过去三周，我分三期发布了一篇详尽长文，剖析AI泡沫潜在的崩盘诱因、触发事件以及后续连锁后果。
上周行业风向出现了异动。
就在Uber首席运营官Andrew Macdonald表态，AI投入“越来越难找到合理依据”，很难理清这笔开销和落地实用C端功能之间的投入产出逻辑（此前该公司CTO曾透露Uber四个月就耗尽全年token预算）之后，Axios记者Madison Mills爆料，有家企业因未设置消费限额，短短一个月在Anthropic模型上意外烧掉5亿美元。
时隔数日，Mills再度发文称，已有多家企业开始想方设法削减AI相关开支。
究其根源，正如我此前所言：受大语言模型天生容易生成幻觉、各类调用框架与各类agentic接口层出不穷的影响，目前没有任何方法可以精准核算AI投入的投资回报率，甚至无法建立统一标准来测算单任务使用成本。
不同提示词、项目与交互场景都可能出现难以预判的异常失误，使用者不得不时刻紧绷神经，提防这套所谓的“智能系统”闹出毁灭性低级差错——毕竟大语言模型没有自主思维、意识，除了预训练与微调环节之外不具备自主学习能力。
倘若一项产品没法量化实际效果、核算使用成本、测算投资回报，人们完全有理由质疑自己当初为何要掏钱买单。
业界如今热议AI投入回报不及预期合乎情理，但在我看来，成本无法量化核算才是更致命的难题。
昨日，微软旗下GitHub Copilot全面调整计费规则，由原订阅套餐按使用额度计费改为token按量计费。在此之前，用户仅需每月39美元订阅费，就能无节制消耗海量token。
大批用户怒火冲天：有人单次输入提示词就耗光月度额度的50%；有人短短数小时用完60%月度额度；还有用户单条提示词消耗31%额度；另有使用者预估自己连续使用五小时就能耗尽整月配额；有人八条指令用掉近半数额度；两名提示词消耗14%额度。
更有用户吐槽，短短几小时33%额度凭空消失，GitHub Copilot一夜之间从心头首选订阅产品变成了压在心头的烦心事。
需要说明的是，当前平台还处于优惠活动期，用户每月可领取11美元或21美元免费额度。
和绝大多数享受补贴定价的AI订阅产品用户一样，这些使用者从一开始就不清楚每一步操作的实际开销。微软刻意隐瞒提示词真实计价标准，纵容用户高额消耗资源，以此拉动GitHub Copilot用户增速。
这类乱象遍布全行业。
市面上所有AI订阅产品都在用补贴定价掩盖真实使用成本。因此，所有吹捧Claude Code以及AI赛道的造势文章都陷入了认知错觉：美化产品实际价值，高估行业现状。
科普小补充
我简单拆解AI订阅的盈利套路：用户按月付费开通Anthropic、OpenAI等平台服务，在日、周调用速率限额内随意使用产品，但厂商从来不会明确标注限额对应的实际资源用量，只给用户一个模糊百分比进度条，成本测算全靠使用者自己摸索。
调用AI模型时，输入内容折算输入token（一个token约等于四分之三个英文单词），模型返回结果折算输出token，厂商按百万token档位定价计费。
即便模型具备内容缓存机制来重复利用已有数据、减少重复读写，每一次交互都会产生费用，无论输出结果好坏、能否落地使用。
这也是绝大多数AI初创公司天生难以盈利的核心原因：风投融资几乎全部源源不断付给Anthropic与OpenAI，用来支撑自身亏本的产品服务。头部AI实验室虽能自建算力基建压缩部分开销，但没有任何实证能证明此举可以实现盈利。
举例来看，用户在Anthropic平台每花费1美元订阅费，对应消耗的token成本可达8至13.5美元。即便AI鼓吹者声称Anthropic在推理业务层面已经盈利，该结论也只停留在CEO Dario Amodei的理论推演，没有落地财报佐证。
换个通俗视角：在仅标注调用限额、隐藏实际单价的订阅模式下，模型陷入死循环、输出错误内容这类故障，总能被厂商归为早期技术不成熟；毕竟用户整月只付了20、100或是200美元订阅费。
Anthropic、OpenAI以及全行业AI企业刻意隐藏真实计费标准，只因一旦用户需要为模型的低级失误买单，势必会集体投诉维权。
承诺落空：AI使用成本不降反升
近几个月，成本乱象彻底浮出水面：2026年一季度，Anthropic与OpenAI悄然将全部企业客户切换为token按量计费模式。企业端决策者普遍脱离一线业务，过去管理层还硬性推动员工全场景落地AI，部分企业甚至把AI使用率纳入绩效考核指标，直接和岗位留存挂钩。
长期使用隐藏真实成本的AI订阅产品，员工早已形成“AI近乎零成本使用”的使用习惯，再加上中层管理者不断施压要求规模化落地AI，全程没人清楚单一项业务对应的AI实际开销。
这套商业模式从根源注定崩盘：绝大多数AI使用者完全不了解、也被行业引导无视token真实成本，最终无节制粗放使用服务，持续产生不经济的资源消耗。
市面上所有吹捧AI的爆款文章，作者都被行业话术蒙蔽、忽略真实成本，卖力宣扬一款底层不可靠、效果不稳定、成本居高不下、定价持续上涨的技术。
顺带一提：即便单百万token单价有所下调，但完成同等任务，模型需要消耗的token总量大幅上涨，最终推高整体推理成本。类比理解：油价走低，但通勤路程不断变长，整体出行开支不降反增。
OpenAI、Anthropic等AI企业联手刻意隐瞒AI真实成本，这套营销套路在切换按量计费前一路畅通无阻。
新规落地不到四分之一周期，各大企业客户纷纷陷入成本恐慌：沃尔玛为内部AI编程工具Code Puppy设置token消耗上限，发言人表示“引导员工在能创造实际价值的场景使用AI”；就在此前数日，亚马逊高级副总裁Dave Treadwell刚提醒员工“切勿为了用AI而盲目使用AI”。
过去数年的AI热潮建立在层层谎言之上。全行业联手营造假象：AI亲民可控、商业化可持续、盈利可期、幻觉缺陷可根治，眼下所有问题只是行业发展初期必经阵痛。
现实却是，AI行业吸纳超万亿美金资本、海量顶尖技术人才、绝大多数初创融资与媒体曝光，耗费千万创作者的成果，却始终没能根治肉眼可见的底层弊病。
但凡有业内质疑者指出行业逻辑漏洞，总会被拿来对标Uber泡沫（二者没有可比性）、对标亚马逊云早期巨额投入（AWS历经14年累计投入520亿美元，上线第九年便实现正向现金流），被灌输“成本终将下行、耐心等待就能迎来行业拐点”的空头话术。
四年万亿资本投入过后，AI整体成本不降反升，头部企业资金消耗愈发凶猛，产品可靠性没有改善，行业鼓吹者只能变本加厉编造谎言掩盖现实，只为少数富豪收割红利。
OpenAI、Anthropic的产品精准迎合不愿深耕业务的管理层，产出看似成型的半成品糊弄外行高管与中层管理人员；这套商业模式能维系至今，核心就是厂商刻意隐瞒真实使用成本。
我再次强调：如今AI落地成本远高于三年前，且不存在降价趋势。Sam Altman提出的“智能服务廉价到不计费”纯属空谈；NVIDIA Blackwell系列GPU没能压低算力成本，后续Vera Rubin GPU同样做不到；谷歌TPU、亚马逊Trainium与Inferentia芯片、Vera Rubin CPU、OpenAI自研芯片、DeepSeek硬件全都无法实现AI算力降价。
大众之所以笃定AI成本会持续走低，是依托过往电子产品降价规律，但这套逻辑不适用于AI：模型训练与推理成本不仅包含硬件采购价，还附带持续高额运维电费。大语言模型依赖高功耗并行计算，必须搭载高价GPU；模型参数越大、结构越复杂，训练与推理所需GPU数量同步激增。
历经三代产品迭代，NVIDIA GPU没能带来算力成本下降，这足以说明生成式AI原生商业模式存在致命缺陷。
切勿拿互联网泡沫类比AI泡沫：AI崩盘后果更严峻，无法复刻互联网的复苏
业内总爱把AI热潮对标互联网泡沫，但AI行业的隐患远比当年严重，人们偏爱套用过往历史合理化行业乱象，回避全球史上规模空前的资本错配事实。
当年互联网泡沫分为两大板块：电商与互联网初创公司泡沫、电信基建泡沫。
据Justin Kollar梳理，电信泡沫源于行业对市场需求的严重误判。
全美国大范围铺设光缆的背后，依托一则流传甚广的谬论——互联网流量每90天翻倍。该观点充斥券商研报、财报电话会与投资者宣讲材料，若论调属实，需求指数级暴涨将永远跑赢基建供给，每一寸光缆都能持续回本盈利。
但数据戳破谎言：AT&T研究员Andrew Odlyzko统计真实流量数据后证实，美国骨干网流量实际年增速翻倍，增长迅猛但远达不到90天翻倍的离谱速率。
与此同时，波分复用技术让单根光纤可并行传输多路光信号，单条线路承载能力指数级提升。
最终基建铺设规模远超实际需求：彼时全球网民基数偏低，且拨号上网网速极慢。
所有人都在拿“当年互联网也曾饱受质疑”佐证AI前景，但要厘清历史：2000年美国成年人互联网普及率仅52%，2003年升至61%；世界银行数据显示，2005年全球网民占比16%，2024年才达到71%。
二者关键差距在于宽带普及：早年56K拨号上网按分钟计费、网速卡顿；2000至2002年美国平均网速上限仅400千比特/秒，折合50KB/s；如今美国平均网速突破200兆比特/秒，折合25MB/s。
放在当年，网页加载耗时放到现在难以想象；后续网页设计优化、移动端普及进一步盘活互联网生态。21世纪初电商尚在萌芽，互联网泡沫遗留海量光缆基建反而是行业长期红利，也是泡沫为数不多的正向价值。
AI和互联网泡沫核心分水岭：闲置光缆完成激活后，落地的互联网服务对比拨号上网体验更好、单价更低；TheGlobe、WebVan、Pets DotCom等破产企业亏损，根源是自身商业模式畸形，并非接入互联网成本过高。
它们的后续对标项目Facebook、Instacart、Chewy实现盈利，不需要颠覆商品配送、网络接入的底层科学原理；初代企业倒闭源于盲目扩张、获客成本畸高，单用户获客成本高达400美元。
Dell与CoreWeave现已落地首批Vera Rubin GPU，没有任何厂商提及盈利、可持续运营相关字眼，只因NVIDIA研发重心放在抬升硬件定价而非优化能效。
据创始人黄仁勋公开表述：当前AI数据中心单GW造价约500亿美元，未来造价将攀升至800亿~1000亿美元/GW。
从定价趋势来看算力成本毫无下行迹象；即便单台硬件理论算力提升，终端使用者也没能收获降价、增效的实际收益，行业至今无法量化硬件升级带来的落地价值。
总结就是，互联网泡沫源于资本过热，泡沫破裂后遗留可用通信基建，后续依托存量基建持续降本增效；AI数据中心、AI初创赛道不存在这套复苏逻辑。
而 AI泡沫不会留下可复用优质基建，没有互联网泡沫式的救赎行情。
时常有人发文拿互联网、铁路泡沫举例，称泡沫破裂后行业不会彻底消亡，但这类类比完全误解AI产业本质。
满载GPU的AI数据中心，使用场景高度局限于AI运算；GPU可用于大数据并行统计、科研仿真建模，但硬件架构天生不擅长处理碎片化零散任务，难以适配绝大多数通用算力需求。
互联网泡沫的救赎逻辑依托海量光纤存量，后续追加少量建设成本就能全民普及低价宽带；AI没有可复用的存量基建红利。
AI数据中心前期基建投入动辄数十亿，前五六年常年亏损运营，甚至永远无法收回建设成本。五年后Vera Rubin、Blackwell机柜的电费、场地、自备发电机组等运维成本和当下持平；烂尾的数据中心完工并网、配套自备电源的开销也不会随时间下降。
互联网泡沫破裂后，倒闭企业低价抛售服务器与办公设备，创业者低成本搭建初创项目：一台Sun Microsystems Ultra Enterprise 3000服务器当年售价43000美元（折合现价89000美元），功耗1200~1500瓦就能支撑一家公司全栈业务；单块B200 Blackwell GPU功耗就达1200瓦，单用户完成复杂AI编码任务需要4~12块GPU。少量GPU很难落地盈利项目，变现、规模化落地全行不通。
闲置光纤搭配收发设备即可开通宽带网络；AI数据中心是配套定制散热系统的专用机房，适配特定芯片，改造为通用机房需要彻底拆除重装，前期巨额基建投入直接作废。
即便低价收购破产算力企业闲置Blackwell GPU，个人使用者无力落地使用：配套机房、定制散热的固定开销居高不下，哪怕芯片白送，机房托管成本依旧高昂。
互联网、铁路能穿越泡沫周期，核心是前期一次性基建投入，后续边际成本可控。
低价接手满载高端GPU的闲置AI机房，高额持续运维电费、人力成本是无底洞；硬件闲置照样产生固定支出，想要盈利必须全时段满载算力，但全行业没有成熟落地的盈利商业模式，即便手握海量融资也无人跑通闭环。
模型训练成本全为持续性运营开销：从零训练大模型动辄需要上万片H100/H200，无论训练成果优劣，电费全额照付；一次失败的训练项目亏损可达数千万乃至上亿美元，泡沫破裂后没有资本承接这类无效投入。
我在上期付费专栏提到过理论场景：AI回归真实定价后，多数企业无力承担使用成本；但AI当前虚假需求依托补贴定价催生，企业一旦实付成本就开始压缩预算、叫停投入。
泡沫破裂后，全行业AI投资热情断崖式下滑：初创融资断绝、企业AI预算砍撤、数据中心融资受阻。
AI泡沫全链条靠行业造势维系：靠炒作“AI工厂”概念发债采购NVIDIA硬件、修建机房；靠鼓吹AI软件落地价值促使企业持续采购OpenAI与Anthropic服务；靠渲染AI落地潜力拿到初创融资；靠媒体不间断造势掩盖天价成本。这套谎言体系一旦崩塌，泡沫即刻瓦解。
行业依靠谎言、不实宣传与被资本裹挟的财经媒体维系热度，模糊化宣传不断吹高AI估值。主流媒体惯用“AI可以开发软件”这类笼统话术，误导大众误以为输入一句话就能生成可商用成品软件；现实中模型输出的代码漏洞百出，只能糊弄外行管理者与懒于调研的记者。
全民跟风布局AI的舆论压力由此形成，“拒绝拥抱AI就是错失下一代互联网红利”的论调倒逼企业盲目投入；倘若没有舆论施压，AI产品只能靠真实产品力立足，而头部厂商即便依托全市场舆论红利，依旧靠补贴维系产品定价，侧面印证产品本身价值薄弱。
软硬件层面吹大泡沫的唯一路径，就是向公众与投资人隐瞒AI真实成本和落地效果。
如今企业直面实付账单，开始审视落地成效，行业集体陷入成本恐慌。
投资回报争议爆发：无法测算ROI=AI没有实际回报
上周SemiAnalysis发布一篇极具迷惑性的研报《AI隐性产出：看不见的产出对应的显性成本》，提出观点：“AI落地收益先落地、后量化”，还抛出论调，“AI或将迎来比肩工业革命级别的产业变革，企业持续加码AI投入，但大量新增经济产出处于不可统计的隐性状态。”
SemiAnalysis主营半导体行业研究，天然有维稳AI泡沫的利益诉求，靠“收益客观存在只是无法统计”洗地，恰恰说明行业处境窘迫。
其对“隐性产出”定义是，AI创造的经济增量，无法体现在GDP、物价、就业、行业财报统计中，分为两类：
1. 替代型隐性产出：原本由人力完成的工作转交AI落地，测算显示当前AI可优化或自动化规模约1.5万亿美元工作量。
2. 新增型隐性产出：AI诞生前因成本过高无人落地的全新工作，长期增量潜力远超替代板块。
其举例论证漏洞百出：“一份法律文书，无论律师撰写还是AI生成，通胀调整后对使用者的经济价值等同，对应同等GDP增量。”
聘请律师付费采购的是从业经验、判例检索、诉讼风控的专业服务，AI仅能拼凑文本、高频幻觉，无法复刻法务的风险把控能力，二者经济价值天差地别。
研报补充：“AI承接文书工作后，相关人力服务费消失，成本转化为token开销；官方统计法律服务均价反而上涨，简单文书全部交由AI处理，对应GDP统计出现数据断层，仅有零散token消费计入其他行业产值。”
AI商业化落地四年，行业仍在依靠假想案例佐证价值。现实里简单文书不会全盘外包AI起草，律所收费核心是依托执业经验规避法律风险，从初级律师草拟到合伙人终审全流程风控。这套空洞逻辑正是AI泡沫赖以膨胀的根基。
所谓AI新增工作被作者窄化为文献综述、邮件汇总，还靠零星个案声称大部分token开支用于全新增量业务而非替代原有人力。
若AI具备正向ROI，裁员潮必然成为显性事实
所有AI替代岗位的新闻都充满模棱两可的模糊表述。
早前多家媒体援引牛津经济研究院结论，宣称入门岗被AI大范围替代；原文仅提及部分行业2022年后就业率下滑、存在AI替代用工的潜在迹象，无实锤落地数据。
CNBC标题炒作麻省理工研究称AI可替代美国11.7%劳动力，数据来源只是用工仿真模型，并非AI落地实测数据。
绝大多数企业借AI名义裁员，动因是安抚股价、博取行业热点新闻，而非技术落地倒逼减员。倘若AI真能大规模替代人力，全球失业率飙升、社会动荡必然成为显性经济信号。
如果AI落地效果匹配宣传，各行各业会迎来颠覆性变革：
1. 软件行业崩塌：普通人一句话就能生成商用软件，没人付费采购成品软件，云端厂商商业模式瓦解，SaaSpocalypse绝非行业过热导致的估值回调（私募2018~2022年哄抬软件估值，Apollo的John Zito直言资产定价全面失真，和AI无关）；
2. 财会行业消亡：报税全靠工具，专职会计失去生存空间；
3. 法学产业链崩盘：律所不再批量招聘新人，法学院生源枯竭、法务薪资暴跌；
4. 全领域科研重构：全学科深度报告一键生成，人工科研失去价值。
以上场景落地的前提是大模型零幻觉、具备自主思考与原创能力，但现有产品完全达不到标准。
无法统计AI裁员数据的本质是， AI没办法独立完成完整岗位工作，只能在个别零散外包岗位做出劣质替代，不具备全流程履职能力；模型没有职场经验、行业认知、主观判断力，所有输出依托训练数据集。
Sam Altman、Dario Amodei靠渲染失业恐慌融资上千亿美金，如今双双改口淡化裁员论调，当初盲从造势的行业从业者难辞其咎。
具备真实ROI的产品，无需反复论证落地潜力
全球随时随地可试用ChatGPT、Claude、Gemini，倘若AI真能高效落地，民间早涌现大量依托AI盈利的初创公司、各行各业头部企业依托技术拉开代差、服务价格断崖式下跌。
现实四年过去，没有任何标杆企业靠AI颠覆行业格局。
行业也不必靠厂商编造谎言：比如Anthropic谎称Mythos性能过强暂缓发布，数月后却如期上线；不需要高管反复口头佐证AI价值，落地成效肉眼可见无需空谈潜力。
但凡量化测算ROI，结论均指向收益缺失
贝恩咨询近期调研951家年营收破亿美金企业高管，数据无法证实稳定正向AI回报：受访企业中仅37%实现10%~20%成本压降，40%降本幅度不足10%，全球仅4%企业AI降本超30%。
降本基数模糊：10%对应千万级成本和千元级成本天差地别，统计口径含糊不清。
更致命的数据是， 44%企业依据上一轮模糊降本数据规划新一轮AI投入，但部分企业此前承诺的降本收益至今没有兑现。
贝恩报告金句戳破乱象：“技术跑通了，价值没落地。依托过往虚设收益滚动追加投入看似风控，实则是自带漏洞的循环赌局。”
通俗解读就是，产品能运行，但无法创造经济价值，等同于落地失败。
贝恩给出建议称，企业落地AI前务必核对自动化真实收益，而非预期收益，避免盲目追加投入放大风险。
年营收数十亿的顶级咨询公司还要专门提醒客户核算投资回报，侧面印证AI落地价值缺失。
面对算力成本失控的行业现状，Sam Altman受访表态：企业普遍反映AI开支暴涨、收益模糊，行业后续会自行理顺投入产出。
记者David Faber错失追问机会，中途跳转太空算力的无关话题，这正是AI泡沫靠媒体放水不断膨胀的关键：关键问题避而不谈，转移至虚无缥缈的远景话题。
坐拥千亿身家、执掌估值8520亿OpenAI的Altman把行业整改责任推给全行业，自身回避核心难题。
大模型使用者沦为骗局受害者
倘若AI有实打实ROI，业界能随手列举落地增收案例。吹捧Spotify工程师减负毫无意义：平台产品迭代、系统稳定性、功能落地没有实质性提升，大量AI生成代码反而加剧软件故障。
从实际成本来看，AI编码工具推高全行业研发开销，企业源源不断向Anthropic、Cursor支付巨额账单，代码质量普遍下滑。部分工程师乐于使用工具，但没人能拿出对应落地收益证明。
我直言，依托大模型落地全流程业务的从业者，全是被营销话术收割的受害者。
日常写脚本、简单辅助办公、语音转写、辅助检索等轻度使用无可厚非（检索内容仍需逐条核验来源）；全业务链路绑定大模型等于轻信营销骗局。
落地一套AI自动化流程，需要堆砌大量容错脚本弥补模型幻觉缺陷，使用者花在调试工具上的工时远超原生人工工作量，使用者的成就感源自被产品营销洗脑。
少数人用模型简化Python数据脚本编写，本质受益于Python编程语言，而非大模型技术突破。
万亿资本投入换来的产品，仅能降低入门脚本编写门槛，本身就是极致的资本浪费。
所有AI自动化项目，本质是依托海量补贴和不实宣传包装的骗局。被鼓吹者追问落地回报时，人们只能反复套用Uber、互联网泡沫等无关案例搪塞。
狂热拥护者极力辩护的根源，是无法回应落地收益、成本测算等基础问题；现有大模型全部依托纸面潜力售卖，实际落地效果远达不到宣传预期。
无法量化ROI的终极答案是， AI没有正向投资回报。大模型仅能小幅提速简单工作，任务复杂度提升后精准度、性价比同步下滑；扩建算力机房只能拓宽模型可尝试的任务边界，没法兑现盈利承诺。
少数落地案例要么刻意无视模型天生缺陷，要么投入高额人力兜底纠错，最终换来性价比极低的半成品。被包装成自动化神器的大模型，落地全靠人工兜底修正错误、消化缺陷，本该被替代的人力转而耗费精力维护AI运行。
资本与高管靠谎言洗脑媒体与资本市场，收割全行业资源；媒体从业者、外行管理者缺乏技术与行业认知，被热点噱头裹挟。大模型精准迎合盲从人群的虚荣心，让人误以为模型在创造价值，实则人类投入更多资源弥补产品短板。
耗费万亿资金、全行业资源换来的产品，产出低质文稿、劣质表格、版权拼凑的配图，没有任何颠覆性落地成果。
作为付费使用者，本职是评判产品好坏，而非主动为产品缺陷找借口、为厂商的夸大宣传站台；需要不停辩解产品潜力，恰恰印证AI行业商业模式从根基上存在致命漏洞。
