AI 经济泡沫：分析关于增长与可持续性的辩论

核心冲突：效用 vs. 盈利能力

当前 AI 领域的中心张力在于个人生产力提升与行业宏观经济可行性之间的差距。虽然开发者和重度用户报告了巨大的效率提升，但批评者认为，这些收益不足以弥补 AI 基础设施所需的巨额资本支出。

一些分析师认为，AI 行业面临着迫在眉睫的财务危机，因为 AI 服务产生的收入无法与运行它们所需的硬件和能源成本成比例地扩展。

收入需求： 有说法称，该行业到 2030 年需要超过 3 万亿美元的收入才能维持其生存。
“支出上限”信号： 像 Uber、T-Mobile 和 Brex 这样的公司实施支出上限（例如 Uber 每位工程师每月 1,500 美元的限制）的证据，被一些人解读为需求放缓或成本不可持续的迹象。
基础设施过度扩张： 数据中心的快速建设可能超过了对高成本 AI tokens 的实际市场需求，导致在更高效的硬件范式出现之前，投资无法回收。

相反，许多从业者认为，“放缓”的说法忽略了 LLMs 在基层层面的变革性效用，特别是在软件工程领域。

智能体编码 (Agentic Coding)： 编码智能体的兴起改变了价值主张。正如 Simon Willison 所指出的，公司现在设置支出上限这一事实表明，对 AI 工具的需求实际上比之前想象的要更高，将潜在市场总量 (TAM) 扩展到了每位知识工作者每月可能达 1,500 美元的水平。
微效用 (Micro-Utility)： 除了企业规模之外，LLMs 正在实现高度特定、定制化的中间件和小型应用程序的创建，而这些在以前开发成本太高。这种效用的“长尾”即使不创造下一个 Salesforce，也能提供价值。
开发效率： 一些开发者报告，他们现在可以用比以前小得多的团队管理大型生产环境代码库，这表明了劳动生产力的根本转变。

人们越来越担心消费者 AI 将成为集成到操作系统中的商品，从而剥夺独立 AI 公司收取溢价的能力。

"如果作为消费者，你拥有 Mac 或 iPhone，那么你需要 AI 提供什么，是 Apple 的新产品无法提供的？为什么你会为 ChatGPT 付费……一旦 Apple 的技术存在，消费者 AI 还有什么价值……比每年 10 亿美元的规模高出多少呢？"

这表明未来 AI 能力可能会“内置”于硬件中，从而可能限制 OpenAI 和 Anthropic 等公司在消费者领域的收入增长。

为了在当前的成本结构下生存，行业正推动向更高效的推理和端侧 AI (on-device AI) 转型。

端侧 AI (On-Device AI)： 将模型迁移到手机和 PC（例如 Nvidia RTX Spark 系列 PC）的努力正在减少对昂贵云端数据中心的依赖。
硬件演进： 预计将向存算一体 (Compute-in-Memory, CIM) 和新的设备架构（如 FeFET）转型，以在不产生过度电力需求的情况下，大规模实现人类水平的 AI。