Ed Zitron 的 AI 泡沫论遇上 Big Tech 的支出狂潮

在基础设施支出创下新高、市场对需求能否支撑巨额账单的分歧不断扩大的背景下，Ed Zitron 最新的 AI 泡沫论登上了 Google News。

Blood in the Machine 的这场对话并未发布新模型或新一轮融资。它捕捉到了一件更具影响力的事：质疑声音已从行业边缘进入日常新闻周期。

Zitron 认为，生成式 AI 仍是一种缺乏经济效益的产品，由超大规模云服务商的支出、不透明的私营公司财务状况，以及对未来需求的承诺共同支撑。Big Tech 则将同一轮建设描述为云客户、消费级产品和能力不断提升的模型所必需的产能。

如今，这场冲突比又一次基准测试胜利更重要。Microsoft、Alphabet、Amazon、Meta 及其供应商正在投入资本，而基础设施在其整个生命周期内的回报尚无人能够确定。

核心问题并不是 AI 是否有用。许多系统已经能够产出实用的代码、摘要、图像、搜索结果和科学分析。问题在于，这些应用是否足以支撑背后的投资、能源消耗和持续运营成本。

当企业掩盖单位经济模型，或用采用率统计替代可持续收入时，泡沫论便最有说服力。当成本下降释放需求、现有业务又成功消化 AI 投资时，这一论点便会减弱。

这两种情况正在同时发生。因此，当前 AI 泡沫的状态需要更细致的核算，而不是一个简单的繁荣或崩盘标签。

Ed Zitron 的这场对话究竟改变了什么

重要变化在于，AI 的财务结构已成为新闻本身，而不再只是又一次产品发布的背景。

Zitron 多年来一直认为，行业将技术能力与可持续业务混为一谈。他的论点聚焦于持续的算力成本、巨大的资本需求，以及私营模型开发商有限的信息披露。

Blood in the Machine 从劳动力、企业权力与自动化的角度审视 AI。因此，该刊物与 Zitron 的对话天然带有怀疑立场，并非一场中立的投资者简报。

这一背景很重要，因为出现在 Google News 上会让一场采访看起来像是独立的企业事件。其真正的事件属于编辑层面：一位知名批评者正在评估，这轮繁荣的财务承诺是否与其运营结果相符。

Zitron 最有力的主张涉及行业支出与已披露回报之间的距离。企业经常报告云业务增长、订阅量、使用量或需求，却不会单独披露生成式 AI 的利润。

这并不能证明这些产品在亏损。它表明，外部人士往往缺乏独立评估它们所需的数据。

一个云业务部门可以增长，而其最新的 AI 工作负载仍然成本高昂。一个面向消费者的助手可以吸引数百万用户，却无法覆盖推理与开发费用。一个编程工具可以带来真实生产力提升，同时仍处于更大战略补贴之中。

推理是指用户提交请求时运行已训练模型的成本。训练用于创建模型，而随着使用量扩大，推理会成为持续性支出。

传统软件在开发完成后通常享有较高的增量利润率。生成式 AI 的成本曲线则更复杂，因为每一次回复都会消耗计算、内存、网络和电力。

不过，这种比较也可能过于简单。模型提供商正通过更好的芯片、更小的模型、软件优化、缓存和专用基础设施降低推理成本。

因此，行业今天可能在某项工作负载上亏损，并在之后改善其经济性。它也可能在成本下降速度更快的情况下进一步降价，从而维持同样的利润率问题。

这场采访真正的贡献并非给出明确的泡沫诊断。它提出了一个可检验的挑战：展示 AI 收入来自何处、提供服务的成本是多少，以及这些经济性如何随规模改善。

读者应对每家公司分别应用这一检验。Nvidia 销售稀缺的计算设备。Microsoft 和 Google 销售云容量。OpenAI 和 Anthropic 销售模型访问权限与应用。它们的风险彼此相关，但并不相同。

某一层发生崩塌，并不会抹去所有有用的应用。它会改变价格、融资条款、合同，以及哪些公司掌控存续的基础设施。

这种区分，将严肃的泡沫分析与“所有 AI 技术都会消失”的预测区别开来。

为什么 Google News 正充斥着 AI 泡沫论

泡沫争论正在升温，因为基础设施承诺越来越难以与企业业绩分开看待。

多年来，投资者一直奖励那些展示出获取模型、芯片和数据中心产能能力的企业。如今，市场期待看到证据，证明这些资源能够创造持续收入，或保护现有业务。

Microsoft 体现了这种张力。其 2025 annual report 记录的物业及设备新增投入为 646 亿美元，高于前一年的 445 亿美元。

该公司表示，云和 AI 基础设施投资将继续推高运营成本，并警告这些投资可能压低营业利润率。

这些披露并不支持立即崩盘的叙事。Microsoft 在同一财年创造了 1,362 亿美元的经营现金流，因此具备相当可观的投资能力。

但它们确实表明，举证责任正在提高。一家盈利的既有企业可以比初创公司更长时间地为昂贵实验提供资金，但耐心资本并不保证回报具有吸引力。

Alphabet 面临类似冲突，只是计划规模更大。该公司报告称，2025 年资本支出为 914 亿美元，主要用于技术基础设施。

在其 2025 earnings call 上，Alphabet 预计 2026 年资本支出将在 1,750 亿至 1,850 亿美元之间。

该公司表示，其 2025 年投资中约 60% 用于服务器，其余 40% 则用于数据中心和网络设备。

Alphabet 还表示，更高的折旧和运营成本将给利润表带来压力。折旧额从 2024 年的 153 亿美元升至 2025 年的 211 亿美元。

这些数字强化了 Zitron 的论点，因为基础设施不会在公司发布新闻稿后消失。服务器会老化，建筑需要电力，折旧也会随着时间进入财务报表。

不过，Alphabet 也报告了来自云客户的显著需求。该公司称，其 2026 年超过一半的机器学习算力将服务于云业务。

这一说法为乐观论点提供了可衡量的基础。如果客户持续购买容量，这些基础设施支撑的便是成熟的收入引擎，而非单一的投机性应用。

问题在于归因。Google Cloud 的收入包含数据库、存储、网络、安全、生产力软件和传统计算，以及 AI。

投资者仍无法将每一笔数据中心投入都归因于生成式 AI。他们也无法假设，若没有新模型，每一笔云销售都不会发生。

Google News 的报道往往会将这种不确定性压缩成对立标题。一篇报道将创纪录支出视为需求证据，另一篇则将同样的支出视为泡沫证据。

两种推断都不足够。资本支出揭示的是信心与风险敞口，而非最终回报。

这场争论将持续受到关注，因为支出决策先发生，而关于利用率、定价、折旧和客户留存的最明确证据会在之后才出现。

这种时间差正是泡沫滋长的地方，也同样是成功基础设施周期的起点。

真正的对手是 AI 的承诺与其经济性

主要冲突并非 Ed Zitron 对阵 Silicon Valley；而是行业的规模化承诺与维持这一承诺所需经济性之间的冲突。

AI 公司承诺，更广泛的采用将把固定开发成本分摊给更多客户。它们也期待更好的硬件与软件降低每次回复的成本。

第一部分类似于传统软件经济学。第二部分则承认，生成式 AI 在使用过程中仍与物理资源紧密相连。

规模化可以通过更大的采购协议、更高的芯片利用率和更高效的数据中心带来帮助。当受欢迎的推理系统每个答案消耗更多计算资源时，规模化也可能造成损害。

推理模型会在返回结果前生成并评估中间步骤。这个过程可以提升性能，但通常需要更多 token 和处理时间。

由此产生的经济性取决于工作负载设计。短分类请求不同于长篇研究任务。代码生成不同于图像创建。消费者聊天不同于连接内部系统的企业智能体。

一个平均成本无法描述所有这些场景。这种复杂性使得关于普遍盈利或普遍亏损的宏观论断同样不可靠。

行业最强有力的反驳来自推理价格下降。Stanford 的 AI Index 发现，GPT-3.5 级别的推理成本在 2022 年 11 月至 2024 年 10 月间下降了超过 280 倍。

这一改善幅度很大。它意味着，一个曾经看似不可行的应用，可以在不改变基本用户体验的情况下变得负担得起。

更低成本也可能提高消费量。开发者可能发送更多请求、使用更长的上下文，或让模型承担此前需要人工审核的任务。

这种反弹效应令乐观叙事变得更复杂。当使用量增长快于单位成本下降时，更高的效率并不会自动降低总体基础设施需求。

它同样令泡沫论变得更复杂。一个经济性快速改善的产品类别，不能仅凭其最早期的成本结构来判断。

更有用的区分，是技术效率与商业效率之间的差异。技术效率衡量每单位算力的产出。商业效率衡量每花费一美元所获得的毛利润和客户价值。

一家提供商可以提升前者，却通过激进折扣损害后者。它也可以通过将模型用于高价值任务来提升商业效率。

软件开发提供了一个具体例子。一个能在复杂迁移中节省数小时的编程助手，足以证明相当可观的算力支出是合理的。

一个生成不可靠样板代码的助手，可能会将工作转移到审查与调试环节。高使用量届时会夸大采用程度，却无法确认经济价值。

同样的检验也适用于企业搜索。一个能够找到被埋没的政策或合同条款的模型，可以减少研究时间。一项不准确的回答则可能带来法律或运营风险。

团队需要可追溯的源材料、评估流程和人工审核。一个可搜索的 AI knowledge base 可以支持这一流程，但无法取代判断。

这正是 AI 泡沫争论对买家变得务实的地方。企业不应询问 AI 是否总体上具有变革性，而应衡量在计入错误与监督成本后，一个明确定义的工作流程是否确实得到改善。

行业希望客户相信，规模会解决盈利难题。Zitron 的批评则追问：规模是否只是在放大企业尚未清晰披露的成本。

双方如今都有证据，但都还没有足够证据来断言最终结果。

AI 泡沫数据仍未证明什么

巨额支出揭示了风险敞口，但并不能证明崩盘迫在眉睫，也不能证明这些投资具备合理性。

判断泡沫，不能只看昂贵资产和宣传式表述。通常还需要看到，价格或融资承诺无法由可信的未来现金流支撑。

上市的超大规模云服务商仍依靠成熟业务保持盈利。广告、云软件、电商和操作系统业务能够在多年内承担 AI 投资。

这使当前周期不同于一批仅依赖外部融资的初创企业，也让真实的经济效益更难观察。

既有收入可以补贴试验性投入。AI 也可以强化这些现有产品，却不一定会以独立项目的形式出现。

Google 可以利用机器学习改进广告系统，同时单独提供 Gemini。Microsoft 可以通过提供模型访问来维护 Azure 客户关系，即使某个助手的利润率较低。

Meta 可以将 AI 基础设施用于推荐和广告，同时推进生成式产品。Amazon 既能出售计算能力，也能试验自有模型和应用。

批评者可以合理地认为，企业利用盈利的传统业务掩盖投机性投资。乐观者也可以合理地认为，整合后的回报本就是整体战略的一部分。

仅靠统计聊天机器人订阅量，无法判定哪一方正确。

私营模型开发商带来了另一层验证难题。他们会披露部分收入、估值、使用量和合作伙伴数据，但不会发布完整的经审计财务报表。

报告收入可以快速增长，亏损也可能同步扩大。签约收入可能不同于已确认收入。算力承诺可能延续多年，并包含可重新谈判的条款。

因此，读者应将泄露的预测视为主张，而非已完成的结果。对于“必然破产”的预测，也应保持同样谨慎。

当 Zitron 指出现金流不匹配、循环融资或未披露的依赖关系时，他的批评最具说服力。若将每一种有用的应用都视为浪费的证据，则说服力较弱。

AI 系统显然能在某些场景中创造价值。真正困难的问题在于，这种价值的规模、持续性及其分配方式。

这项技术还具有战略价值，而财务报告可能只能间接反映这一点。企业可能出于防御目的支出，以防止客户转向竞争平台。

即使独立产品的利润有限，防御性支出也可能是理性的。但它同样可能引发军备竞赛，让每位参与者都获得较差回报。

历史上两种情况都有先例。互联网泡沫时期，电信公司过度铺设光纤，造成重大亏损，却也留下了有用的基础设施。

云计算在成为主要利润中心前，也经历了多年的投资。过去曾出现过度投资，并不能决定哪种类比更适合 AI。

怀疑论观点还需要明确的失败机制。仅仅资本支出高企，并不会迫使盈利企业停止投入。

压力可能通过云需求下降、利用率疲软、价格下滑、折旧增加、融资承压或客户抵触而累积。多个信号很可能需要同时出现。

单个模型令人失望还不够。一家私营初创企业的失败，也未必会终结超大规模云服务商的投资。

反过来，一个强劲的云业务季度也不能证明每一个数据中心都合理。一项高效应用也不足以支撑每一家模型公司的估值。

当前证据支持一个更谨慎的结论：行业在透明回报出现之前，已经作出了巨额承诺。

这是真实存在的风险。称其必然崩盘，则超出了证据所能支持的范围。

如果支出放缓，谁将面临最大压力

AI 支出重置最先波及的，将是风险敞口较高的供应商和依靠融资建设的基础设施项目，而不是每一位 AI 用户。

AI 供应链中的企业拥有截然不同的缓冲空间。超大规模云服务商从多元化业务中产生现金。模型初创企业则更直接依赖投资者支持和算力合作关系。

数据中心开发商可能依赖少数几家客户。芯片供应商则会在这些客户争夺稀缺加速器时受益。

电力供应商、网络设备厂商、内存生产商、散热专业企业和建筑公司，均处于同一投资链条的更下游位置。

因此，放缓的影响将并不均衡。买方可以推迟新园区建设，同时继续运行已部署的系统。他们也可以将工作负载转向更小的模型，而非放弃 AI。

他们还可以要求模型提供商降价。这种反应会帮助企业客户，但会压缩提供商的利润率。

Nvidia 是这轮繁荣最鲜明的象征，因为其加速器支撑了当前大量训练和推理能力。但它的经济模式与模型实验室不同。

芯片销售会为供应商带来已确认收入。随后，买方承担利用率和折旧风险。

这一差异对于评估 AI 泡沫至关重要。在建设扩张阶段，即使某项应用不盈利，也仍能带来盈利的硬件销售。

风险会在客户认定新增产能无法带来足够收益时出现。订单可能在现有应用消失之前就放缓。

公有云服务商面临不同的计算方式。他们可以将基础设施出租给外部客户、内部自用，或在不同工作负载之间重新调配。

这种灵活性降低了单一产品风险，但并不能消除产能过剩或回报疲弱的可能性。

私营 AI 实验室面临的压力更为直接，因为算力既是产品交付的核心，也是研究的核心。使用量增加可能同时推高收入和运营支出。

它们的议价能力取决于模型质量、客户忠诚度，以及能否获得相互竞争的基础设施供应商。合作伙伴关系可以降低眼前的现金需求，却可能带来长期义务。

企业买方面临一种更隐蔽的风险：随着提供商寻求可持续利润率，他们可能会依赖于价格、模型或条款不断变化的工具。

试点项目在促销定价下或许颇具吸引力。生产环境部署则必须承受更高使用量、合规要求、评估成本和供应商变动。

当 AI 深度嵌入日常工作流程时，知识工作者也会承担转换成本。更换模型可能改变输出质量、行为模式，或与既有提示词的兼容性。

团队应保留源文件、可导出的笔记和不依赖单一供应商的工作流程。一套个人知识系统可以降低对单一模型界面的依赖。

这并不要求拒绝 AI 工具，而是意味着应将模型视为可替换组件，而不是组织记忆的永久存储库。

如果支出放缓，有用的应用应能借助更低成本的模型、更聚焦的系统和更严格的采购流程存续。主要依靠投资者补贴支撑的弱势产品，将面临更大压力。

这种结果更像市场调整，而非人工智能的消失。

最严峻的调整将波及那些估值依赖持续增长的企业，也会影响围绕乐观产能假设融资的项目。

因此，Zitron 的警告不只与股东有关。过度建设可能影响能源规划、地方基础设施、就业和客户合同。

不过，风险如何分布仍比头条数字的大小更重要。超大规模云服务商、模型初创企业和软件买方，押注的并不是同一件事。

Google News 读者接下来应关注什么

三个信号将显示泡沫论是否正在增强：利用率、与 AI 相关的利润率，以及资本支出的持续变化。

第一个信号是数据中心利用率。企业目前强调供应受限和客户需求。

应关注这种表述是否变化。项目延期、租约缩短、可用加速器产能增加或云业务积压订单走弱，都可能表明预期需求没有到来。

高利用率则会支持相反观点。它将表明，即使并非每种工作负载都达到成熟利润率，客户仍在吸收产能。

仅凭利用率无法证明盈利能力，但它能揭示过度建设是否开始在实体基础设施中显现。

第二个信号是与 AI 服务相关的利润率披露。投资者需要的不只是用户数量、token 数量或笼统的云业务增长。

他们需要看到服务成本、折扣、客户留存，以及收入增长与计算支出之间关系的证据。

毛利率衡量的是扣除直接交付成本后剩余的收入。相比估值或年化收入，它能更清楚地呈现模型业务的经济效益。

上市公司可能不会单独披露这些数据。私营开发商的披露要求则更少。

这种缺失会让 Zitron 的批评持续存在。透明且改善的利润率，则会削弱其最强版本的泡沫论点。

第三个信号是多家超大规模云服务商计划资本支出的持续下调。单个园区延期意义有限，因为审批、电力和设备都可能改变项目时间安排。

协调一致的下调将意味着管理团队看到了较弱回报，或认为产能已足够。持续增加则表明信心，但不必然意味着泡沫论被推翻。

支出的质量同样重要。企业可能将资本重新投向推理、自研芯片、网络设备或长期使用的建筑设施。

转向更便宜的专用硬件，可能在不减少总支出的情况下改善经济效益。转向投机性园区，则可能增加长期风险敞口。

读者还应区分报道与聚合。Google News 可以显示 AI 泡沫争论正在扩散，但其标题并不能验证任何一方。

底层来源、监管文件和财务定义，比信息流中相似报道的数量更重要。

Zitron 的批评值得关注，因为它要求行业提供会计依据，而行业往往只给出愿景。他的结论也应接受与他审视企业主张时同等严格的检验。

乐观观点同样需要纪律。推理成本下降、云需求增长和有用应用的出现，并不能保证今天的估值能够存续。

最可能的结果并非一个明确的最终结论。部分基础设施将带来强劲回报，部分将被减记，部分受补贴支持的产品将变得更昂贵。

开发者应关注模型价格和产能可用性。企业买方应衡量工作流程成果和转换成本。知识工作者应保留对底层信息的访问权。

当读者不再问 AI 是否真实存在时，AI 泡沫问题才会变得可操作。更好的问题是：当补贴、折扣和基础设施成本变得可见后，哪些收入仍能留存。

在下一个财报周期中，用这一标准进行观察。应将资本支出与利用率、折旧和已披露的 AI 利润率进行比较，而非只看表面上的采用情况。

如果这些指标同步改善，最强版本的崩盘论将被削弱。如果支出增加而回报仍不透明，Ed Zitron 的警告就会更具分量。

这才是比下一条 Google News 头条更值得关注的信号。