这两年“AI泡沫”从投资圈的饭桌话题变成了很多程序员也在认真思考的问题。原因很简单一边是GPT类模型的能力还在迭代另一边是各种“AI概念”在资本市场的价格波动大得惊人。你可能会纳闷技术明明在进步为什么总有人说这是泡沫付鹏这类宏观研究者的观点之所以被反复讨论是因为他提出的不是“AI好不好”的问题而是“AI的定价是否已经跑在了真实利润前面”。作为技术人我们天然关注代码、模型、推理速度和工程架构但如果你同时也在关注行业趋势、职业选择甚至资产配置就需要把技术视角和商业视角结合起来看。这篇文章不是荐股文章也不是“AI信仰”宣导文而是想从技术从业者的角度拆解几个问题AI泡沫到底在讨论什么技术信号和资本信号如何互相印证普通人面对这个周期哪些坑可以避开哪些基本功值得持续投入文中会用大量行业已知事实和工程经验做分析尽量做到既有判断也有可操作的观察清单。1. 为什么“AI泡沫”这个词在2025年依然被频繁提起先给一个明确判断**大家讨论的AI泡沫并不是说“AI技术没有用”而是说“AI资产的定价可能已经超过了当前技术能产生的真实现金流”。**这是两个完全不同的问题。从行业基本面看大模型确实在改变软件开发方式。Cursor、Copilot这类AI编程工具已经进入很多团队的日常开发流程企业内部知识库RAG应用、客服机器人、内容生成工具也在落地。但问题是这些应用的商业回报能否支撑当前算力基础设施的天量投入付鹏等宏观分析者更关注的是资金流向和产业周期的错配。ChatGPT刚出世时市场情绪极度乐观觉得通用人工智能很快就能重塑所有行业。但当热潮进入第二阶段资本市场开始问更朴素的问题你烧了这么多钱买GPU训练了这么大的模型最终能从客户手里收回来多少钱这里有一个技术人容易忽略的事实**AI技术的进步曲线和AI公司的利润曲线从来不是同一条线。**技术进步可以是指数级或阶梯式的但商业变现往往是滞后的、线性的中间隔着产品化、销售渠道、客户信任和组织变革。当这两条线的距离被拉得过大市场就会用“泡沫”这个词来表达焦虑。所以当你看到“AI泡沫”的讨论时先不要急着站队。你要做的是分辨对方讨论的是技术能力、商业模式、资产价格还是宏观流动性。这四种语境下的结论完全不同混在一起讨论永远是鸡同鸭讲。2. 技术从业者观察AI行业泡沫的几个真实信号与其听概念不如看信号。过去一年多我持续关注AI行业的技术动态和商业动态有几个比较可靠的观察维度供大家参考。2.1 Token价格和推理成本的快速下降2023年到2024年主流大模型的API调用价格经历了多次大幅下调。对开发者和企业用户来说这是好事因为AI应用的成本门槛在降低。但对AI公司来说这意味着单次推理的商业价值在贬值如果不能通过规模效应摊薄成本利润空间会被持续压缩。观察方法定期看主流模型提供商的定价页面对比每次降价的幅度和时间点。如果降价速度持续快于成本下降速度说明市场竞争极其激烈各家都在用价格换份额。2.2 模型能力提升速度是否进入平台期在ChatGPT刚出的那一年每次新版本发布都有一种“代际跨越”的感觉。但近一年来很多评测基准开始出现“指数饱和”现象模型在常见测试集上的得分越来越高突破99%之后再往上提的边际收益变得很小而新的评测集又需要时间沉淀。不是说模型进化停止了而是说从“震撼人心的演示”进入“无聊但有用的工程优化”阶段。当行业从拼模型效果转向拼成本、拼延迟、拼易用性时资本市场的兴奋度自然会下降因为“工程优化”听起来远不如“AGI降临”性感。2.3 Agent实际落地率与预期之间的落差Agent被很多人视为大模型真正的杀手级应用。理想状态下你告诉AI一个目标它能自己规划、调用工具、完成任务。但在真实企业环境里Agent面临的稳定性、权限隔离、可观测性问题比单轮对话复杂得多。很多团队尝试用Agent替代一部分业务流程后会发现简单任务是可行的但一旦涉及跨系统操作、长链路任务、异常恢复效果就会断崖式下跌。这种情况下资本市场对“AI Agent”概念的高估值就和技术团队在实际接入中感受到的工程复杂度形成明显落差。当市场预期远超工程现实时泡沫的讨论就有了理由。2.4 开源模型与闭源模型的差距缩小在上一轮AI热潮中闭源模型的能力明显领先开源模型所以资本愿意为“头部模型公司”支付高溢价。但现在开源社区和中小团队的模型能力正在快速追赶很多场景下用开源模型微调后的效果已经够用而且数据可控、成本更低。这带来的结果是大模型本身正在从“稀缺能力”变成“基础商品”。如果模型能力无法形成长期壁垒公司的估值就必须靠应用层、数据层或生态层来支撑。一旦市场看清这一点泡沫的挤压就会集中在那些“只有模型、没有场景”的公司身上。信号表观察维度泡沫期特征健康期特征Token价格持续非理性降价价格稳定价值与成本匹配模型能力评测分数畸高但落地困难场景指标扎实用户可感知Agent应用概念演示多生产环境少流程规范安全可控可观测开源与闭源闭源垄断式领先形成差异化竞争3. 付鹏观点背后的宏观逻辑基础设施投资周期的历史回声付鹏在讨论AI时经常会引入一个宏观框架每一轮技术革命的前期基础设施投资的规模都远超实际需求的增长速度这种错配会产生泡沫而泡沫的破裂过程往往也是技术普及的真正开始。这不是他一个人的发明。回顾历史铁路泡沫、电信泡沫、互联网泡沫几乎遵循着同样的剧本。投资者看到一项革命性技术开始疯狂建设基础设施但基础设施的建设和折旧周期远长于应用场景的孵化周期。等到应用跟不上资金链断裂泡沫破裂。泡沫破裂之后那些价格极低的基础设施被幸存的企业捡起来催生了下一轮真正的应用繁荣。把这个逻辑映射到AI时代可以看到惊人的相似性基础设施是GPU算力中心 AI泡沫的技术真相：从信号拆解到周期观察
这两年“AI泡沫”从投资圈的饭桌话题变成了很多程序员也在认真思考的问题。原因很简单一边是GPT类模型的能力还在迭代另一边是各种“AI概念”在资本市场的价格波动大得惊人。你可能会纳闷技术明明在进步为什么总有人说这是泡沫付鹏这类宏观研究者的观点之所以被反复讨论是因为他提出的不是“AI好不好”的问题而是“AI的定价是否已经跑在了真实利润前面”。作为技术人我们天然关注代码、模型、推理速度和工程架构但如果你同时也在关注行业趋势、职业选择甚至资产配置就需要把技术视角和商业视角结合起来看。这篇文章不是荐股文章也不是“AI信仰”宣导文而是想从技术从业者的角度拆解几个问题AI泡沫到底在讨论什么技术信号和资本信号如何互相印证普通人面对这个周期哪些坑可以避开哪些基本功值得持续投入文中会用大量行业已知事实和工程经验做分析尽量做到既有判断也有可操作的观察清单。1. 为什么“AI泡沫”这个词在2025年依然被频繁提起先给一个明确判断**大家讨论的AI泡沫并不是说“AI技术没有用”而是说“AI资产的定价可能已经超过了当前技术能产生的真实现金流”。**这是两个完全不同的问题。从行业基本面看大模型确实在改变软件开发方式。Cursor、Copilot这类AI编程工具已经进入很多团队的日常开发流程企业内部知识库RAG应用、客服机器人、内容生成工具也在落地。但问题是这些应用的商业回报能否支撑当前算力基础设施的天量投入付鹏等宏观分析者更关注的是资金流向和产业周期的错配。ChatGPT刚出世时市场情绪极度乐观觉得通用人工智能很快就能重塑所有行业。但当热潮进入第二阶段资本市场开始问更朴素的问题你烧了这么多钱买GPU训练了这么大的模型最终能从客户手里收回来多少钱这里有一个技术人容易忽略的事实**AI技术的进步曲线和AI公司的利润曲线从来不是同一条线。**技术进步可以是指数级或阶梯式的但商业变现往往是滞后的、线性的中间隔着产品化、销售渠道、客户信任和组织变革。当这两条线的距离被拉得过大市场就会用“泡沫”这个词来表达焦虑。所以当你看到“AI泡沫”的讨论时先不要急着站队。你要做的是分辨对方讨论的是技术能力、商业模式、资产价格还是宏观流动性。这四种语境下的结论完全不同混在一起讨论永远是鸡同鸭讲。2. 技术从业者观察AI行业泡沫的几个真实信号与其听概念不如看信号。过去一年多我持续关注AI行业的技术动态和商业动态有几个比较可靠的观察维度供大家参考。2.1 Token价格和推理成本的快速下降2023年到2024年主流大模型的API调用价格经历了多次大幅下调。对开发者和企业用户来说这是好事因为AI应用的成本门槛在降低。但对AI公司来说这意味着单次推理的商业价值在贬值如果不能通过规模效应摊薄成本利润空间会被持续压缩。观察方法定期看主流模型提供商的定价页面对比每次降价的幅度和时间点。如果降价速度持续快于成本下降速度说明市场竞争极其激烈各家都在用价格换份额。2.2 模型能力提升速度是否进入平台期在ChatGPT刚出的那一年每次新版本发布都有一种“代际跨越”的感觉。但近一年来很多评测基准开始出现“指数饱和”现象模型在常见测试集上的得分越来越高突破99%之后再往上提的边际收益变得很小而新的评测集又需要时间沉淀。不是说模型进化停止了而是说从“震撼人心的演示”进入“无聊但有用的工程优化”阶段。当行业从拼模型效果转向拼成本、拼延迟、拼易用性时资本市场的兴奋度自然会下降因为“工程优化”听起来远不如“AGI降临”性感。2.3 Agent实际落地率与预期之间的落差Agent被很多人视为大模型真正的杀手级应用。理想状态下你告诉AI一个目标它能自己规划、调用工具、完成任务。但在真实企业环境里Agent面临的稳定性、权限隔离、可观测性问题比单轮对话复杂得多。很多团队尝试用Agent替代一部分业务流程后会发现简单任务是可行的但一旦涉及跨系统操作、长链路任务、异常恢复效果就会断崖式下跌。这种情况下资本市场对“AI Agent”概念的高估值就和技术团队在实际接入中感受到的工程复杂度形成明显落差。当市场预期远超工程现实时泡沫的讨论就有了理由。2.4 开源模型与闭源模型的差距缩小在上一轮AI热潮中闭源模型的能力明显领先开源模型所以资本愿意为“头部模型公司”支付高溢价。但现在开源社区和中小团队的模型能力正在快速追赶很多场景下用开源模型微调后的效果已经够用而且数据可控、成本更低。这带来的结果是大模型本身正在从“稀缺能力”变成“基础商品”。如果模型能力无法形成长期壁垒公司的估值就必须靠应用层、数据层或生态层来支撑。一旦市场看清这一点泡沫的挤压就会集中在那些“只有模型、没有场景”的公司身上。信号表观察维度泡沫期特征健康期特征Token价格持续非理性降价价格稳定价值与成本匹配模型能力评测分数畸高但落地困难场景指标扎实用户可感知Agent应用概念演示多生产环境少流程规范安全可控可观测开源与闭源闭源垄断式领先形成差异化竞争3. 付鹏观点背后的宏观逻辑基础设施投资周期的历史回声付鹏在讨论AI时经常会引入一个宏观框架每一轮技术革命的前期基础设施投资的规模都远超实际需求的增长速度这种错配会产生泡沫而泡沫的破裂过程往往也是技术普及的真正开始。这不是他一个人的发明。回顾历史铁路泡沫、电信泡沫、互联网泡沫几乎遵循着同样的剧本。投资者看到一项革命性技术开始疯狂建设基础设施但基础设施的建设和折旧周期远长于应用场景的孵化周期。等到应用跟不上资金链断裂泡沫破裂。泡沫破裂之后那些价格极低的基础设施被幸存的企业捡起来催生了下一轮真正的应用繁荣。把这个逻辑映射到AI时代可以看到惊人的相似性基础设施是GPU算力中心