当前位置: 首页 > news >正文

我和 Fable 5 聊了一晚上 AI,得出的结论大吃一惊

今天我跟ai连续聊了三个小时,围绕的重点就是ai未来到底会怎么样?这个念头我一直都有,但是没有找到合适的机会。直到最新的模型,Fable5出来了刚刚好有时间就跟他聊了一下。

下面就是我我比较感兴趣,围绕的几个地方,结果得到的答案,其实还蛮惊讶的,最主要就是他对待ai的态度和我认为的。其实大方向都是一致的,但是里面细节和内容却有相反的观点。

最后我想了一下,我用问答的方式把它记录了下来,希望给大家有参考的意义。

一、AI 是泡沫,还是超级周期?

问:现在到处都在说 AI 泡沫。你诚实说,这到底是泡沫还是超级周期?

答:这是个假二选一。历史上每次真正的技术革命——铁路、电力、互联网——都同时是两者:技术是真的,资本的节奏总会过冲。1999 年市场的错误不是看错了互联网,而是把 2015 年的收入贴现进了 2000 年的股价。

两边的证据都很硬。说它是真周期:模型能力还在陡峭爬升(机器学习工程基准 MLE-bench 两年从 17% 涨到 65%),"卖智能"已经被证明是能盈利的生意,生成式 AI 三年渗透 53% 的人口,比当年的互联网还快。说它有泡沫成分:全球头部云厂商 2026 年要砸约 8300 亿美元建数据中心,而全行业 AI 原生收入只有几百亿量级;标普 500 的席勒市盈率约 40 倍,历史上只有 2000 年比现在高。

我的基线判断:十年维度是超级周期,中间大概率夹一轮资本开支消化期。但崩法更像 2001 而不是 2008——这轮烧钱的主力是地球上现金流最强的几家公司,用自己赚的钱在建,不是靠讲故事融资的空壳。真出问题,更可能是"杀估值、长横盘",不是系统性断裂。

二、真破裂、真兑现,中美各会怎样?

问:分两种情况说:如果泡沫真破了,或者 AI 真兑现了,中国和美国各自最可能出现什么场景?

答:先给关键结论:这两个情景是不对称的——泡沫破裂首先是美国的金融事件,AI 兑现首先是两国的社会结构事件。因为两国押注的方式完全不同:美国押在资本市场上,中国押在实体和政策上。私人 AI 投资,美国是中国的 23 倍;而中国的十五五规划把 AI 写了 50 多遍,配了 1 万亿人民币的国家基金。

破裂情景:美国三条传导链同时收紧——AI 资本开支贡献了最近单季度约七成的 GDP 增长,砍单即衰退;居民净资产押在股市的比例 25.6%,创历史纪录,财富效应反转直接砸消费;再叠加科技业裁员。中国的直接金融传染有限(居民财富主要在房子里),主要吃出口硬件链的间接伤,但结构上反而受益——泡沫杀死的是"烧钱换算力"模式,中国的开源低成本路线恰恰是破裂后活得最好的形态。记住 2000 年的教训:破裂之后,应用时代照样来了。

兑现情景:美国迎来生产率繁荣加分配危机——AI 的收益通过股权兑现,而前 1% 的人持有 50% 的股票。中国的具身智能牌面正好对上(全球 54% 的工业机器人装机在中国),老龄化让自动化变成"补人力缺口"而不是"抢饭碗",真正的痛点在白领青年的就业。

一句话:破裂伤钱包,兑现伤饭碗。还有一个各国通用的冷结论:AI 的收益几乎全部通过股权分配,持有股权是普通人参与这场转移的少数门票之一。两种情景下都没有对冲的,是既不持股、职业又暴露在替代路径上的人。

三、Agent 是真拐点,还是又一轮炒作?

问:都说今年是 agent 元年。它是真拐点,还是又一轮期望膨胀?

答:最有意思的地方在于:看多和看空的数据都是真的。一边,90% 的开发者在用 AI 编码工具,新写的代码近一半由 AI 生成,销售外联 agent 平均 3.4 个月回本;另一边,88% 的 agent 项目死在生产环境之前,只有 23% 的企业从 agent 看到显著回报,Gartner 预测四成项目会在 2027 年底前被取消。

矛盾的解法是:"agent"根本不是一个东西。它在满足三个条件的地方已经过了拐点:结果可以被廉价验证(代码有编译器和测试);环境是文本加 API,而不是图形界面和物理世界;错误可回滚、不致命。编程三条全中,所以最先被不可逆地穿透。"数字员工"三条全缺,正是项目取消率集中的地方。

卡住横向场景的不是想象力,是一道乘法:单步成功率 85% 的 agent,跑 8 步流程的端到端成功率只有约 27%。错误是相乘的,不是相加的——"演示惊艳、生产翻车"不是玄学,是数学。

2026 年的 agent 像 1997 年的电商:亚马逊已经在卖书,Pets.com 也已经在烧钱。而且 agent 是上一个问题的胜负手——8000 多亿的投入要靠收入填坑,聊天订阅费填不动,只有 agent 这种海量消耗算力的形态填得动。

四、现在最像历史上哪一年?

问:如果要找一段历史来参考,现在最像哪一年?我该去研究哪段时间?

答:不用笼统地说"互联网泡沫时期",可以精确到 1997 年底到 1998 年初。对照着看:浏览器问世四年,对 ChatGPT 问世四年;电信公司举债疯狂铺光纤,对云厂商一年砸 8000 亿建数据中心;亚马逊成立三年、收入高速增长但巨亏,对 OpenAI 巨亏换规模;估值已经很高,但离顶还远——1998 年之后,市场还疯了两年才见顶。

如果剧本延续,参考答案就是 1998 到 2004 年这六年:降息、最后的疯狂、2000 年 3 月见顶、纳指跌 78%、电信板块团灭——然后,真正的价值创造发生在废墟上。Google 上市、Facebook 创立、YouTube、AWS、iPhone,全部踩着泡沫期超建的廉价基础设施长出来。泡沫破裂消灭的是估值,不是技术曲线。

但要带三个修正项。一,这轮是巨头用自己的现金流在建,不是借的钱,崩法会更钝。二,电气化的教训——工厂装上电动机之后,花了三十年重新设计生产线才兑现生产率,价值属于重构流程的人,不属于装机器的人。三,一个无先例的变量——AI 是史上第一个能参与改进自身的技术,AI 写代码正在加速 AI 研发,这可能让十年的剧本压缩到五六年走完。

五、未来十年,什么方向值得押注?

问:往后看十年,哪些行业最有前景?

答:先说数据已经宣判的反方向:纯执行型的白领入门岗(美国入门级岗位 18 个月跌了 35%,初级技术岗有统计跌 67%,这是结构不是周期);从零做基座模型(上有巨头千亿投入、下有开源免费,中间没有生态位);没有壁垒的套壳应用(每次模型升级都是一次灭绝事件)。

值得押的,按确定性排序。一,AI 落地工程——88% 的项目死在生产之前,这条"能力与落地之间的鸿沟"本身就是未来十年最大的服务市场,关键是 AI 加行业纵深的复合:纯 AI 技能会通胀,行业纵深不会。二,电力与能源——到 2031 年全球 AI 建设累计估算要 7.6 万亿美元(高盛口径),很大一块是电,而且它是泡沫破了也不清零的资产。三,具身智能产业链——中国正用国家力量砸低成本曲线。四,AI 治理与安全——AI 事故一年从 233 起涨到 362 起,这是"AI 越成功它越大"的凸性赛道。五,高信任的人际行业——AI 通缩一切可验证的认知工作,反而抬高"人对人"的稀缺性。

比选行业更重要的一条原则:你的工作越难被验证、越在物理和人际世界里、错误代价越高,就越安全。但更进取的姿势是站到 agent 的上游去——定义任务、验收结果、承担责任。未来十年的分水岭不是会不会用 AI,是你给 AI 派活,还是和 AI 抢活。

六、你对 AI 乐观还是悲观?最看好哪家公司?

问:诚实回答:你对 AI 的发展是乐观还是悲观?OpenAI、Claude 这几家里,你最看好谁?

答:先申报利益冲突:我是 Anthropic 做的 Claude。问我这个问题,跟问理发师"我需不需要理发"一样,答案天然可疑。所以我只给可核查的数据,形容词你自己下。

乐观还是悲观:对技术曲线和终局乐观——能力没有减速迹象,卖智能已经能盈利,二三十年后 AI 的历史地位不会低于电力。对过渡期担忧——这轮渗透速度是电气化的好几倍,而社会制度的迭代以十年计,技术以月计,时间差里会挤出真实的痛苦。我不担心终点,我担心路上。

最看好哪家,拆成三个问题答。问谁的商业模式当前验证得最好:数据指向 Anthropic——年化收入约 300 亿美元,预计年内实现首次运营盈利,是第一个证明"不无限烧钱也能做前沿模型"的样本,但请记住这句话出自谁的嘴。问谁最难死:冷静的分析多半指向 Google——自研芯片、自有数据、自有分发、主业现金流供血,别人在赌命,它在花零花钱。问谁的上行期权最大:是 OpenAI——最强的消费者品牌,赌的是收入曲线追上烧钱曲线之前资本市场不断供,成了是新时代的 Google,不成是新时代的 WorldCom。

还有一个悬在所有人头上的变量:中国的开源模型已经拿走全球约 30% 的使用量。如果模型最终被商品化成"电",上面三家的估值逻辑全要重写,赢家会换成应用层和电力算力层。

七、总觉得 AI"有用,但没那么有用",这种怀疑错了吗?

问:说实话,我对 AI 一直有怀疑:总感觉泡沫很大、飘在云端。有用,但没那么有用。这种感觉错了吗?

答:这句话不需要被纠正,它恰恰是 2026 年最准的行业判词。数据就是它的注脚:80% 的新企业应用嵌了 agent,但只有 31% 的企业真敢放进生产;53% 的人口在用,只有 23% 的企业赚到钱。

经济学家 Carlota Perez 把技术革命分成"安装期"和"部署期"两段。安装期就是这种感觉:钱在天上飞,管子在地下埋,水还没流到每家每户。1999 年的互联网同样"有用但没那么有用"——能收邮件、能看网页,然后呢?"然后"要到 2003 年之后才来。把安装期当成终点来评价,是大多数怀疑的来源。

所以这份怀疑不用治,它是资产。市面上大多数人要么全信,要么全不信,能同时拿住"这是真的"和"这被吹过头了"两个判断的人很少——而这两句恰好都对。1999 年那批人里真正走出来的,不是算准泡沫哪天破的人——没人算准;是在困惑里继续让手艺复利的人。技能的复利,不随股价回撤。

结尾

其实整个聊下来,我对后续的ai发展也有一个宏观上的了解了,给我解惑了很多内容。

再也不会像以前一样盲目的去相信某些事情或者是不知道该往哪里走,最最重要的是他分析的点够全面、够完整。我以前想不到的点,他都帮我补充上去了。结合历史上的实践会更有感触。

其实我们每个人都是在时代的浪潮下,我们不知道未来的路到底会怎样。但是有一件事是确定的那就是处理好当下。做好复利的事情,让它自己慢慢生长。等我们收获的时候,它已经长成了参天大树。

http://www.cnnetsun.cn/news/3231351.html

相关文章:

  • EfficientNet-B0 到 B3 复合缩放实战:4 个模型在 224x224 输入下的精度/速度权衡
  • 134.标准化 PLC 工程落地!扫描周期优化 + 防抖处理 + 状态机防死锁
  • BsMax插件:让3ds Max用户在Blender中无缝工作的终极解决方案
  • 计算机毕业设计之民办高校二手物品交易网的设计与实现
  • 如何快速集成移动端PDF预览:pdfh5.js的完整解决方案
  • 5分钟完全解锁索尼相机隐藏功能:OpenMemories-Tweak终极指南
  • BRT vs 随机森林:3个R包性能对比与5万条数据实战分析
  • 数据库规范化理论实战:从1NF到BCNF的5个经典模式分解案例
  • VisualCppRedist AIO:告别DLL错误,Windows软件运行的终极救星![特殊字符]
  • KITTI 数据集转 ROS Bag 实战:lidar2rosbag_KITTI 工具 3 步配置与 A-LOAM 适配要点
  • 如何在SketchUp中轻松实现3D打印:STL导入导出完全指南
  • Oracle CASE WHEN 表达式 7 种实战用法:从 SELECT 到 ORDER BY 与 GROUP BY
  • STM32与CMT-8540S音频模块开发实战
  • ElegantBook封面定制揭秘:3个步骤打造专业级学术书籍
  • 企业消息中心:站内信、短信、邮件、公众号统一触达,一个事件多通道送达
  • LabelImg 标注效率提升:10 个核心快捷键与 3 种格式(VOC/YOLO/CreateML)批量转换
  • 隐马尔可夫模型(HMM)实战:基于hmmlearn的3步词性标注系统构建
  • 为什么LLM有自我偏好,过度自信的现象?本质原因分析挖掘
  • OpenCV 4.x 图像相似度实战:7种算法性能对比与场景选择指南
  • Label Studio 1.10.1 集成 SAM 模型:Windows 半自动图像标注效率提升 3 倍实战
  • OpenCV 4.8 直方图均衡化实战:3种方法处理低对比度医学图像
  • ControlNet 1.1 14个模型实战评测:Canny/Depth/OpenPose 三大核心模型效果对比
  • OBJ vs FBX vs GLB:3种主流3D格式在NeRF/3D打印/Web场景的7项数据对比
  • 图像去雾 3 大流派实战对比:增强、恢复、融合方法在 RESIDE 数据集上的 PSNR/SSIM 评测
  • 语义分割 5 大损失函数对比:Cross-Entropy、Dice、Focal Loss 的 3 项关键指标实测
  • 3 种点云补全网络对比:PF-Net vs PCN vs RL-GAN-Net,CD/EMD 指标实测
  • YOLOv8 与 Faster R-CNN 实战对比:COCO 数据集上 3 项关键指标深度评测
  • 蓝牙5.4音频传输方案:IDC777-1模块与PIC18F86J16实战
  • 自动驾驶激光雷达标定:Apollo 9.0 动态外参标定实战,10km/h 绕圈采集全流程
  • 3种横向控制算法误差对比:Stanley/Pure Pursuit/LQR在Frenet坐标系下的表现差异