人工智能：错误的那种泡沫
人工智能可能会改变世界，但不是以你想象的方式
这篇文章有点像一堂历史课，但非常重要。最近，关于技术领域“生产性”泡沫的讨论很多——这些狂热将资本和人才围绕对未来的设想集中起来。有人认为泡沫会创造关键基础设施，创业者在泡沫破裂后加以利用——点 com 泡沫就是一个重要例子。这是对泡沫的过于简化的看法。所有技术泡沫并不一定都是“生产性”的。它们并不总是创造在泡沫之后被使用的基础设施。让我们看看这是否适用于当前的人工智能泡沫—— 它确实是一个泡沫 ，尽管有真实的实用价值。
两种类型的技术泡沫
对于不熟悉 Carlota Perez 的技术浪潮周期的人来说，该模型基于 200 年技术革命的历史——运河、铁路、电力、汽车以及当前的计算时代。根据该模型，新的技术革命经历以下阶段：
- 爆发期： 爱好者和先驱者对一种新的“输入”进行实验，为技术浪潮奠定基础。
- 狂热期： 新兴产业的诞生吸引金融资本，膨胀成投机泡沫。
- 转折点： 随后的崩溃暴露了炒作与现实之间的鸿沟。
- 协同期： 崩溃之后，该技术进入更可持续的增长阶段，对经济带来广泛益处。在此过程中，这一时代的赢家开始确立地位。
- 成熟期： 协同阶段长期的增长以及大型赢家的出现使投资者更加亢奋。这导致过度投资和对投入要素的过度消耗，直到技术浪潮无法再带来进一步增长，为下一轮技术浪潮扫清道路。
整个周期，从爆发到成熟，约持续50–60年。以下是该模型如何适用于当前计算时代：
计算时代始于 1971 年微处理器的发明——“廉价输入”。它最初为计算器设计，后来出现在大量生产的汽车和家用电器中，这些都是上一轮技术浪潮达到成熟期的产物。然而，真正的革命始于爱好者用微处理器发明个人电脑——1977 年实现这一愿景的第一款产品是 Apple II。个人电脑的主流普及造就了初期的一批赢家（Apple、Microsoft、Dell 等），并为互联网奠定了基础——随后引发了互联网泡沫与崩溃。崩溃之后，人们才真正意识到互联网乃至移动技术的潜力，推动了 2008 年后的一段长期经济增长。今天，互联网和移动端已无处不在，这一时代的赢家正寻求下一波技术推动以维持繁荣。这导致了对 AI 和数据中心前所未有的投资热潮。
我之所以认为 AI 属于成熟阶段而不是全新的周期？很简单，它具备成熟型创新的所有特征（致谢 Jerry Neumann）——科技界最大的既得利益者立刻涌入，且采用速度极快，因为互联网已经完全普及。全新的技术周期通常从边缘开始，由爱好者推动——就像那些默默无闻的极客打造出 Apple I。而这绝对不是我们在 AI 上看到的情形。
中期周期与后期周期泡沫
这个模型的一个关键结论是，技术扩散导致的金融过度不仅有一种 ，而是两种 ——在狂热阶段出现的中期循环泡沫和在成熟阶段出现的后期循环泡沫 。下图清晰地展示了这两类泡沫。图表显示了过去 150 年标普 500 的 Shiller 市盈率，也称为周期性调整市盈率（CAPE 比率）。该比率用 10 年平均经通胀调整的收益代替市盈率中的一年收益（市盈率中的 E），以平滑临时波动并考虑商业周期（收益在泡沫期间也可能被推高）。
让我们更深入地看看这两类泡沫的成因及其后果：
中期循环（狂热）泡沫
典型的中期（狂热）泡沫紧随新技术浪潮中最先显现的赢家，如 20 世纪 80 年代后期的 Apple、Microsoft 和 Dell。投资者开始相信每一项技术创新都会带来指数级回报。这导致对那些未经验证、盈利可疑的新公司进行疯狂的投机。关于新时代的讨论无处不在，投资者想出各种创造性方法来为这些公司估值。互联网时代正是如此，大量网络公司以极少的收入上市，估值却基于“眼球”。这种环境助长了激烈的投机和股价倍数的剧烈上涨，随后迎来戏剧性的崩盘。
积极的一面是，这一轮投机期也带来了大量基础设施投资。虽然崩盘给投资者带来惨重损失，但它留下了创业者可以利用的实体基础。在互联网泡沫期间，电信公司铺设了数百万英里的光纤电缆以从对互联网的突然热情中获利。崩溃之后，这些“暗光纤”成为廉价互联网接入的骨干，推动了后互联网时代互联网公司的成功。同样，1929 年的泡沫导致对道路铺设和无线电网络的大规模投资，为战后汽车和大众营销的繁荣创建了关键基础设施。这一模式也出现在 1840 年代，在 1847 年恐慌之前的铁路狂潮高峰期，曾铺设了 近 10,000 英里 的铁轨。
晚周期（成熟）泡沫
相比之下， 后周期（成熟）泡沫看起来截然不同。在这个阶段，技术已经胜出 ，当代的主导公司根深蒂固，被认为近乎不会出错。正是这种信念引发了新一轮的投机过热和过度投资。
任何新的技术突破都会以极快的速度被采用。现有巨头开始积极投资以利用其潜力并巩固自身地位。成熟公司的强劲现金状况导致大量金融工程。过度乐观也带来高风险的债务发行。这正是 AI 领域所发生的—— 快速采用 ，像 Google 这样的既得利益者进行激进投资，NVIDIA 通过投资购买其产品的公司参与金融工程，以及像 Oracle 和 Coreweave 这样的公司为建设数据中心承担前所未有的大量高风险债务 。拥有真实盈利的公司的存在使得此次泡沫在上升阶段不那么剧烈 ，但投机性并未减少。
关键是，成熟型泡沫不会为未来留下可用的基础设施。相反，它们会引发对最初制造繁荣的投入品的过度消耗——导致严重短缺、价格飞涨和地缘政治摩擦。这种供应冲击不可避免地会导致基础设施项目被弃置，进而引发一次（或一系列）崩溃。崩溃的根源在于推动技术繁荣的核心假设——廉价且无限的投入——出现了瓦解。
存储危机
这正是我们在当前存储危机中所见。随机存取存储器（RAM）是所有计算硬件的基础组件。在此危机之前，它通常占据 GPU 物料清单（BOM）的约 40–60%。数据中心建设的激进扩张引发了严重的供应冲击，价格在几个月内上涨了 3–4 倍 ，且短期内看不到尽头。这场危机由数据中心 GPU 所需的高带宽存储（HBM）造成，其消耗的晶圆数量比传统 DRAM 多 3 倍 。
最近的类比是 1973 年的石油危机 ——由 OPEC 禁运引发，该危机终结了“漂亮五十”泡沫，发生在以耗油肌肉车为主的时代。更早的例子包括 20 世纪初的铜短缺（由工业需求以及后来的第一次世界大战引起）和 1872 年的煤荒（由工业和铁路需求激增引起）。
让我们仔细看看当前内存危机与20世纪70年代石油危机之间的相似之处。不言而喻，价格上涨的走势惊人地相似。
是什么推动了这次供应冲击？三家公司——Micron、SK Hynix 和 Samsung——控制着全球 95%的 RAM 产能。扩大产能极其困难，新晶圆厂从规划到首次投产需要 3–5 年 ，成本为 100 亿至 200 亿美元。以此为例，Micron 刚刚在纽约动工 （2026 年 1 月），该项目最早在 2022 年 10 月宣布 ——也就是 ChatGPT 发布的前一个月！
以往的资本支出激增曾导致制造商多年亏损——在这轮长期资本支出周期中，需求转向的风险实在太大。因此，他们对迅速扩张产能的承诺自然谨慎。相反，他们的激励是逐步提高产能，同时保持对价格（和利润率）的完全控制——就像 20 世纪 70 年代的 OPEC 国家一样。即便他们（或更小的中国制造商）想大规模扩大资本支出，也最早要到 2028/2029 年才可能对供应和价格产生影响。
像 Deepseek 的 Engram 这样的新方法试图将部分内存检索从 HBM 转移到 NAND 闪存。这也无法解决危机。由于数据中心的需求，NAND 同样遭遇了供应冲击 ，且资本支出周期同样漫长。除非需求崩溃，否则对这场供应危机在近期内没有解决方案——这也意味着内存价格没有理论上的上限。
在之前的末周期泡沫中，不可持续的投入消耗和价格冲击最终导致了向效率的痛苦转变——正如 1970 年代石油冲击后节能的日本汽车所展示的。今天的等价物将是逐步且痛苦地转向设备端（或边缘）推理。设备端推理的边际成本为零，因为用户已经拥有硬件。当然，问题在于这不会为 AI 实验室和超大云厂商带来任何收入。设备端模型体积更小、能力也较弱，因此也更难以进行市场营销（或炒作）。
我们今天处于何处？
到现在，应该很明显我们正处于典型的末周期成熟度泡沫之中。内存价格的飙升将使本已充满挑战的 AI 经济学更加恶化。与此前的软件不同，AI 推理存在显著的边际成本。这也是为什么尽管有一系列投资者通过价值链提供补贴 ，AI 应用仍然呈现负毛利的原因。
这些高边际成本直接源于前所未有的数据中心开支水平。2025 年，各公司在数据中心上的支出接近 4500 亿美元+，却仅产生了 650 亿美元的人工智能软件/服务收入。正如 Harris Kupperman 所解释 ，行业仅需创造超过 4800 亿美元的收入，才能对 2025 年的基础设施支出实现回报。如果这看起来已经很高，接下来几年的计划支出会把门槛进一步抬高。未来几年计划投入超过 1 万亿美元的数据中心开支，行业需要数万亿美元的收入才能实现回报。更重要的是，这些计算是在内存价格飙升之前完成的——我们已经看到由于短缺，H100（上一代）GPU 租赁价格上涨。希望与现实之间的差距令人震惊，而且目前没有好的办法来弥合这一差距。
如果这还不够糟糕，现在连 AI 领域之外也开始出现连锁反应。存储芯片是任何带微处理器的终端产品的关键组件。这次供应冲击将直接影响智能手机、笔记本电脑、游戏主机、家电、电视甚至汽车的价格。制造商的利润本就微薄，他们别无选择，只能把成本转嫁给终端消费者。此外，新一代（非 GPU/AI）云服务器将更为昂贵，这也会影响订阅价格。至于消费者和监管机构是否会因此反弹，尤其当肇因如此容易识别时，我就让你自行判断。
接下来会发生什么？
这并不是说人工智能作为一项技术已经走入死胡同。其效用毋庸置疑，但要让经济学成立的唯一途径是将推理迁移到设备端。当然，对于那些拥有数万亿参数、能够自主运行数小时的模型来说，这会更难。相反，我们需要为特定用例采用更小、更高效、开源的模型。再想想从上世纪70年代美国那种耗油的肌肉车——当时是史上最畅销的汽车——向80年代节油的日本汽车的转变。
然而，这仍可能是对技术演进的局限性看法。晚周期的泡沫不会留下持久的基础设施，但它们可以为下一轮技术浪潮点燃火花。每一次新的技术浪潮都是由一种新的廉价投入与一种利用它的新发明相结合而产生的。蒸汽动力需要机车，电力需要电灯，石油需要内燃机和汽车，当然，微处理器需要个人电脑。
智能，或更确切地说是推理，有理由成为新的廉价投入。一旦推理迁移到边缘端，它实际上可以变得便宜——边际成本为零。因此，我们这个时代最重要的问题是： 真正能释放这一投入价值的发明是什么？ 到目前为止，业界试图推出 AI 笔记本 、“ 别针 ”、 吊坠 ，以及不久的将来会有耳塞 。这些都是试图把一种新投入塞进现有技术逻辑的尝试，比如 20 世纪 70 年代将微处理器用于计算器、洗衣机和汽车，或 1890 年代的“无马马车”。
如果推理转移到设备端——要实现 AI 的潜力就必须如此——它还需要一个全新的产品类别来释放潜力。幸运的是，我们已经拥有一个庞大的开源硬件生态系统，可以与开源模型结合使用。Raspberry Pi、日益增长的机器人套件和 AI HAT 生态系统，再加上 Hugging Face 上海量的开源模型库，构成了下一代“爱好者玩具”的一组早期构建模块。值得关注的一些信号是早期的试验和采用，以及当今行业领导者的轻视。主流的怀疑态度是一个关键指标，因为这一发明需要打破当前计算时代的许多假设。想象一下 1970 年代福特和埃克森美孚的高管会如何看待 Altair 8800 和 Homebrew Computer Club。
话虽如此，我们需要在资本市场和观念上同时重置才能达到那一步。设备端推理和开源模型与当今主要参与者——从 AI 实验室到 NVIDIA——的商业模式完全相悖。这一转变不会轻松或毫无痛苦，但它是不可避免的，因为支撑 AI 数据中心扩张的经济假设不可持续。在这种环境下，许多数据中心项目很可能最终变得搁置或弃置 ——相当于 21 世纪的生锈铁轨，像 1873 年恐慌后被抛弃的铁路一样。
从这个意义上说，AI 是“错误”类型的泡沫，但仍然是一个“必要”的泡沫，能解放那些追逐错误想法的资本。
注：以上观点均为我个人意见。
接下来你应该做什么…
1. 联系我 ：不需要暖场介绍
我作为 Speedinvest 的合伙人，投资于前种子/种子阶段的初创公司。如果您的初创公司基于网络效应并位于欧洲，您可以在这里或这里联系我 。
如果您还没准备好路演， 报名参加我的每周办公时间，讨论关于构建网络效应或消费类产品的任何问题。
2. 参加我的 Reforge 课程
想深入了解网络效应？参加我在 Reforge 开设的关于识别、启动、衡量和增强网络效应的课程。 通过此链接免费开始课程 ！
3. 参加网络效应评估
通过回答关于你所在创业公司或潜在创业投资的 1 分钟小测验来基准评估你的网络效应。 在这里试一试 。
