人工智能泡沫：全球经济的潜在危机

在当下由大型语言模型主导的“第三波人工智能之春”中，热潮有可能逐步演变为一种系统性泡沫。若这一泡沫终将爆破，其规模与所造成的产业贬值，势必将极为深远，并牵连广泛，影响遍及多个层级的全球经济生态链。 

受到波及的，将不仅是位于金字塔顶端的巨头企业如台积电、英伟达、超微，还包括全球各地数量庞大的中小型电子与半导体制造商；此外，承建数据中心的大小开发商、为人工智能供电的公私营电力企业、供应冷却用水的水务公司、以天价贷款支持核能、电力、净水、芯片、显卡、土地与数据中心建设的银行、退休基金、主权基金与私募资本，也将无一幸免。 

这一波由生成式人工智能、尤其是大型语言模型所催生的资本浪潮，其牵连之广，甚至已触及国家级利益集团：从沙特与卡塔尔政府，到美国特朗普政府、微软、谷歌、亚马逊、华为、百度、阿里巴巴、腾讯、OpenAI、支援美国政府星门（Stargate）人工智能计划的甲骨文和孙正义与软银，再到我们本地马来西亚的雪兰莪州、柔佛州政府。 

正因涉及范围之广、资本投入之巨，没有任何一方愿意也敢于公开发表不利于这一波人工智能热潮的批评，甚至连理性、客观的技术与市场评论也难得一见。于是，一个本应受科学审视与经济谨慎支配的技术进展，逐渐被推向了神话化与盲目信仰的方向。 

结果可能是，在缺乏足够审查与制度监督的背景下，理想远景与现实技术能力之间的巨大落差，终将积累成跨领域、跨产业的经济泡沫。当泡沫破灭，其冲击力极有可能超过过往的“互联网泡沫”、“次贷危机”或“清洁能源泡沫”，因为它所绑定的不仅是一个行业，而是涵盖了能源、水务、土地、基础设施、国家预算、养老金系统与全球金融秩序。

为何会有“泡沫”一说？ 

迄今为止，大型语言模型的训练（training）和推理（inference）过程都是在“烧钱”。训练阶段所需的硬件（GPU 和 人工智能芯片）以及水电开销，动辄以百万美元计。2023年4月，OpenAI 的 Sam Altman 在 MIT 的一场交流会上承认 GPT-4 的开发成本超过 1 亿美元。即便是训练完成后，根据2023年4月公开的分析，仅 ChatGPT每天用于推理的成本就高达 70 万美元。上下文窗口（context window） 越长，token 用得越多，答案也许越精准，但代价也越高昂。值得注意的是，在ChatGPT吉卜力风格绘图热潮之后，这项支出可能已翻了几倍。 

目前唯一真正赚钱的是英伟达，以及它的竞争对手与人工智能显卡产业链上下游供应商。至于用户（尤其是免费用户和一般企业终端用户），本质上其实是靠为 OpenAI 注资的企业与国家主权基金在“倒贴”。谷歌和微软为了维持对人工智能的持续投资，不断裁员、冻结员工加薪，也是一种苦撑的表现。 

整条产业链目前的获利方，只有显卡制造商、土地开发商、能源公司，以及炒作相关股票的资本大户。至于应用层面，依旧处于神话与低效、啼笑皆非的乱象并存状态，是一个结构极度脆弱的产业生态。 

此外，也别被所谓“开源语言模型”的表象所迷惑。 

像Meta、Deepseek 等开源的大语言模型，背后其实也是依靠耗资数百万乃至上千万美元训练出的 Foundation Model，再通过提炼技术压缩而来。它们之所以看起来高效、成本较低，是因为其“便宜”建立在极为昂贵的基础模型之上，而非真正实现了“廉价人工智能”。 

人工智能的科技发展史并非一帆风顺。自1950年代创始自今，人工智能曾经历过两次发展低谷，俗称“人工智能寒冬。第一次人工智能寒冬发生于1974年至1980年之间。由于面对电脑硬件内存和处理速度的瓶颈，再加上数据量的缺失，电脑系统在当时无法达到人工智能所希冀的计算性能。最终，各国政府和科研机构对人工智能的拨款，在数学家詹姆斯 . 莱特希尔（James Lighthill） 向英国政府提交了一份批评人工智能科研成果的《人工智能普查报告》后，急转直下。 第二次的人工智能寒冬，则是在日本第五代电脑科研项目失败的背景下发生，从1980年代末，一直延续到2010年前后。日本在1970年代末至1980年代初探讨重点投资第五代电脑的研发，以期在计算机科技上赶超美国的举动，促使美、英和其他西方国家跟进加大投资人工智能研究的经费，从而带动了1980年至1987年的人工智能之春。 

可是好景不常，当时盛行的人工智能专家系统（Expert System）不只维护费用居高不下、难以与其他电脑软件和硬体兼容，而且系统还难以升级，不易使用，只局限少数专家于特定场景的使用。最终，更“平易近人”的台式电脑（Desktop Computer）开始普及化，取代了高度专精于特定领域的专家系统电子计算机 当下的发展，与第二次人工智能寒冬到来前的轨迹极度相似，我们会面临第三次人工智能低谷吗？且让我们拭目以待。