AI的四副面孔：困惑的心态与市场的起落（讲座片段）

本文来自微信公众号： 老孙荐读 ，作者：立平坐看云起，原文标题：《孙立平｜AI的四副面孔：困惑的心态与市场的起落（讲座片段）》第一副面孔：未来巨大的潜力与前景如果把人工智能仅仅理解为一项新技术，很容易低估它的意义。更准确地说，AI更像一种“通用目的技术”，其地位类似于电力、互联网和计算机。它不会只是停留在某个行业，而会逐步渗透到生产、服务、治理和日常生活的各个层面，成为新的基础能力。AI的核心潜力不在于让人们多了一个工具，而是在于它把知识、判断和创造转化为可以被规模化调用的能力。过去，专业知识和复杂判断往往依附于少数人和少数组织；未来，这些能力可能像水电一样被更广泛、更低成本地获取，从而改变经济运行的底层逻辑和社会协作的基本方式。在经济层面，AI首先带来的是生产力的跃升。原来那些重复性、流程性和部分知识性工作将大幅度自动化，许多服务的边际成本将明显下降，效率提升不再只是线性的叠加，而可能呈现指数级变化。更重要的是产业会发生根本性的重构：制造、医疗、金融、教育、交通和农业等行业会被重新分层，出现一批在这当中起重要作用的AI原生企业和新型平台。创新范式也会改变，研发、设计、实验和决策将会加速，从想法到产品的周期将大大缩短，试错成本降低，小型团队将会借助AI获得过去只有大组织才能具备的能力。企业将因此更加扁平、更加灵活。在社会生活层面，AI的潜力同样深远。知识获取将更加平民化，教育、咨询和法律服务等可以更低成本地触达普通人，并根据个体需求提供个性化支持。公共服务会变得更精准高效，医疗诊断、城市治理、交通调度和应急响应等，都将会在智能系统辅助下提升质量。普通人可以低成本创作内容、软件、设计和服务，表达和创业的空间会被拓宽。工作方式也会改变，人从单纯的执行者转向提问者、判断者、整合者和责任者。面对气候、能源、健康、科研等复杂问题，AI提供了新的求解工具，使人类能够处理过去难以驾驭的系统性挑战。概括地说，AI将使稀缺的专业能力变得普惠，让复杂系统的运行变得智能，让创新和服务的边际成本大幅下降。如若治理得当，它将推动经济从数字化走向智能化，推动社会从信息连接走向智能协同。所以，AI的意义不亚于一次新的工业革命。这第一副面孔所展示的，正是这种面向未来的巨大可能性。这第一副面孔所展示的潜力，在未来能否变成现实，将取决于社会是否同时保有分配上的公平、认知上的多样性和制度上的可信性。第二副面孔：巨大的投入如果说第一副面孔展示的是我们可能会得到什么，那么AI的第二副面孔展示的就是我们必须先付出什么，而这是一张不断膨胀的账单。到目前为止，这种付出已经远远超出了常规研发投入的范畴，更像是一场以千亿美元为单位、以不投入就被淘汰为逻辑的资本竞赛。理解这场竞赛，需要先看清楚AI产业的一个特征：AI的产出是一种通用能力，而通用能力的生产和交付在物理上高度集中，需要超大规模的数据中心、先进制程的芯片，还要配以电力与电网节点。这与互联网时代应用层可以轻资产、分布式扩张的逻辑不同。AI的能力越通用，其供给侧越具有重资产和自然垄断的特征，投入的集中度和不可逆性也就越高。第二副面孔所表明的，正是这种经济特征在账面上的展开。首先从规模上说。2025年，美国五大科技公司的资本支出总额超过3700亿美元，增速约64%。亚马逊一家预计总投入1250亿美元，谷歌将资本支出上调至910亿至930亿美元，Meta的支出几乎翻倍，达到700亿至720亿美元，微软单季度的资本支出就创下349亿美元的纪录。这还只是已经发生的开支。OpenAI签署的基础设施协议总额高达约1.4万亿美元，Anthropic一家公司就计划在数据中心和算力上投入超过5400亿美元。摩根大通估计，全球AI和数据中心基础设施的投资规模最终可能达到5万亿美元。那么，钱具体烧在了哪里？最直观的答案是算力基础设施。AI模型的能力提升遵循一条近乎残酷的规律：投入的计算资源越多，模型表现越好。研究显示，最前沿模型训练成本自2016年以来以每年约2.4倍的速度增长，而模型所需的计算资源量大约每5个月翻一倍。2025年前沿模型的单次预训练预算已经跨过5亿美元门槛，预计到2027年将进入10亿至30亿美元区间。这意味着一轮训练失败，烧掉的钱就相当于一家中型企业的全部估值。而且，训练只是开始。模型部署之后，每一次用户调用都在持续消耗算力。推理成本更是另一条几乎看不到尽头的支出线。烧钱的第二个结构性原因，是AI的基础设施属性决定了它无法轻资产运营。互联网公司可以在需求出现之后逐步扩容服务器，但AI数据中心、专用芯片、电力协议、冷却系统，每一项都需要数年的提前采购和建设周期。等到收入端清晰可见时再开始建设，就已经出局了。这就迫使所有主要玩家在回报尚不明确的情况下，必须先把基础设施摆到位。变压器这样的关键设备已经出现全球性短缺，产能已经预订到…