> 编者按： 当 GPT-5 的表现未达预期，当众多 AI 应用试点项目收效甚微，当市场开始质疑人工智能的发展前景时，我们是否正在经历一场 AI 泡沫的破裂？还是说，这些表面现象背后隐藏着更深层次的产业逻辑？ > > 我们今天为大家带来的这篇文章，作者的观点是：当前 AI 市场并非陷入停滞或崩溃，而是进入了一个必要的“消化阶段”，这一过程虽伴随阵痛，却蕴含着持续的发展动能。 > > 文章通过四个层次的分析框架，系统性地解构了当前 AI 市场的真实状况：首先厘清了产品体验设计与技术能力上限的区别，指出用户对 GPT-5 的失望更多源于产品策略而非能力倒退；第二，应用层回报不明朗的根源在于组织流程滞后于技术能力，真正有价值的垂直整合方案正在悄然建立护城河；第三，基础设施投资正从粗放扩张转向精细化运营，算力合约结构化、算力利用率优化和电力资源争夺成为新焦点；最后阐述了技术演进已超越“规模至上”的初级阶段，转向测试时计算、工具调用、数据质量与智能体系统等更深层次的创新。作者还提供了判断行业是否真正崩溃的具体指标，并为资金配置方、应用层创业者和基础设施构建者提供了清晰的战略建议。

作者 | Dave Friedman

编译 | 岳扬

目前流传着一种看似合理的说法：GPT-5 表现未达预期，因此 AI 泡沫正在破裂。这个观点看似顺理成章，实则是错误的。这个说法将四个不同维度的事情强行捆绑，硬是揉成了一个整体：（1）产品体验的设计选择；（2）应用层的投资回报；（3）基础设施投入与供应链；（4）科研进展与规模化应用。当你拆解这层层架构时，看似崩盘的态势其实正转化为一个“消化阶段” —— 既有可预见的阵痛，也伴随着同样可预见的持续动能。

以下是一个用于厘清思路的清晰框架。

01 Layer 1：产品体验 ≠ 能力上限

围绕 GPT-5 的争议大多聚焦于使用感受：语气转变、拒绝机制，以及有时将用户导向更安全但乏味的交互模式。这些属于产品决策（模型对齐过程中的参数选择、安全护栏、模型路由配置、默认设置），而非技术能力的倒退。 安全调校的悖论在于：当交互界面改变“对话风格”或严格限制高风险场景时，即便能力略有提升，用户仍可能感知为性能倒退。

三大常见认知误区：

1）对齐策略与核心能力：若模型规避特定输出或在高风险领域缩短推理链条，用户就会判断“模型变差”。此时衡量的实则为安全策略，而非底层能力。

2）路由系统与核心模型：AI 助手类产品常采用多个模型混合调用方案。若路由系统误将请求导向更保守的小模型，用户体验到的性能波动会被错误归于旗舰模型。

3）大家的心理预期比较高：被冠以“划时代”称号的发布版本会设定参照标准，而实际改进幅度往往难以匹配这种预期。但即便不如宣传片震撼，这些改进（尤其在编程、长程任务和工具调用领域）仍然具有重要意义。

本层结论：这是产品管理策略引发的争议，并非能力停滞的证据。

02 Layer 2：应用层投资回报混沌不清，且与基础设施需求背道而驰

的确，很多企业试点项目都没有达到预期目标。但原因很简单：数据管道尚未就绪；工作流未重新设计；激励机制阻碍落地；风控措施拖慢部署；套壳应用同质化严重。当技术普及速度超过组织流程改造速度时，市场必然会出现应用层淘汰洗牌。

关键差异点：

1）套壳应用与系统重构：基于 API 的套壳聊天应用会快速同质化，而重构工作流的系统（如智能体、工具调用、私有数据检索、知识图谱）虽见效慢，却能建立更持久的优势。

2）横向与纵向方案之别：横向通用助手的市场声量大，但深度融合领域工具的垂直方案才真正能产生回报。后者需与一线操作者共同设计且销售周期更长，但正是护城河所在。

3）核心评估指标：节省工时数量和客户满意度这类脱离利润的虚荣指标毫无意义。应关注误差调整后的吞吐量、营运资金周转率或事件率变化值。若无法将成效折算为财务收益，下一轮预算审议时项目必然被否决。

这一层的低迷与基础设施层的蓬勃发展并不矛盾：边缘应用的弱产品市场匹配度，不会削弱对训练迭代、模型升级或智能体框架的需求，只会重新分配价值捕获的主体。

03 Layer 3：基础设施资本支出正从冲刺期转向消化期，而非断崖式下跌

基础设施领域并非“投资枯竭”，而是进入了一个新阶段：资源配置结构与利用效率将成为决胜关键。三个同时存在的事实：

1）产能持续扩张：电力、高频宽存储器（HBM）与先进封装（CoWoS 级）仍是关键制约因素。即便积极扩产，2026 年前多数地区的供应仍将紧张。这支撑着定价并持续激励基建投入。

2）算力闲置风险是局部性的而非系统性的：拥有全栈需求（搜索、广告、云服务、办公软件、消费应用）的超大规模厂商可通过模型轮替与吸纳测试时计算阶段的算力消耗保持 GPU 满载。风险主要集中在独立的 AI 云服务商和专项供应商 —— 它们面临租赁成本攀升、客户集中度高和短期采购协议的压力。即便总体需求增长，这类企业仍可能遭遇阶段性的困境。

3）从粗放式短期算力租赁向精细化长期商业协议：随着市场逐渐成熟，短期的算力现货租赁将减少，结构化的采购协议将成为主流（包括更长的合约期限、最低采购量承诺以及指数化定价机制）。算力金融化工具（期货/远期合约、容量预留、风险对冲）将平滑市场的消化过程，同时降低建设方与采购方的资金成本。

“资本支出消化期”意味着：在供应增速超越短期客户需求的领域将出现价格体系调整。行业重点正转向电力采购、互联技术、散热系统和可用性保障，并对 GPU 利用率管理赋予更高溢价 —— 这与市场崩溃的论调截然不同。

04 Layer 4：“规模即王道”从来就不是严肃的理论命题

有一种夸张的片面观点宣称：“我们已经扩大了预训练规模，现在就此止步”。而真正严谨的技术演进路径实则是：规模 × 算法创新 × 测试时计算 × 工具调用 × 高质量数据。 技术前沿正在发生范式转移：

1）测试时计算与规划能力：更多思维链、外部记忆、验证机制以及搜索/规划循环的运用。这方面的突破不需要更大的基础模型，而更依赖更智能的推理计算。

2）工具调用与智能体：将代码执行、数据库操作和服务调用作为默认运行模式（而非演示功能），使模型从文本预测器升级为行动系统。

3）数据质量与课程学习：当粗暴的数据规模扩张效益递减时，数据精加工、合成数据方案、基于结果指标的强化学习以及针对特定任务设计的课程学习将成为突破性能瓶颈的关键。

单纯扩张预训练规模的收益递减并不意味进步终结，而是改变了规模化的方向。

结合这四个层面来看：AI 助手默认设置的重设计带来了不好的用户体验；大量应用型初创公司遭遇试点价值的转化困境；基础设施投入正在进行结构化调整与专业化升级；研究重点从无序的规模扩张转向结构化推理。这些内容无一指向 AI 泡沫破裂，而是符合幂律分布特征的技术走向成熟的必然形态。

05 需要出现怎样的证据，才能真正推翻“行业处于消化期”的判断？

请关注下面这个简单明了的核查清单：

1）多家超大规模厂商连续两轮以上资本支出下调（非仅投资结构调整），且明确推迟数据中心建设（而非仅重新排序工期）

2）顶级 GPU 集群出现价格战（通过公开价目表可量化），同时披露闲置产能或明显延长 GPU 闲置周期。

3）需连续多代模型版本在复杂推理基准测试和智能体工作流中出现平台期，工具使用可靠性（如代码执行成功率）停止提升。

4）电网互联排队周期长和变电站扩容项目延期导致项目大规模取消（非仅工期延后），联邦能源监管委员会/公用事业约束硬性限制建设规模。

5）两个及以上客户群在经过深度工作流整合后，AI 套件/助手的续约率显著低于试点期表现。

若同时触发 2-3 项指标则需重新评估“行业处于消化期”这一判断。否则应预期行业处于结构性调整而非崩溃状态。

06 战略要点

6.1 资金配置方

• 优先布局瓶颈环节，而非追逐品牌光环。 高频宽存储器（HBM）、芯片基板、先进封装、电网升级、变压器/变电站设备以及散热系统。这些领域的供给制约持续时间将远超市场预期。
• 审慎评估独立厂商的资本结构。 关注租赁费用递增条款与收入条款的匹配度、客户集中度及合同期限。用仅持续 90 天的收入流去支撑长达 36 个月的债务责任，便是在重演硅谷版的 WeWork 式危机。
• 优先选择与约定期限关联的风险敞口。 优先选择包含阶梯价格、保底/封顶机制和电力成本传导条款的容量预留与算力采购协议。此类合约正在快速完善风控体系。

6.2 应用层创业者

• 构建系统级解决方案，而非浅层套壳应用。 开发深度整合私有数据与领域工具的智能体工作流，用财务收益衡量成效而非使用演示效果衡量。
• 掌控评估体系。 评估能力是产品的核心模块而不是纯研究属性的功能。若无法基于客户自有指标证明成果差异，则终将沦为附属功能。
• 善用测试时计算（test-time compute）。 部署轻量基础模型搭配强大的规划/搜索框架，可在成本与质量上超越暴力扩展方案。

6.3 基础设施构建者

• 优先获取电力资源。 土地易得，充足的电力难求。变电站的交付周期与等待电网公司审批接入的排队时间对项目进度的影响，远超过芯片供应短缺。
• 为算力利用率而设计。 多租户隔离、拓扑感知以及适配智能体工作流的任务调度系统，将成为差异化优势。“90%+的持续算力利用率”已成为核心销售卖点。
• 对冲周期波动。 勿将市场波动视为意外。在可锁定处签订长期合约，在不可控处保持灵活选择权。

07 为何“AI 崩盘论”看似可信却实非如此

• 人们倾向于只关注那些容易被包装成故事的信息。一个旗舰产品的风格发生变化，人人都能立刻感知；但 HBM（高频宽存储器）的供应量变化，却鲜有人注意。我们总是过度重视那些显而易见、容易被讲述的事物。
• 炒作后的幻灭。人们的期望以比科学进步快得多的速度膨胀；当新产品发布时，现实达不到大家的想象，我们又立刻从狂热跌入过度失望。
• 我们把“我的 AI 助手没改变生活”这种个人体验，和“没人会买 GPU”这种市场趋势混为一谈。可这是两个完全不同的市场，运行在不同的节奏上。

在这里使用消化期这个隐喻还是蛮恰当的。过去一段时间，整个行业像饕餮一样吞下产能，疯狂追逐产能扩张、快速推出原型产品，并不断制造吸引眼球的故事。但现在，热潮过去了，身体吃得太撑，需要停下来好好消化。这表现为新闻头条不再那么激动人心，进展看起来变慢了；企业采购变得更谨慎、更难；大家开始认真讨论投入产出比（ROI）：不再问“能不能做”，而是问“值不值得做”；技术进步的重点，从“往训练里砸多少算力”转向“如何更聪明地使用模型”——追求的是质的跃升，而不是量的堆砌；资本运作也回归理性：短期投机减少，长期规划增多；不再靠“感觉”和“氛围”融资，而是靠扎实的财务评估和风险控制。

如果你想贬低它的话，你可以称之为“回落期”或“降温阶段”。但实际上，这其实是一个关键时期：护城河正在被真正挖深，财务脆弱的公司开始崩塌，而真正持久的运营杠杆（即成本不变但产出大幅增加的优势）开始在那些不起眼的地方显现出来 —— 比如电力供应、芯片封装、互联技术，以及让智能体（agents）真正可靠干活的、枯燥却至关重要的工程细节。

归根结底，如果你的投资或判断是基于“GPT-5 让我失望，所以 AI 泡沫要破了”这种感受，那你其实是在用情绪做决策，而不是分析真实市场。 你应该分清表层情绪和底层现实，关注那些能证伪你观点的信号（比如数据、产能、需求），并做好准备 —— 迎接的可能是一段消化调整期，而不是突然的崩盘。

END

本期互动内容 🍻

❓如果你是一家企业的决策者，在当前的“消化期”，你会更倾向于投资基础设施，还是深耕垂直场景的 AI 应用？为什么？

原文链接：

https://davefriedman.substack.com/p/the-ai-market-isnt-collapsing-its