億度電，但實際一年發(fā)電600多億度，稼動率40%多點。
美國電網(wǎng)平均稼動率是40%。美國天然氣是發(fā)電主力，稼動率比其他能源稍高，那我們按50%算。
所以這1400萬個GPU需要的裝機容量是7000萬千瓦，約相當(dāng)于美國總裝機容量的6%。
那建設(shè)這么多發(fā)電站需要多少投資呢？
根據(jù)美國能源信息署（EIA）的統(tǒng)計，美國境內(nèi)平均每增加1千瓦的裝機容量，核電需要投資7000美元，火電和天然氣需要4000美元，太陽能需要800美元。
幾種方式投資額看上去差距很大，但太陽能晚上不發(fā)電、陰天發(fā)電少、還需要大量土地，年發(fā)電量只有其他幾種方式的幾分之一，所以為數(shù)據(jù)中心配套的太陽能發(fā)電站至少要增加4~6倍的裝機容量才行到，考慮到還有更多的土地成本，最后太陽能的成本和火電其實相當(dāng)，我們大概按4000多美元/千瓦算吧。
這么一看AI數(shù)據(jù)中心需要的7000萬千瓦的裝機容量還需要約3000億美元的投資。
這還是假設(shè)建設(shè)了便宜的天然氣發(fā)電站，而不是單千瓦需要投資7000美元的核電站。如果使用核電，那基本上是云廠投1塊錢到AI，電廠也要投入1塊錢到電網(wǎng)和發(fā)電站。
所以，到明年底AI硬件投資外（這部分大概5000億美元-高盛報告上數(shù)據(jù)），美國還需要投入另外3000億美元的電力設(shè)備支撐，這么說來，建設(shè)1400個萬卡總共需要Capex 8000億美元，照目前速度，到后年，這個數(shù)字變成1.6萬億。
美國的GDP是多少呢？去年是28萬億！
1.6萬億差不多是美國GDP的6%（考慮到美國的GDP還在增長）。
美國這個世界第一軍事強國的軍費多少呢？
916億（2023年數(shù)字）， 只占GDP3.3%！
所以AI的投入幾乎等于美國今明后三年要從GDP里拿出將近2倍的軍費。
軍費的投入一般不對社會直接產(chǎn)生價值，如果AI也基本不產(chǎn)生，那美國就總共有將近10%的GDP的無效投入，這是個很恐怖的數(shù)字，超過美國全社會所能投入的極限。
經(jīng)濟學(xué)上有個一般的共識：如果一個國家的軍費開支到了GDP的10%，那要么是短期行為，要么經(jīng)濟會崩潰。
顯然美國人不會因為搞AI把自己給搞殘了，所以AI如何持續(xù)？
再想遠點，還有兩個更要命的問題：
一、這個Capex數(shù)字還在以每年30%的增長，照這個速度，到2030年的時候，Capex是美國GDP的19%，顯然是不可想象的。
二、2030年AI的配套裝機容量將達到美國總裝機容量的四分之一，而以美國現(xiàn)在建設(shè)電站的速度，即使有足夠的錢，以目前的建設(shè)速度也需要好幾年才能擴容去滿足明年底就需要的7000萬千瓦，2030年需要的電力設(shè)施如果不采取加快措施，要2040年才能建好。
所以前微軟能源副總裁說的非常符合現(xiàn)實情況，哪怕有錢投資，電網(wǎng)一定會是制約因素。
訓(xùn)練用的數(shù)據(jù)不夠了
除了兩報告指出的AI的問題之外，還有其他一些認定AI是泡沫的文章。
Media Relations and Public Relations company 的CEO，Edward Zitron，一個非常知名的計算機雜志前記者，曾經(jīng)寫過一篇很有名的文章《The Man Who Killed Google Search》，他就嚴厲譴責(zé)AI的投資。
他的文章充滿著情緒化、卻是非常有力的話語。比如，
“GPT是完全根據(jù)訓(xùn)練數(shù)據(jù)以概率方式生成答案（比如生成的下一部分最有可能是正確的），對人類的進步能有多少作用？”
“當(dāng)大多數(shù)模型都在相同的訓(xùn)練數(shù)據(jù)上進行訓(xùn)練并且已經(jīng)用完這些數(shù)據(jù)時，它們?nèi)绾螀^(qū)分好壞對錯？”
“訓(xùn)練數(shù)據(jù)危機是一個沒有得到足夠關(guān)注的問題，但它足夠嚴重，有可能在不久的將來停止（或大幅減緩）任何人工智能的發(fā)展�！�
這里他提到了另外一個大眾所忽略的問題：LLM訓(xùn)練用的數(shù)據(jù)可能不夠了。
雖然人類在最近幾十年產(chǎn)生了爆炸性的知識，但在生成式大模型的海量、指數(shù)級的需求面前，可能很快不夠了，這將和算力一樣，限制其增長。
有專家推測，照ChatGPT前幾代的發(fā)展速度，到ChatGPT-7的時候，單它一家公司就需要兩個三峽電站（50%的稼動率）的發(fā)電量來支持， 并且要消耗掉今天地球上所有計算機的算力以及人類所有的知識和數(shù)據(jù)。
細思極恐啊。
所以，我們原先以為的算力是AI唯一的制約因素并不完全正確，現(xiàn)在看來，電力、數(shù)據(jù)和算力都是制約因素。
大模型和生成式人工智能的局限
Edward Zitron還和很多高人有一個相同的觀點：生成式人工智不能產(chǎn)生通用人工智能，而不能產(chǎn)生通用人工智能，生成式人工智能的作用很局限。
Edward Zitron批評高盛報告里的高級經(jīng)濟學(xué)家Briggs不斷混淆通用人工智能和生成式人工智能，而且還在很惡劣地暗示“最近的生成式人工智能進展會帶出超級人工智能的出現(xiàn)�！�
”生成式人工智能沒有創(chuàng)造新的工作，沒有創(chuàng)造新的工作方式，也沒有為任何人賺錢而且增加收入的途徑也不清楚。“
”就業(yè)市場不會因為生成式人工智能而改變，因為生成式人工智能實際上做不了很多工作，它能做的少數(shù)幾件事也表現(xiàn)平平。雖然它是一個有用的效率工具，但這種效率基于極其昂貴的投資."
"生成式人工智能不是未來，而是對過去的重復(fù)，是一種有用但并非開創(chuàng)性的方法，能從舊數(shù)據(jù)快速生成“新”數(shù)據(jù)，但成本過高，以至于投入不值得。"
"生成式人工智能無利可圖、不可持續(xù)，而且由于它是基于概率生成答案，其能力從根本上受到限制。"
“生成式人工智能最多在基于數(shù)據(jù)進行訓(xùn)練時處理信息，但它絕不會“學(xué)習(xí)”或“理解”，因為它所做的一切都是基于攝取訓(xùn)練數(shù)據(jù)，并基于數(shù)學(xué)意義或概率生成答案，而非對材料本身有任何理解�！�
“大型語言模型（LLM）與我們想要的“人工智能”在技術(shù)上完全不同，令人不恥的是，現(xiàn)在這個行業(yè)居然用如此明顯的謊言獲取了如此多的資金和關(guān)注�！�
"對于OpenAI 和 Anthropic 來說，確實沒有盈利途徑只有一條路，那就是繼續(xù)投入數(shù)十億美元，希望能發(fā)現(xiàn)一些真正具有創(chuàng)新性或代表未來的東西---這是一種絕望的**，而不是對生成式人工智能進行進一步的迭代，生成式人工智能充其量只是一種需要大量Capex的處理數(shù)據(jù)的新方法。"
他說的是有一定道理的。
谷歌的人工智能研究員弗朗索瓦肖萊（Francois Chollet）最近也認為 LLM 無法導(dǎo)致 AGI，詳細解釋說像 GPT 這樣的模型根本不具備使人類大腦工作的那種推理和理論化能力。
肖萊還指出，即使是專門為完成抽象和推理語料庫（人工智能技能和真正“智能”的基準測試）的任務(wù)而構(gòu)建的模型也只是因為它們被輸入了數(shù)以百萬計的人們解決測試的數(shù)據(jù)點，這有點像根據(jù)人們努力學(xué)習(xí)完成智商測試來衡量某人的智商，只是更愚蠢。
發(fā)表在《計算機視覺與模式識別》雜志上的一篇論文所也說到：
”為了實現(xiàn)模型性能的線性改進，人們需要呈指數(shù)級增長的大量數(shù)據(jù)。這種情況意味著我們只能在指數(shù)還比較小的時候才能應(yīng)付，比如回答提問、寫篇短文、做個幾分鐘的短視頻，這沒有問題，但如果要寫個五十萬字的長篇小說、做個兩小時的電影，就需要宇宙級天量的算力和數(shù)據(jù)�！�
或者換句話說，”每前進一步都變得越來越（呈指數(shù)級）昂貴。”這意味著高昂的財務(wù)成本不僅在于獲取算力，還在于被算力所處理的數(shù)據(jù)�！�
這意味著這種“大力出奇跡”的模式的遠期前景是暗淡的。
成都一位讓我非常佩服的人工智能大神（公眾號：吃果凍不吐果凍皮）的評論我覺得比美國的專家評論更讓國人容易理解，而且更犀利，我就多摘錄幾句他的原話：
“我很早以前就察覺，當(dāng)下基于qkv attention + next token prediction + scaling的路徑幾乎已經(jīng)快走到了盡頭，并不是說scaling不能繼續(xù)發(fā)揮作用，而是說scaling帶來的收益已經(jīng)遠超出對其的投入�！�
“我的一個暴論是，Scaling會導(dǎo)致大模型更加地像大模型“豐富且平庸”。雖然反過來講，豐富且平庸的回答并非毫無意義，因為它至少可以被用來做為創(chuàng)作的原材料。但是，于智能本身而言，這種性質(zhì)毫無意義，更不要提草臺班子們打著要做智能的旗號最后只做出了一堆豐富且平庸的產(chǎn)品。”
這位大神還說：
“雖然模型擁有龐大的上下文能力，這對于搜索和總結(jié)場景非常有用，但在推理場景中，我們不應(yīng)期望現(xiàn)有的技術(shù)方案能夠?qū)崿F(xiàn)長上下文的復(fù)雜推理， 比如精確的數(shù)學(xué)計算�！�
“我們把信息壓縮被視為智能的一種表現(xiàn)，但人類最高度的智能，如物理理論，并非通過壓縮而來。壓縮是一種歸納方法，假如我們將各種物體自由落體的視頻交給大模型進行歸納，可能會得出輕物體下落慢、重物體下落快的結(jié)論，或者歸納出數(shù)百種物質(zhì)的下落模型。顯然這種歸是無法得出正確的物理結(jié)論的。盡管壓縮可以體現(xiàn)一些智能，但最高度的壓縮來自于推理、假設(shè)和實驗�！�
這位大神的結(jié)論是：
“LLM是個坑，如果給“坑”這個描述做一個明確定義，那么大致可以講成“同質(zhì)化、模式化、低效率、低創(chuàng)新”的競爭系統(tǒng)。對一般公眾而言，其有著仿佛大型強子對撞機探索宇宙基本原理一般的隔閡感，然而大語言模型本身又具有極強的人文性，類似于經(jīng)濟學(xué)，這便又給了草臺班子極大的錯誤許可。”
而Edward Zitrond的文章最后總結(jié)道：“大模型如果最后證明對人類幫助不大，這意味著我們今天投入的萬億美元可能變成一種“可恥的浪費”。”
不過，反駁的聲音也存在。
一位國內(nèi)算法專家如是說：
”目前看大語言模型的指數(shù)般的投入是存在天花板，但是，它的效率也是可以提高的�，F(xiàn)在的算法很傻笨，像個勤奮的阿甘，但人類可以把它做的聰明。上海交大的Power Infer-2就是這方面的嘗試�！�
”另外數(shù)據(jù)也是可以優(yōu)化后再喂進大模型的，外加GPU的效率提升（黃仁勛就預(yù)測幾年內(nèi)提升一萬倍），三個因素相乘，大模型的效率在幾年內(nèi)的提升速度會遠超現(xiàn)在人們的想象�！�
另外，現(xiàn)在的數(shù)據(jù)中心硬件體系是存在極大的優(yōu)化空間的，我一個朋友就在美國做這個事情。（順便提一下，他們在融資，有興趣的可以發(fā)信息到后臺，注明“AI硬件優(yōu)化融資”。)
還有一種說法，在語言數(shù)據(jù)已經(jīng)消耗光的時候，LLM并不一定坐以待斃，人類可以制造新的概念和拓展語言系統(tǒng)，這就像近代英國哲學(xué)家維特根斯坦所說的“不可說”的部分。我們可以超越現(xiàn)有的語言系統(tǒng)，創(chuàng)造新的語言，以表達那些之前被認為是“不可說”的內(nèi)容，從而拓展LLM的能力，就好比人類只有幾十個詞語來描述顏色，但自然界中的顏色是連續(xù)光譜，可以是成千上萬種，或許我們可以創(chuàng)造新的喂給AI的語言，只不過現(xiàn)在還不知道如何創(chuàng)造。
以上也可以看出，詬病生成式人工智能的同時，人們都公認通用人工智能（AGI，就是像人一樣具備推理和創(chuàng)造能力的人工智能）一定能夠大幅度幫助人類，但它何時誕生，并且在誕生前生成式人工智能（AIGC）會有多大幫助、有沒有合理的投入產(chǎn)出比，將是整個爭議的焦點。
背景知識：LLM和AIGC和AGI的區(qū)別
為了方便大家理解，尤其是對AI的構(gòu)架、原理和用途不太熟悉的朋友，我補充一些背景知識以便更好地理解他們的觀點，對AI和大模型比較了解的人可以忽略這一節(jié)。
雖然我們經(jīng)常把LLM（大語言模型）、AIGC （人工智能生成內(nèi)容，Artificial Intelligence Generated Content）和我們人工通用智能（AGI，Artificial General Intelligence）三者放一起說，因為他們都是人工智能，但他們的區(qū)別很大。
大語言模型（Large Language Model, LLM）是一種以實現(xiàn)通用語言生成和其他自然語言處理任務(wù)（例如分類）的能力而聞名的語言模型，簡單地說，這是一種”語言“方面的人工智能，我們也可以簡單地理解為這是個”編劇“。
AIGC 是人工智能生成內(nèi)容（Artificial Intelligence Generated Content）的縮寫，指的是通過機器學(xué)習(xí)等技術(shù)生成文本、圖像、音頻、視頻等內(nèi)容的技術(shù)范疇，我們可以理解為一個”導(dǎo)演“。
LLM最根本還是一個生成式的語言模型，其本質(zhì)是通過統(tǒng)計建模在大量文本上進行訓(xùn)練，學(xué)習(xí)文本之間的語言學(xué)相關(guān)關(guān)系，從而根據(jù)上個詞匯預(yù)測下個詞匯。
LLM在解決問題的過程中并不透明，對于其給出的答案的可靠性我們并無從考證，所以錯誤發(fā)生完全可能。
看得出，LLM只是AIGC的一種，專攻語言。
AIGC就是現(xiàn)在所說的生成式人工智能，它不能做創(chuàng)新性的工作，比如要想出個牛頓萬有引力定律---用多少個蘋果砸都不行。
因為本質(zhì)上它是個文字（或者語音和視頻）的概率機器，曾經(jīng)出現(xiàn)的高概率的語言文字會被它優(yōu)先考慮，而創(chuàng)新這些事情，歷史上就根本沒有出現(xiàn)過，所以概率為零，自然也不可能被AIGC搜到。
同理，既然是概率工作，AIGC不能做精準計算性工作，比如設(shè)計個大橋。AIGC連1.11和1.08誰大誰小都能搞錯，它設(shè)計的橋你敢走嗎？
AIGC能夠在一些模糊性結(jié)果的工作上做的更快，比如寫文章、做廣告、畫圖，但談不上準確性。
而AGI（通用人工智能）（Artificial General Intelligence），能夠在廣泛的認知任務(wù)上表現(xiàn)得與人類一樣好，甚至更好。它與AIGC不同，AIGC只能做特定任務(wù)，而AGI則更適應(yīng)通用任務(wù)，是一種強人工智能。
簡單來說，大語言模型和生成式人工智能的暗箱作業(yè)及有限的持續(xù)學(xué)習(xí)能力是其最大的短板，所以它還遠不是AGI的一個最終解決方案，甚至不是AGI的初級階段。
我們所期待的AGI是一個以足以媲美人類的認知能力來解決任何任務(wù)的自主智能體，完全可以覆蓋或者超越人類的人工智能。
所以，OpenAI推出了o1，就是為了反擊“大模型不能思考”的說法，目的是把自己打扮成一個”理工男“，而不是個編劇或者導(dǎo)演，從而補上GPT被人詬病的不足。
Scaling Law即將撞到天花板
這幾天，另外哈佛大學(xué)和斯坦福大學(xué)聯(lián)合的一篇論文也引起了很多人的討論。這篇論文的名字叫《Scaling Laws for Precision》，它討論了一個和大語言模型使用數(shù)據(jù)精度有關(guān)的擴展定律。
它的結(jié)論是：
由于當(dāng)代大模型在大量數(shù)據(jù)上經(jīng)歷了過度訓(xùn)練，因此訓(xùn)練后量化已變得非常困難。因此，如果在訓(xùn)練后量化，最終更多的預(yù)訓(xùn)練數(shù)據(jù)可能會造成副作用；
在預(yù)訓(xùn)練期間以不同的精度放置權(quán)重、激活或注意力的效果是一致且可預(yù)測的，并且擬合擴展定律表明，高精度（BF16）和下一代精度（FP4）的預(yù)訓(xùn)練可能都是次優(yōu)的設(shè)計選擇。
這樣，未來的解決方案是：
擴大數(shù)據(jù)中心規(guī)模：未來約 2 年這仍然是可以做到的事；
通過動態(tài)擴展：路由到更小的專門模型或大 / 小模型上；
知識的提煉：這條路線與其他技術(shù)不同，并且可能具有不同的特性
CMU（卡內(nèi)基梅隆大學(xué)－世界上計算機專業(yè)最強的高校之一）的教授 Tim Dettmers 感嘆道：“從我自己的經(jīng)驗（大量失敗的研究）來看，效率是無法欺騙的。如果量化失敗，那么稀疏化也會失敗，其他效率機制也會失敗。如果這是真的，那么我們現(xiàn)在就已經(jīng)接近最優(yōu)了。”
Tim Dettmers 還表示：“可以說，人工智能的大部分進步都來自計算能力的提升，而（在最近）這主要依賴于低精度路線的加速（32- > 16 - > 8 位）�，F(xiàn)在看來，這一趨勢即將結(jié)束。再加上摩爾定律的物理限制，大模型的大規(guī)模擴展可以說要到頭了�！薄袄�，英偉達最新的 AI 計算卡 Blackwell 將擁有出色的 8 位能力，并在硬件層面實現(xiàn)逐塊量化。這將使 8 位訓(xùn)練變得像從 FP16 切換到 BF16 一樣簡單。然而，正如我們從新論文中看到的那樣，對于很多大模型的訓(xùn)練來說，8 位是不夠的。”這和“吃果凍不吐果凍皮”的大神的一個觀點類似，他說：
“在日常使用GPT-4的過程中，我發(fā)現(xiàn)其在許多場景下的輸出已經(jīng)非常接近完美。這里的“完美”并不意味著通用人工智能（AGI）已經(jīng)實現(xiàn)，而是在現(xiàn)有系統(tǒng)形態(tài)，對話界面+輸入有限的信息，模型基于有限的信息給出回復(fù)，已經(jīng)接近有限信息理論上應(yīng)該有的回復(fù)�！�
Ｈ100出現(xiàn)過剩
最近H100的零星租賃價格跌破了2美元一小時。
一位業(yè)內(nèi)的行家發(fā)表了一篇文章，標題是：《2美元H100: GPU泡沫是如何破滅的》。
作者根據(jù)現(xiàn)實AI界的一系列數(shù)字，對H100GPU的投資回報計算，強烈暗示了GPU泡沫將破裂， 因為市場上才出來一年多的H100已經(jīng)供大于求了。
這是事實，但也有很多人出文章聲討他的說法，幾個典型的反駁理由是：
一、H100的過剩并不是整個算力的過剩，它只是“落后”GPU的過剩，好比新一代iPhone出來后老一代iPhone的過剩，其實不是智能手機的過剩。
二、 GPU和英偉達取決于巨頭Capex的基本邏輯沒有變化。雖然2季報微軟、Meta已經(jīng)基本承認算力階段性投入過剩，但是“投入不足的風(fēng)險遠高于投入過剩的風(fēng)險”讓對于基礎(chǔ)設(shè)施的CapEx依舊高漲。所以GPU的“泡沫”在基礎(chǔ)設(shè)施投入階段，更多取決于CapEx是否下修，而非租賃價格是否下降。（類似于國內(nèi)的購房價格和租房價格并非一致行動）
三、算力租賃價格崩盤，是因為巨頭都在自建算力，租賃服務(wù)只有小客戶在使用，而且還有大量的小客戶想用還用不起......否則價格就不用崩盤了，這還是局部的坍塌，并非整體的坍塌。
四、因為大模型預(yù)訓(xùn)練需求越來越集中，更高的集群意味著更高的效率，現(xiàn)在看來，萬卡集群是最低的競爭門檻，大家都擠上去跑大模型，而不足萬的小集群，也就是那些進行租賃市場的小集群卡，又沒有足夠的大模型在上面跑，所以出現(xiàn)了租賃價格的下跌�！�
這就是目前業(yè)內(nèi)經(jīng)常說的 “小集群太多，大模型太少”。
但是，也有人再反駁說：
“算力的局部過剩，實際上還是因為太貴，或者不夠好用，導(dǎo)致沒多少客戶愿意用，沒有激發(fā)出真正的需求，就出現(xiàn)需求大于供給，這樣AI和算力就是泡沫，無論你怎么解釋為局部或者整體---局部的坍塌也會蔓延到整體。”
AI大佬Ilya給的出路前兩天，原Open AI創(chuàng)始人、人工智能大佬在正在溫哥華舉行的深度學(xué)習(xí)頂會 Neural PS2024上發(fā)表了一個演講， 直接斷言當(dāng)下大模型的核心“預(yù)訓(xùn)練”機制即將走到終結(jié)。
根本原因還是前面說的數(shù)據(jù)不夠了，這已經(jīng)是業(yè)內(nèi)公知了。
問題是，他有什么想法可以突破這個局嗎？
他猜測了幾個突破方向，也是業(yè)內(nèi)很多人猜測的方向：
使用代理 (Agents)
使用合成數(shù)據(jù)
從生物學(xué)中汲取靈感
雖然Ilya指明了這三個方向，但這三個方向基本等于什么都沒說，看來他和AI界短期內(nèi)還是沒有特別好的方案來解決數(shù)據(jù)枯竭的問題。
Ilya還說了：
“現(xiàn)在我們正在做的事情，迄今為止所擴展的事情，其實是我們最初找到的擴展方式�！�
這等于是告訴我們，這十年來，LLM的根本方式并沒有發(fā)生變化，老的邏輯雖然已經(jīng)看到盡頭，但仍在使用，新的根本方式還沒有誕生。
關(guān)于大模型的“不可預(yù)測性”和怎樣讓它變得可信和可預(yù)測，他甚至也無法解釋。
他說：“現(xiàn)在我們擁有令人難以置信的語言模型及其出色的聊天機器人，它們甚至可以做到一些事情，但在某種程度上又奇怪地不可靠，會感到困惑，同時在評估中表現(xiàn)出驚人的超人能力。因此，如何調(diào)和這個問題真的很不清楚�！�
福布斯：紅杉的假設(shè)已經(jīng)算是樂觀了
福布斯也站出來支持泡沫論。
他們刊登的文章認為，紅杉的假設(shè)存在合理性，甚至，它還覺得紅杉給出的6000億數(shù)字算是樂觀估計。
他們認為，整體看現(xiàn)在各個生成式AI應(yīng)用的方向，不論是內(nèi)部知識庫、寫代碼、翻譯，還是搜索、營銷素材生成、法律/醫(yī)療查詢，都不太屬于增效的范疇。
而如果真的要衡量這些方案的ROI，還需要仔細計算相關(guān)業(yè)務(wù)的人效比這可能又是一筆糊涂賬。
簡而言之，除非這些數(shù)十億美元AI投資能夠帶來更高、更顯著的收入增長率，否則投資回報將無法達到所有人的預(yù)期。
福布斯的文章還引用《經(jīng)濟學(xué)人》的觀點：“即使是樂觀的分析師也認為，微軟今年從生成式AI中賺取的利潤不過 100 億美元左右�！�
言下之意，這得100年才能賺回這個錢。
華盛頓郵報的文章也認為是泡沫。
他們刊登的文章說：”大型科技公司稱人工智能蓬勃發(fā)展，華爾街卻開始看到泡沫。該行業(yè)已一頭扎進人工智能領(lǐng)域，股市投資者也紛紛跟進，但越來越多的分析師表示懷疑了�！�
前面說到，美國的基金經(jīng)理的觀點是分裂的，而美國的金融界和財經(jīng)媒體也是分裂的。
摩根大通、麥肯錫和埃森哲都認為不是泡沫。
Oracle（甲骨文）的CEO Larry Ellison也公開宣布AI不是泡沫，并且計劃建設(shè)一個13萬卡的AI數(shù)據(jù)中心，并且想著配套三個核反應(yīng)堆發(fā)電。
AI不是泡沫主要兩個方面關(guān)鍵討論點
關(guān)于是不是泡沫的討論，焦點集中在兩個方面的八個要點上：
一個方面：未來---AI的未來到底有多少效益？
細分一下，其中的討論要點包括四個問題：
甘特曲線是否生效、殺手級應(yīng)用會不會很快出現(xiàn)、生成式人工智能提升多少效率、通用人工智能能不能很快出現(xiàn)。
另一個方面：錢---從哪里來？投資回報是多少？
其中的討論關(guān)鍵在四個問題：
股價是不是足夠高、美國的錢夠不夠投資、投資回收周期多長、對AI適用投資回報的邏輯嗎？
第一方面之一：甘特科技曲線
很多人都知道科技史上有個 著名的” 甘特曲線“，也就是新科技發(fā)明后都要經(jīng)歷一個：發(fā)明---上升---頂峰（過度發(fā)展）---低谷---再爬升---穩(wěn)定的過程。
所以很多人認為AI也逃不脫這條曲線。
我不否認甘特曲線的存在，但我不認為每個高科技都會走甘特曲線的路子，比如移動電話、空調(diào)、PC機等，都是發(fā)明后一直上升的，并沒有一個明顯的跌落期。
符合甘特曲線和不符合甘特曲線的新科技是有區(qū)別的：
如果新科技一發(fā)明出來就立即被廣泛應(yīng)用，那跌落期就不存在了，符合甘特曲線的新科技往往是超前發(fā)展的，都知道將來有用，但短期內(nèi)因為各種原因一時半會用不上的。
所以，AI有沒有跌落期，AI會不會遵循甘特曲線，其實是看AI會不會現(xiàn)在就得到廣泛應(yīng)用。
第一方面之二：AI何時出現(xiàn)殺手級應(yīng)用？
目前，所有人都承認AI目前沒有殺手級應(yīng)用，同時所有人都認為AI現(xiàn)階段的ROI（回報和投入的比值）太低，但是對未來的樂觀程度非常不一樣。
前面的記者Edward Zitron就認為LLM大模型已經(jīng)出現(xiàn)快2年了，還沒有什么好的應(yīng)用出現(xiàn)，或許將來永遠都不會出現(xiàn)，因為LLM的運作模式已經(jīng)決定了的。
而另外一些文章認為， AI已經(jīng)出現(xiàn)了一些不錯的應(yīng)用， 雖然還不算殺手級應(yīng)用，比如ChatGPT和編程用的GitHub Copilot。
“但是我們應(yīng)該給AI一些空間，或許星星之火可以燎原�！�
”在過去十年中，手機應(yīng)用程序不斷發(fā)展并幫助創(chuàng)造了數(shù)千億美元的股東價值是我們在智能手機發(fā)明前沒有估計到的�！�
”人們都傾向于高估技術(shù)的短期影響 而低估其長期影響�！�
”如今沒有人能夠預(yù)測人工智能技術(shù)將會出現(xiàn)哪些殺手級應(yīng)用，但我們應(yīng)該對人工智能的APP將發(fā)生變化的現(xiàn)實可能性要持開放態(tài)度，這或許會促成我們目前無法想象的應(yīng)用程序的出現(xiàn)。“
我詢問了在蘋果工作的同學(xué)和在福特IT部門工作的親戚，他們一致認為編程用的GitHub Copilot對他們幫助巨大，可見目前的生成式人工智能的在某些局部領(lǐng)域（如編程）的作用已經(jīng)非常明顯，不可看不見。
還有文章認為的觀點和高盛報告里的兩位股票分析師類似：
“現(xiàn)在還是在基礎(chǔ)建設(shè)階段，現(xiàn)在就要求AI出現(xiàn)殺手級的應(yīng)用如同要求一個嬰兒舉起一桶水一樣，太苛刻。”
”既然是基礎(chǔ)建設(shè)，考慮它的回報周期要從五年起步算，十年、二十年都不算多�！�
私人數(shù)據(jù)保密公司Skyflow的CEO Anshu Sharma認為新技術(shù)有技術(shù)風(fēng)險和市場風(fēng)險兩種。技術(shù)風(fēng)險是你可能做不出來，比如第一個航天飛機。
市場風(fēng)險是你可以做出來，但可能賣不出，比如云存儲。
而AI現(xiàn)在的表現(xiàn)，是既沒有技術(shù)風(fēng)險又沒有市場風(fēng)險，甚至它的商業(yè)模式都完美地和現(xiàn)在的三種云計算的收費模式匹配。
（注：云計算的三種收費模式為：IaaS、PaaS、SaaS，即分別為按基礎(chǔ)設(shè)施使用量收費、按平臺使用量收費和按用戶數(shù)收費，百度網(wǎng)盤、微軟Azure、Oracle數(shù)據(jù)庫就是這三種典型。）
“人工智能革命是第一次我們既知道如何構(gòu)建它，又知道如何將其盈利的革命。----Anshu Sharma說�！�
高盛資產(chǎn)管理公司的 Sung Cho和他們公司的基本股票團隊的投資組合經(jīng)理 Brook Dane 樂觀地認為，“我們越來越有信心，這個技術(shù)周期是真實的，這將會是一個大趨勢。”
如果歷史可作借鑒，那么生成式AI的殺手級應(yīng)用，大概還需要數(shù)年時間才會出現(xiàn)。
雖然這么說，但我們現(xiàn)在已經(jīng)可以看到一些苗頭了。垂直領(lǐng)域AI代理（Vertical AI Agent）正逐漸成為顛覆行業(yè)的關(guān)鍵驅(qū)動力。
垂直領(lǐng)域AI代理可以將傳統(tǒng)SaaS發(fā)展得更智能和更深度的場景嵌入，能夠深入理解特定行業(yè)的專業(yè)知識與獨特需求，提供精準的定制化解決方案。
這里舉幾個典型例子，比如，法律合同審查工具、智能化醫(yī)療診斷平臺、簡歷篩選服務(wù)、個人日程安排、民意調(diào)查問卷設(shè)計、供應(yīng)鏈優(yōu)化的預(yù)測分析等等。
這些AI Agent雖然還夠不上高盛眼里的殺手級應(yīng)用，但也在一些細分領(lǐng)域發(fā)揮極大的作用了，隨著這種細分領(lǐng)域越來越多，累積起來的效率提升也越來越多，導(dǎo)致殺手級應(yīng)用出現(xiàn)的概率也越來越大。
第一方面之三：AI效率提升有多少GDP？
很多文章詬病高盛報告中的MIT教授Daron Acemoglu估計的AI只能給美國GDP帶來只有0.9%的增長的說法。
Daron教授的估計辦法是目前用得著AI的產(chǎn)業(yè)在GDP中的占比乘以該產(chǎn)業(yè)可能的效率提升，比如，廣告創(chuàng)意，占比GDP為百分之X，而做AI提升廣告創(chuàng)意的效率為Y，所以效率提升為X*Y。他估計AI只會影響23%的產(chǎn)業(yè)和4.6%的人類工作任務(wù)，乘以平均27%的人力成本，人類生產(chǎn)效率提升只有0.66%，進而只能提升0.9%的GDP。（Leo評論：這個估計顯然太過于靜止和悲觀了，連我這個門外漢都覺得未來人工智能的行業(yè)滲透程度一定會遠超23%，并且對全部人類工作任務(wù)的影響的比例更不會在4.6%。）
所以Googled網(wǎng)絡(luò)和數(shù)據(jù)中心總監(jiān)Daniel Golding直接批駁高盛的報告如下：（注意Google的員工肯定有預(yù)設(shè)立場的）
”高盛的研究重點太有限，他們完全專注于低端任務(wù)的效率提升，而它是人工智能最無趣的方面，這是視野上的失敗�！�
"高盛的研究主要是高盛的分析師采訪其他高盛分析師和一些學(xué)術(shù)理論家，他們沒有與任何接近商業(yè)現(xiàn)實的人交流。“
”高盛的經(jīng)濟學(xué)家完全專注于分析用昂貴的AI投入來取代低成本任務(wù)，這表明他們認為經(jīng)濟本質(zhì)上是一個零和游戲---這是一個早在 19 世紀就被證明錯誤的經(jīng)濟理論。現(xiàn)實是，人工智能不僅能夠提升人類完成高、低成本的任務(wù)， 也能使我們能夠做以前從未可能做的事情，比如準確的天氣預(yù)報和找出食品卡車的停放位置---蛋糕會被做大的、AI的成本也是在下降的�！�
摩根大通的調(diào)研也指出，預(yù)期在2025年前接入AI進行生產(chǎn)的企業(yè)占比也超過55%，AI滲入企業(yè)中的比例遠比23%高---因為用發(fā)展的眼光看，隨著AI成本的下降，使用AI的行業(yè)和企業(yè)也會越來越多。
麥肯錫和埃森哲都認為：到 2028 年，人工智能對全球 GDP 的影響將達到 10萬億美元，相當(dāng)于半個中國的GDP。
咨詢公司普華永道的一項預(yù)測估計：到2030年，人工智能可能為全球經(jīng)濟增加近16 萬億美元，主要來自勞動生產(chǎn)率的大幅提高。
第一方面之四：通用人工智能何時出現(xiàn)？
高盛報告中，無論正反方，都隱含了一個潛在的觀點：
“大模型和生成式人工智能（AIGC）能夠產(chǎn)生的效益有限，AI要靠通用人工智能（AGI）來扛把子。”
而反駁者有兩種：
一種認為現(xiàn)在生成式AI長期點看完全可以收回成本，所以有沒有通用AI出現(xiàn)無所謂，都不影響。
一種認為生成式AI收回成本很困難，但遠期還有通用AI，那個時候，人類的生產(chǎn)效率會得到大幅度提升，從而一舉收回全部AI投資。
所以，無論是持哪方觀點，大家都一致認為通用AI還是有點遠，只不過區(qū)別在于一些人樂觀地認為可以從現(xiàn)在的生成式AI過渡過去，而另外一些人悲觀地認為現(xiàn)在的生成式AI的成果對未來的通用AI沒有用，通用AI需要另起爐灶。
還有更悲觀者，《LLM邏輯推理的枷鎖與破局策略》作者Alejandro Piad Morffis論述了為什么大語言模型不具備推理（Reasoning）能力，并在X上引發(fā)強烈爭論。
他認為，LLM在許多情況下所做的事情只是類似于推理，但并不完全是正確、可靠的推理算法，這比根本沒有推理算法更糟糕，因為它會讓你錯誤地認為它有效，并且你可能無法判斷它何時無效，而再多的漸進式創(chuàng)新（技巧）也無法解決這個問題。如果沒有范式轉(zhuǎn)變，這些錯誤不可避免。
第二方面之一：AI股價高嗎？
泡沫的特點是股票在投機過熱的背景下大幅超出合理估值。若有一天，投資者了解公司的業(yè)務(wù)不能即刻在市場上兌現(xiàn)成長預(yù)期，投資者急賣股票就會令價格急跌，泡就隨之爆破。
回顧2000年互聯(lián)網(wǎng)泡沫高峰，當(dāng)時5家最大的科技公司（微軟、英特爾、朗訊和思科和IBM）的平均遠期PE（市盈率）是59倍。
而現(xiàn)在2024年最大的五大科技股（亞馬遜、微軟、Meta、英偉達和Alphabet）的遠期PE為34倍，雖然他們市值動不動幾萬億，但不僅比2021年底低，還比2000年相差近一半。
并且，現(xiàn)在科技巨頭的每股收益（EPS）增長率（42%）比互聯(lián)網(wǎng)泡沫時（30%）更佳，而且我們?nèi)栽贏I時期的早期階段上，AI可以提高利潤率。
摩根大通的報告說，當(dāng)今的人工智能科技股 2024 年的平均盈利增長率估計為 42%，而2000 年互聯(lián)網(wǎng)泡沫科技股的平均增長率預(yù)期只有30%。
前面說到的知名對沖基金Coatue還做過一個測算：
以互聯(lián)網(wǎng)泡沫時期增長最為明顯的思科為例，其五年平均市盈率為37倍，但泡沫時期高達132倍。
同樣的計算方式對應(yīng)到英偉達，其在過去五年平均市盈率為40倍，而今天（指幾個月前的測算日）到了68倍，遠未達到思科泡沫時期的水準。
作為新興霸主，即使在半導(dǎo)體行業(yè)內(nèi)，英偉達的市盈率也不過是中等偏上水平。
此外，泡沫破裂還是因為基礎(chǔ)業(yè)務(wù)的情況發(fā)生了變化，這不僅僅是價格的變動。
2000年互聯(lián)網(wǎng)股票崩潰時，幾乎所有的公司的增長都停滯了。
例如，亞馬遜的收入增長率從 1999 年的接近 180%降至 2001 年的僅 13%，更多的dot.com公司銷售額降低。
而這次，谷歌公布其第二季度收入增長 14%，谷歌云（Google Cloud）增長 29%。微軟收入增長 15%，其云基礎(chǔ)設(shè)施業(yè)務(wù) Azure 增長 29%。
這些都是強勁的增長數(shù)字，科技巨頭們有成熟的商業(yè)模式和可靠的收入來源，基礎(chǔ)業(yè)務(wù)非常健康，即便股價下跌、即使他們所有的人工智能計劃都失敗了，他們基礎(chǔ)業(yè)務(wù)都沒有倒退的可能性，換句話說，他們現(xiàn)有的業(yè)務(wù)的盈利狀況也足夠支持得起他們的股價。
第二方面之二：美國AI投資的錢哪里來？
前面我們提到的泡沫產(chǎn)生的兩個前提條件之一就是市場要有錢，但當(dāng)下美國金融市場的流動性并不樂觀，這意味著即便AI是泡沫，上限高不了。
為了遏制疫情時期貨幣寬松所帶來的40年來的最高通脹，美聯(lián)儲自2022年3月至2023年7月進行了11次加息。即使現(xiàn)在開始進入減息通道，利息還是在非常高的高位。
與此同時，美聯(lián)儲還開始了大規(guī)�？s表，從2022年6月開始，F(xiàn)ed每月減少600億美元的國債持有量和350億美元的抵押貸款支持證券(MBS)持有量。
一句話，在AI爆發(fā)期間，美聯(lián)儲正在進行自1980年代以來最激進的貨幣緊縮政策。
因此當(dāng)下AI產(chǎn)業(yè)所處的位置更像是在基建時期，需要海量資金和高密度的技術(shù)，也正是這種階段特性決定資金量不足的小VC和小公司很難入場。
從Coatue給出的數(shù)據(jù)看，此輪AI投資雖然熱鬧，但VC們并未出盡全力。私募股權(quán)公司手里還有1萬億美元的未投資金，處于歷史最高水平。
所以現(xiàn)在AI的投資主力就是美股的Ma 7（股市七姐妹）, 外加最近很積極的Oracle。
巨頭的投入，與他們所創(chuàng)造的現(xiàn)金流相比，并沒有十分激進。
從財報來看，這幾家公司單季度少的有100多億，多的有200多億美元的純利。
微軟在2024財年Q2實現(xiàn)了220.4億美元的利潤，AlphabetQ2的利潤則達到了236億美元，亞馬遜134億美元。
七巨頭的整體利潤都非常健康。而且他們口袋里也有大把花不出去的現(xiàn)金。
蘋果的自由現(xiàn)金流現(xiàn)在已經(jīng)超過1000億美元。
微軟、Alphabet和亞馬遜根據(jù)其收入增長速度是都有望在近幾年加入“自由現(xiàn)金流1000億美元俱樂部”。
Meta今年自由現(xiàn)金流可能超過300億美元。
英偉達和特斯拉的自由現(xiàn)金流稍微少一些，但在AI爆發(fā)前，英偉達每年已經(jīng)能創(chuàng)造幾十億美元的自由現(xiàn)金流，這兩年賺的盆滿缽滿之后應(yīng)該可以達到百億的水平了。
針對AI的支出，七巨頭們目前從利潤到現(xiàn)金都在可承受范圍之內(nèi)。
如果這是下個時代的生死之戰(zhàn)，他們留著這些利潤和現(xiàn)金是準備帶進墳?zāi)箚幔?/strong>
正因為巨頭們賭得起，所以談不上不理性。
第二方面之三：投資回報周期多長？
另外一個理性的前提是，投資需要有對應(yīng)的回報。
巨頭們心甘情愿地參與軍備競賽，當(dāng)錢不是問題，需要進一步回應(yīng)的就是對投資回報率的質(zhì)疑。這也是高盛發(fā)布的報告和紅杉資本的6000億問題所質(zhì)疑的核心。
AI目前的階段更像是基建。而基建的回報周期和短期投資不太一樣，基本以五年起計。就連數(shù)據(jù)中心的回報周期一般都在4.5年左右。
AI的商業(yè)化普及可能需要5到10年的時間。回顧互聯(lián)網(wǎng)的發(fā)展，最初的商業(yè)模式如廣告和搜索引擎也經(jīng)歷了較長時間的培育。因此，我們需要對AI的商業(yè)化保持耐心和空間。
既然這是個長回報周期的投入，那投給AI的錢什么時候可以賺回來呢？
Couteue幫我們算了一筆賬。AI在基礎(chǔ)設(shè)施建設(shè)期，也就是到2030年，預(yù)計會花費1.2萬億美元（和高盛的1萬億有點差別）（不含電力設(shè)施），這大概是2500萬單位的GPU外加相關(guān)支出。這看起來很龐大，但其實僅占全球IT支出的18%。
按照25%的ROI，即預(yù)期收益6000億美元，加上1.2萬億，到2030年AI的投入必須轉(zhuǎn)化出1.8萬億美元的收入才能實現(xiàn)收支平衡。
這可以通過兩種方式達成。
一種是降本。只要AI能降低全球技術(shù)人員總薪資的5%或所有工人工資的3%，就可以達到1.8萬億的收益。（Leo評：這個聽起來有點不可思議，技術(shù)人員的工資是市場供需決定的，不是想降就降的，除非AI導(dǎo)致技術(shù)人員過剩)
另一個是增收。如果AI能帶來全球2%的GPD增長，提升所有上市公司3%的收入，那AI公司只要從中賺取一半的收益，也能到1.8萬億。(Leo評：AI帶來了收益，AI公司怎么才能分到一半？電子郵件發(fā)明了，哪個公司賺到了電子郵件帶來的附加好處的一半？）
那么問題來了，AI能帶來降本增效的結(jié)果嗎？投資回報時間這個爭議的焦點本質(zhì)上變成了AI能帶來多少效益。
高盛在８月報告《Will the $1 trillion of generative AI investment pay off?》（一萬億的AI投資是否會得到回報？），高盛資產(chǎn)管理公司基本股票團隊的投資組合經(jīng)理 Brook Dane這樣說：
“當(dāng)前市場上最大的問題是：我們能從投資中獲得回報嗎？我相當(dāng)確信我們正在看到這種回報。有幾個數(shù)據(jù)點讓我感到安心�！�
“首先，我們花了很多時間與一家超大規(guī)模公司的CFO交流，這個人非常坦率地談?wù)摿怂麄內(nèi)绾卧诓渴餑PU 的集群中進行投資回報率（ROI）計算，以及從回報的角度看，他們發(fā)現(xiàn)這非常有利可圖，雖然沒有給出任何具體數(shù)字。”
“現(xiàn)在，這家公司已經(jīng)在其基礎(chǔ)設(shè)施上為推薦引擎運行了大量的推理工作負載。正如這些模型所預(yù)測的，他們看到了用戶在其平臺上停留時間增加的結(jié)果，所以對他們來說，投資回報率的計算可能是最簡單的，因為你可以部署一個集群，你可以使用更復(fù)雜的算法，從而導(dǎo)致更多的用戶停留時間，這可以帶來更多的廣告展示，進而推動收入�！�
”第二件事，這是長期跟蹤該行業(yè)以及最近與另一家超大規(guī)模公司就其資本支出計劃進行多次討論得出的：我們知道他們在歷史上一直非常自律，以及他們?nèi)绾慰吹绞杖氲脑隽吭鲩L，以及看到他們從資本支出中獲得的增量回報�！�
“這位首席財務(wù)官強調(diào)他們有錢，如果能獲得更多的GPU 來部署，他們會的。我認識這個人 20年了，了解他們?nèi)绾翁幚碣Y本預(yù)算，如何花費他們的資本。如果他們面前沒有看到真正、切實、有形的回報，這個人是不會這樣做的，而且他們非常堅決，但現(xiàn)在還處于早期�！�
Dane沒有點名，但我猜他說的這家公司是Google，可見巨頭們對自己的投資能夠獲得回報是有內(nèi)部數(shù)據(jù)支撐的，但其中也有Bug，因為這位CFO只提了廣告收入，這恐怕不足以收回萬億美元的。
微軟首席財務(wù)官在財報會議上直言，該公司對AI的巨額投資，至少要15年才有回報。
高盛則表示，AI行業(yè)的變革潛力可能會產(chǎn)生深遠的宏觀影響，但這將是“一個10年以上的轉(zhuǎn)變”。
無論如何，有一點是大家的共識：這是個長期投資，五年、十年、二十年的回收周期都是有可能的。
不過，也有不認可這個說法的。
Daniel Golding, CTO of Appleby Strategy Group（一家數(shù)據(jù)中心建設(shè)公司）在領(lǐng)英上發(fā)表文章說：
“問題就出在這里，對于高盛和該領(lǐng)域的許多私募股權(quán)公司來說，投資的時間線與范式轉(zhuǎn)換技術(shù)的現(xiàn)實嚴重不匹配。真正具有變革性的人工智能的實際時間線是5 到 10年，在此期間會有大量的投資和大量的技術(shù)進步，以及我們社會和經(jīng)濟的相應(yīng)變化，但投資者不想等十年。”
所以，如果投資者不愿意等十年，會發(fā)生什么很難預(yù)測，不過，幸好現(xiàn)在的主要投資者都是巨頭，他們還是等得起十年的�！�
第二方面之四：對AI適用ROI的邏輯嗎？
也有文章提出了一個非理性的問題：這些AI的投資，用當(dāng)下的ROI去衡量一場基建性質(zhì)的科技進步是否合理？或者說，泡沫破裂的后果一定是壞的嗎？
目前的AI的確面臨投入高、應(yīng)用難的問題，但如果我們把目光放遠，轉(zhuǎn)向那些在歷史上被稱作泡沫的基建時期，就會有不一樣的發(fā)現(xiàn)。
在互聯(lián)網(wǎng)泡沫破裂之前，電信公司在華街籌集了1.6萬億美元，并發(fā)行了6000億美元債券，建設(shè)的光纖電纜達到8020萬英里，占到美國歷史上基礎(chǔ)數(shù)字布線總數(shù)的76%，為互聯(lián)網(wǎng)的成熟奠定基礎(chǔ)，這些錢到今天都沒有收回。
如果再往前看，19世紀40年代英國鐵路泡沫以及由此建造的鐵路，為英國的高度工業(yè)革命打下地基，在經(jīng)濟泡沫時期批準的鐵路計劃里程數(shù)更是占了英國鐵路系統(tǒng)總里程的90%。
當(dāng)我們談?wù)摶ヂ?lián)網(wǎng)泡沫時，并非指互聯(lián)網(wǎng)技術(shù)是泡沫，而是特指一種主要形式為電子商務(wù)、被過度興奮的投機性投資所吹捧的商業(yè)模式。
而人工智能意味著更多，歷史的車輪更不會因為泡沫破裂而停下。人工智能的支持者總是迅速指出，AI是新的互聯(lián)網(wǎng)，一種根本性的新技術(shù)架構(gòu)，如果這是真的，那它就不會化作泡沫。
細想一下，或許也可以。
首先，前面說到目前主要的AI投資都是幾個大云廠的自有資金，沒有多少VC（風(fēng)險資本），這些錢打了水漂也不會造成連鎖反應(yīng)。
其次，這些資金雖然屬于股東，但如果不用這些資金投資AI，就不會給市場帶來想象的空間，反而會連累股價，給股東造成損失。
所以，這些資金要不要追求回報、要多少回報、回報周期是多長都不是他們要考慮的，他們必須得下注AI，并且必須是孤注一擲的堅定。
更何況還有FOMO的動機在作用，那更得義無反顧地投入AI了。
其他深度見解
在閱讀中，我還看到一些有深度的見解，正反兩邊的立場都有，這里列舉給讀者，不過讀上去有點思維混亂，可以跳過不讀。
因為篇幅的關(guān)系我就省去大部分見解的發(fā)表者的身份了。
“高盛的報告范圍廣泛，但存在缺陷，即假設(shè)人工智能的好處來自效率而不是價值創(chuàng)造。”
“巨頭們投入AI的不僅僅是海量的資金，還有多年來積攢的技術(shù)、數(shù)據(jù)和雄厚的基礎(chǔ)客戶，這些都是將小投資者和小企業(yè)擠出AI市場的優(yōu)勢，最終導(dǎo)致資金都來自巨頭們，最后的基礎(chǔ)設(shè)施的收益也歸巨頭所有�！�
“現(xiàn)在的情況是，我們（某云廠）都必須表明我們愿意根據(jù)需要進行投資，因為我們想保持這種領(lǐng)導(dǎo)地位，但在某個時候，投資負擔(dān)會變得如此沉重，其中一家……會說：“也許下個季度，我們不會投資這么多”，然后你會看到其他公司也會這么做�？偟膩碚f，這種投資水平是不可持續(xù)的�！�
“人工智能革命是第一次我們既知道如何構(gòu)建它，又知道如何將其盈利的革命。”
“很明顯，過去一兩年我們看到的極高的估值表明存在泡沫；價格調(diào)整很可能即將到來，甚至可能已經(jīng)在進行中。然而，盡管如此，我相信人工智能的中長期前景非常強勁。它肯定有可能像 20 世紀后期互聯(lián)網(wǎng)的出現(xiàn)最終證明的那樣�！�
“當(dāng)今的生成式人工智能技術(shù)無疑是昂貴的。與它相比，人腦在執(zhí)行認知任務(wù)時每單位能量的效率高出 10,000 倍，但該技術(shù)的成本方程將會改變，成本會越來越低，就像過去發(fā)生過的事情一樣�！�
“歷史上大多數(shù)泡沫的結(jié)束，要么是因為資本成本急劇變化，要么是因為最終需求惡化影響了企業(yè)持續(xù)投資的能力，而不是因為公司不再投資一項投資回報比預(yù)期更長的技術(shù)。＂
“AI的商業(yè)化普及可能需要5到10年的時間。回顧互聯(lián)網(wǎng)的發(fā)展，最初的商業(yè)模式如廣告和搜索引擎也經(jīng)歷了較長時間的培育。因此，我們需要對AI的商業(yè)化保持耐心和空間。”
“從基礎(chǔ)設(shè)施的角度來看，競賽在很大程度上已經(jīng)結(jié)束。但在構(gòu)建垂直和特定行業(yè)的大型語言模型和模型，以及許多邊緣使用案例方面，我認為這還沒有定論，我認為這是很多創(chuàng)新將會出現(xiàn)的地方�！�
“我要補充的是，我不認為這個市場只有少數(shù)幾家大型公司是贏家。本質(zhì)上，除了模型訓(xùn)練部分之外，最重要的是：你擁有哪些獨特的數(shù)據(jù)，你可以用來幫助客戶？”
“AI解決的不是連接問題，而是重新組織生產(chǎn)資料和提升生產(chǎn)力。AI能夠在數(shù)字孿生的世界中發(fā)揮更大的作用，替代人的處理能力。它不僅僅是通過連接，而是通過智能判斷和自動化操作。例如，空調(diào)和電冰箱連接到互聯(lián)網(wǎng)后，仍需要人為設(shè)定參數(shù)，但有了AI后，這些設(shè)備可以自主判斷并執(zhí)行操作，如在氣溫超過28度時自動開啟空調(diào)。這就是AI在經(jīng)濟生態(tài)中發(fā)揮的作用，與互聯(lián)網(wǎng)的作用不同。實際上，許多行業(yè)更需要AI，而不是互聯(lián)網(wǎng)�！�
“有一句老掉牙的笑話：投資中最危險的是‘this time is different’。每一項重要的技術(shù)進步在歷史上都伴隨著某種金融泡沫，自金融市場存在以來都是如此。”
“今天的人工智能領(lǐng)導(dǎo)者如微軟、英偉達、Alphabet 和 Meta 等公司已經(jīng)非常盈利。他們有經(jīng)過驗證的商業(yè)模式和可靠的收入來源，即使他們所有的人工智能計劃都失敗了，這些收入來源也很可能不會枯竭�！�
“推理的軟件優(yōu)化速度是極快的。就看看DeepSeek當(dāng)初的工作，以及現(xiàn)在各種蒸餾、小模型的進展。某種程度上，這都是被缺卡逼出來的，軟件工程師會用各種方法削弱對硬件的依賴...降本增效嘛。因此，至少在明年之前，推理算力可以說是非常非常富足，就看需求能否被激發(fā)出來...”
“今天，正在進行的AI數(shù)據(jù)中心加速計算建設(shè)只是第一階段，但這只是構(gòu)建所有AI應(yīng)用程序的支柱，增加了一個顛覆性的技術(shù)層（LLMs），成本更低，上市更快。”
＂人工智能越“特定”和“狹窄”，它就越有用。沒有經(jīng)過高度訓(xùn)練、優(yōu)化和針對您的公司、業(yè)務(wù)和工作進行調(diào)整的通用大型語言模型（LLM）根本不會獲得高價。所以，雖然我們都認為ChatGPT 是天堂，但我們現(xiàn)在發(fā)現(xiàn)高度專業(yè)化的解決方案才是答案�！�
“從GPU的供需來說，結(jié)構(gòu)性不平衡導(dǎo)致價格差距較大。目前大模型賽道馬太效應(yīng)非常明顯，小的模型生存困難，要么降低價格，要么關(guān)門拋售GPU，這導(dǎo)致零星的GPU在市場上出現(xiàn)過剩�！�
＂懷疑論者經(jīng)常指出人工智能股票價格的快速上漲是即將出現(xiàn)泡沫的跡象。然而，歷史背景和當(dāng)前的市場分析講述了一個不同的故事。當(dāng)今領(lǐng)先的人工智能公司的估值雖然很高，但不像互聯(lián)網(wǎng)泡沫時期那樣膨脹。這些公司擁有強大的資產(chǎn)負債表和明確的盈利途徑，為可持續(xù)增長提供了基礎(chǔ)。＂
“一個不容忽視的現(xiàn)實挑戰(zhàn)：如果科技巨頭無法在未來三到五年通過大模型獲得切實的業(yè)績增長、回收在AI基礎(chǔ)設(shè)施上進行的龐大投入，那AI行業(yè)的增長也將后繼無力。”
“當(dāng)下AI行業(yè)似乎已經(jīng)不是寅吃卯糧、不是超前投資，而是極度的缺乏產(chǎn)品�！�
前面提到的高盛股票分析師Eric Sheridan說：“我再次承認，目前投資資本回報率 (ROIC) 的可 見性較低，人工智能的變革潛力仍將繼續(xù)受到激烈爭論，直到這一點變得更加清晰。但人工智能懷疑論者忽略了三件關(guān)鍵的事情。第一，對現(xiàn)有/歷史數(shù)據(jù)進行培訓(xùn)，以告知和推動未來的分析結(jié) 果，聽起來就像上大學(xué)一樣人們在畢業(yè)后的幾十年里繼續(xù)學(xué) 習(xí)，然后提高生產(chǎn)力和效率，而機器絕對可以做到同樣的事情。第二，今天的機器可以比人類更高效地完成一系列任務(wù)，并且在 未來幾十年內(nèi)仍然如此。第三，在智能手機、Uber 或 Airbnb 出 現(xiàn)之前，人們并不認為他們需要它們。但在今天，人們曾經(jīng)抵制 這樣的技術(shù)進步似乎是不可想象的。幾乎可以肯定，這對于生成 式人工智能技術(shù)來說也是如此�！�
微軟”小冰“之父李笛：“對話式AI泡沫明顯，數(shù)據(jù)和用量是硬傷。”
風(fēng)險投資界著名的投資公司a16z的觀點："AI泡沫不可避免，但未來的“金子”公司也會在泡沫時代中成立。"
比爾蓋茨的觀點：“現(xiàn)在AI市場的狂熱程度遠超互聯(lián)網(wǎng)泡沫，但AI技術(shù)的潛力和價值仍然被嚴重低估。"
金沙江主管合伙人朱嘯虎就認為：“大模型是很差的商業(yè)模式，大模型是要每兩三年就要砸更多的錢去升級，而且變現(xiàn)的周期可能就兩三年�！�
華爾街“TMT之王”Coatue代表觀點：“AI不是炒作，黃金時代還沒有到來；AI不是估值泡沫，但主要是巨頭的游戲�！�
Anthropic公司CEO Dario Amodei作為人工智能領(lǐng)域的重要人物，預(yù)測AGI（通用人工智能）可能會在2026年問世。
軟銀老板孫正義一直看好AI，他認為AGI是達到與人類大腦同等水平的智能，而對于ASI（超級人工智能），他有著自己的標準要比人類大腦聰明一萬倍。這個雄心勃勃的目標，他預(yù)計將在2035年實現(xiàn)，僅僅是十年之后的事情。如果ASI能在未來10年內(nèi)替代全球GDP的5%，每年就能創(chuàng)造9萬億美元的產(chǎn)值，足以在一年內(nèi)收回全部投資。他預(yù)測，未來四家頂級AI公司每家都將獲得約1萬億美元的年度利潤。
Open AI CEO Sam Alaman上個月在他們的開發(fā)者大會上接受采訪為AI做了些辯護。他說了幾個觀點， 比如：“在 GPT-3.5 時代，感覺有 95% 的創(chuàng)業(yè)公司都在押注模型不會有太大進步。而現(xiàn)在倒過來了，95%的人們已經(jīng)意識到了這種模型的進步速度，也聽到了我們想要實現(xiàn)的目標。所以模型上的缺陷以后不再是一個問題�！�
Sam Altman也承認模型確實是會貶值的資產(chǎn)，這一點毋庸置疑，但說它們不值得投入訓(xùn)練成本，這種觀點似乎完全錯誤，更不用說，當(dāng)你在訓(xùn)練這些模型時會產(chǎn)生一個正向的復(fù)合效應(yīng)，你會在訓(xùn)練下一個模型時變得更加熟練。從模型實際能帶來的收入來看，我認為這些投資是值得的。不過公平地說，這種情況也不適用于所有人。
簡化總結(jié)一下對立的觀點
寫到這里，是時候?qū)⑦@些對立的觀點進行壓縮和簡化了。
認為AI是泡沫的觀點的要點：
--- 股市在歷史新高，都是AI相關(guān)公司帶動的，但其AI的收益很少；
--- 投入太多，沒有殺手級應(yīng)用，回收幾乎是不可能的；
--- 算力貶值極快，投入等于很快就會打水漂，現(xiàn)在已經(jīng)有局部富余了；
--- AI的使用門檻太低，很快大家都掌握，就沒人能夠賺錢；
--- 大模型這種對投入的要求是指數(shù)增加的， 這從資金、電力、算力、數(shù)據(jù)四個維度上看都是不可持續(xù)的；
--- 大模型并不“聰明”，它是概率性的輸出，沒有足夠的準確性，實用性很低，也導(dǎo)致需求低；
認為AI不是泡沫的觀點的要點：
--- 算力投入是基礎(chǔ)設(shè)施的投入，回報周期很長也不要緊；
--- 股市七姐妹的市盈率并不高；
--- 股市七姐妹因為FOMO必須要投，并且他們有足夠的錢投；
--- AI三個要素：算力、算法和數(shù)據(jù)，都可以優(yōu)化，從而大幅度提升大模型的效率；
--- 大模型只是打開了一扇門，后面還有充滿想象力的AI新世界等待著我們，或許新的通用人工智能幾年內(nèi)就能問世；
好了，以上每個觀點都有其正確性，那到底是不是泡沫，就看以上各個要素的權(quán)重大小，這點請讀者自行判斷。
作者Leo的觀點
讀了那么多報告，說一下我個人觀點，我認為AI不是泡沫，或者說，即使是泡沫，也是很小的泡沫�！�
上面所有因素里面，巨頭們的FOMO和荷包鼓鼓是兩個最大權(quán)重的，對其他因素是碾壓性的，所以對AI的持續(xù)投入明年是必然的。
但是它也是受限的，應(yīng)用、資金、算力、電力和數(shù)據(jù)的不足輪流會成為卡脖子的因素，導(dǎo)致它不可能一飛沖天似的發(fā)展，這樣就更不是泡沫。
我個人覺得高盛9月份和紅杉的報告均有個致命的錯誤假設(shè)：用靜態(tài)的思維在想像AI的發(fā)展。
實際上，整個AI也是在發(fā)展中的，用靜態(tài)的思維想未來，誤判的概率比較大。
比如，訓(xùn)練的數(shù)據(jù)雖然不夠了，但那指的是文本數(shù)據(jù)，而多模態(tài)數(shù)據(jù)（如圖像、視頻和音頻）還有很多，并且人類還在產(chǎn)生新的數(shù)據(jù)文本。
關(guān)于生成式AI的模糊性和不準確性，人類社會其實并不需要處處都是高精度的、準確的數(shù)據(jù)，比如空調(diào)開多少度，汽車跑多快，蛋白質(zhì)吃幾克�！∥覀儩撘庾R認為我們需要高精度數(shù)據(jù)，那是只不過是因為人們已經(jīng)習(xí)慣使用高精度準確數(shù)據(jù)，并且以此為錨，因為模糊的東西無法處理無法記載，人也無所適從。
所以生成式AI即便是“非精準的”，即便是通用AI遲遲不出現(xiàn)，它也能適應(yīng)很多很多人類的需求，毛毛估一下，也有個七八成的需求不需要高精度的準確性。
不過，“不是泡沫”的認定并不能推斷英偉達那么高的股價并不會掉落。和其他幾個科技巨頭不同，它是賣鏟子的，等于它要先行一步。AI那么多限制因素，時時刻刻會阻礙著AI的冒進，也有可能會出現(xiàn)需求沒有下降但基建推進緩慢的情況，這時候英偉達的業(yè)績表現(xiàn)可能會低于預(yù)期。
最后，不管怎么樣，人類的機器智能時代已經(jīng)開啟。
附錄：參考文章列表（注：有些文章在國內(nèi)無法打開）
1.Agencies have their say on Goldman Sachs’s ‘AI is all hype’ claim | The Drum
2.Goldman Sachs On Generative AI: It’s Complicated | ETF Trends
3.Nvidia, ChatGPT and more: Is there an AI bubble nd is it about to pop? | Vox
5.Generative AI Future of Work Talent Transformation | Accenture
6.Beyond the hype: Capturing the potential of AI and gen AI in tech, media, and telecom | McKinsey
7.Gen AI: too much spend, too little benefit? | Goldman Sachs
8.Goldman Sachs calls GenAI overhyped, wildly expensive, warns investor of AI bubble popping soon Firstpost
9.Will the $1 trillion of generative AI investment pay off? | Goldman Sachs
10.Big Tech is spending billions on AI. Some on Wall Street see a bubble. - The Washington Post
11.Has the AI bubble burst? Wall Street wonders if artificial intelligence will ever make money|CNN
16.When Will The Trillions Invested In AI Pay Off? Sooner ThanYou Think
17.Generative AI Isn’t a Tech Bubble That’s Deflating (aiworldtoday.net)
19.Three Big Differences Between the AI and Dot-Com Bubbles - Bloomberg
20.Is the AI Bubble Popping? Don't Be so Sure. | The Motley Fool
22.Goldman Sachs: Wrong on AI and Wrong on the Future
23.Goldman Sachs Is Wrong About AI (Why AI Isn't A Bubble) | The AI Daily Brief (Formerly The AI Breakdown): Artificial Intelligence News and Analysis Podcast (everand.com)
24.Pop Culture|Ed Zitron
25.Will generative AI live up to its hype? -IBM Blog
26.紅杉、高盛警告：AI信心搖搖欲墜，投資泡沫到達頂點-虎嗅網(wǎng)(huxiu.com)
27.AI Industry May Never Earn Back Its $150 Billion Nvidia Chip Spend （Forbes)
30.The AI 'bubble' has helped the U.S. stock market dominate the world. Whathappens if it bursts? | Morningstar
31.Are We in an AI Bubble? | The Motley Fool
32.Are We in an AI Bubble? | Investing | U.S. News (usnews.com)
34.Is there an AI bubble? Here’s what 226 fund managers say. - MarketWatch
35.The Game Theory of AI CapEx | Sequoia Capital
36.探索AGI系列 | 01. LLM不等于(AGI)通用人工智能望周知 - 知乎 (zhihu.com)
37.Why AI stocks aren’t in a bubble | Goldman Sachs
38.$2 H100s: How the GPU Bubble Burst - by Eugene Cheah (latent.space)
39.Scaling Laws for Precision
