AI的潜力与投入

第一副面孔：未来巨大的潜力与前景如果把人工智能仅仅理解为一项新技术，很容易低估它的意义。更准确地说，AI更像一种“通用目的技术”，其地位类似于电力、互联网和计算机。它不会只是停留在某个行业，而会逐步渗透到生产、服务、治理和日常生活的各个层面，成为新的基础能力。 AI的核心潜力不在于让人们多了一个工具，而是在于它把知识、判断和创造转化为可以被规模化调用的能力。过去，专业知识和复杂判断往往依附于少数人和少数组织；

未来，这些能力可能像水电一样被更广泛、更低成本地获取，从而改变经济运行的底层逻辑和社会协作的基本方式。在经济层面，AI首先带来的是生产力的跃升。原来那些重复性、流程性和部分知识性工作将大幅度自动化，许多服务的边际成本将明显下降，效率提升不再只是线性的叠加，而可能呈现指数级变化。更重要的是产业会发生根本性的重构：制造、医疗、金融、教育、交通和农业等行业会被重新分层，出现一批在这当中起重要作用的AI原生企业和新型平台。

创新范式也会改变，研发、设计、实验和决策将会加速，从想法到产品的周期将大大缩短，试错成本降低，小型团队将会借助AI获得过去只有大组织才能具备的能力。企业将因此更加扁平、更加灵活。在社会生活层面，AI的潜力同样深远。知识获取将更加平民化，教育、咨询和法律服务等可以更低成本地触达普通人，并根据个体需求提供个性化支持。公共服务会变得更精准高效，医疗诊断、城市治理、交通调度和应急响应等，都将会在智能系统辅助下提升质量。普通人可以低成本创作内容、软件、设计和服务，表达和创业的空间会被拓宽。

工作方式也会改变，人从单纯的执行者转向提问者、判断者、整合者和责任者。面对气候、能源、健康、科研等复杂问题，AI提供了新的求解工具，使人类能够处理过去难以驾驭的系统性挑战。概括地说，AI将使稀缺的专业能力变得普惠，让复杂系统的运行变得智能，让创新和服务的边际成本大幅下降。如若治理得当，它将推动经济从数字化走向智能化，推动社会从信息连接走向智能协同。所以，AI的意义不亚于一次新的工业革命。这第一副面孔所展示的，正是这种面向未来的巨大可能性。

这第一副面孔所展示的潜力，在未来能否变成现实，将取决于社会是否同时保有分配上的公平、认知上的多样性和制度上的可信性。第二副面孔：巨大的投入如果说第一副面孔展示的是我们可能会得到什么，那么AI的第二副面孔展示的就是我们必须先付出什么，而这是一张不断膨胀的账单。到目前为止，这种付出已经远远超出了常规研发投入的范畴，更像是一场以千亿美元为单位、以不投入就被淘汰为逻辑的资本竞赛。

理解这场竞赛，需要先看清楚AI产业的一个特征：AI的产出是一种通用能力，而通用能力的生产和交付在物理上高度集中，需要超大规模的数据中心、先进制程的芯片，还要配以电力与电网节点。这与互联网时代应用层可以轻资产、分布式扩张的逻辑不同。 AI的能力越通用，其供给侧越具有重资产和自然垄断的特征，投入的集中度和不可逆性也就越高。第二副面孔所表明的，正是这种经济特征在账面上的展开。首先从规模上说。 2025年，美国五大科技公司的资本支出总额超过3700亿美元，增速约64%。

亚马逊一家预计总投入1250亿美元，谷歌将资本支出上调至910亿至930亿美元，Meta的支出几乎翻倍，达到700亿至720亿美元，微软单季度的资本支出就创下349亿美元的纪录。这还只是已经发生的开支。 OpenAI签署的基础设施协议总额高达约1.4万亿美元，Anthropic一家公司就计划在数据中心和算力上投入超过5400亿美元。摩根大通估计，全球AI和数据中心基础设施的投资规模最终可能达到5万亿美元。那么，钱具体烧在了哪里？最直观的答案是算力基础设施。

AI模型的能力提升遵循一条近乎残酷的规律：投入的计算资源越多，模型表现越好。研究显示，最前沿模型训练成本自2016年以来以每年约2.4倍的速度增长，而模型所需的计算资源量大约每5个月翻一倍。 2025年前沿模型的单次预训练预算已经跨过5亿美元门槛，预计到2027年将进入10亿至30亿美元区间。这意味着一轮训练失败，烧掉的钱就相当于一家中型企业的全部估值。而且，训练只是开始。模型部署之后，每一次用户调用都在持续消耗算力。推理成本更是另一条几乎看不到尽头的支出线。

烧钱的第二个结构性原因，是AI的基础设施属性决定了它无法轻资产运营。互联网公司可以在需求出现之后逐步扩容服务器，但AI数据中心、专用芯片、电力协议、冷却系统，每一项都需要数年的提前采购和建设周期。等到收入端清晰可见时再开始建设，就已经出局了。这就迫使所有主要玩家在回报尚不明确的情况下，必须先把基础设施摆到位。变压器这样的关键设备已经出现全球性短缺，产能已经预订到2028年，电力需求更是被形容为需要10到15年才能解决的长期问题。钱不仅要花在芯片上，还要花在土地、电网接入、发电设施甚至社区关系上。

一个千兆瓦级数据中心的耗电量相当于一个小国的全国用电量，而现有的电网并非是为这种体量设计的。此外，还有一层不太容易被看见但同样沉重的成本：这就是人与数据。前沿模型的训练需要顶尖研究人员，AI加速芯片和人员薪酬构成了训练成本中最大的两项，每项可达数千万美元量级。模型对齐和高质量数据生产依赖大量标注工作，底层标注时薪确实可能低至十几元，而医学、法律等领域的专家标注时薪可达100美元。这些分散在各地的劳动加总起来，构成了AI智能背后一条庞大而成本高昂的供应链。

把所有这些放在一起看，AI烧钱的本质就清楚了：它不是在为一个已经成熟的产品支付运营费用，而是在为一个尚未完全兑现的未来提前铺设一整套新的基础设施。第三副面孔：遥遥无期的回报如果说第一副面孔许诺的是一个智能化的未来，第二副面孔体现的是为这个未来支付的惊人账单，那么第三副面孔呈现的，则是账单已经付出去之后，收入端迟迟没有跟上的尴尬。投入与回报之间正在裂开一道越来越宽的缝隙，而且这道缝隙并没有随着时间的推移而收窄的明确迹象。最直接的证据来自那些处于AI浪潮最前沿的公司。

OpenAI在2025年全年营收约130亿美元，单月营收在年底达到20亿美元，增速不可谓不快。但同一时期，其全年支出高达340亿美元；剔除架构重组带来的约300亿美元非现金会计费用及其他非现金项目后，调整后的亏损仍约为80亿美元。营收在增长，亏损也在同步膨胀，而且亏损的绝对规模远远大于营收。这并非是OpenAI一家的问题。现在整个头部AI产业链的财务结构呈现出相似的形态：收入曲线向上，但成本曲线以更陡的斜率向上，两者之间的距离不是在缩小，而是在扩大。这样我们就可以看到，资本市场实际已经开始在用脚投票。

2026年10月，Alphabet公布的财报显示，其自由现金流连续两个季度为负，资本开支指引仍维持高位。结果财报公布后股价一度下跌约10%。触发抛售的并非是AI业务增速不够，而是资本开支的增长速度持续快于现金回报的增长速度。亚马逊在自由现金流大幅缩水的情况下仍将2026年资本支出定在2000亿美元，财报公布后盘后股价也一度下跌近7%。标普全球评级预计，其覆盖的六家超大规模企业到2027年将出现负自由经营现金流，现金流要到2029年才有望修复。

过去两年谁投得多、谁涨得快的叙事，正在被钱花出去之后到底换回了什么的追问所取代。应用企业端的效率数据同样不支持回报即将到来的判断。 MIT《2025年商业AI现状》报告显示，企业在生成式AI上投入了300至400亿美元，但95%的组织获得的商业回报为零，大约只有5%的定制企业AI工具真正进入了生产环节。这些应用企业中的绝大多数仍停留在演示很酷但无法嵌入实际工作流的试点阶段。即便是被认为最直接的生产力收益，其量级也相当有限。这与千亿美元级别的基础设施投入之间，显然不在同一个数量级上。

德勤与港大的联合调研发现，导致企业AI应用表现不及预期的首要原因并非是技术问题，而是“筒仓式组织形式阻碍创新”，其次是平台架构薄弱和数据可用性不足。换言之，钱可以买到算力和模型，但买不到组织变革的支撑与速度。索洛悖论正在AI时代以一种变体的形式重演：任务层面的效率提升是真实可测的，但它在宏观经济和企业整体财务表现中的映射却迟迟没有出现。也许这并不意味着回报永远不会到来。耶鲁大学管理学院的一项研究指出，AI的回报是真实的，问题在于时间。

面对一个需要数年甚至更长时间才能兑现的技术转型，投资者却要求在短期内获得财务回报。高盛首席经济学家哈祖斯也认为，AI建设带来的增长脉冲将在2026年底或2027年初见顶，而原本应该接棒的生产率红利，在数据中尚未出现。第四副面孔：经济社会的现实冲击与未来风险如果说投资的商业回报遥遥无期，AI对现实的冲击则是清晰可见。 AI的现实冲击并不见得表现为一场突然降临的有形灾难，而可能会以几种同时发生、彼此强化的结构性位移展开，每一种位移都将把成本转移给那些最没有能力消化它的人们。最直接的位移发生在劳动力市场。

清华大学的一份研究报告显示，法律文书助理、初级程序员、基础市场分析师的AI替代率分别达到92%、87%和85%。最先被冲击的不是低技能蓝领，而是从事标准化流程的中高技能白领，而这些岗位恰恰是高校毕业生初次就业最集中的赛道。与此同时，AI暴露度高的行业入门级岗位招聘量下降了18%至40%，资深员工的需求却在上升。这意味着AI并不是简单地消灭工作，而是在抽掉职业阶梯的底部横档：年轻人失去了通过初级岗位积累能力的入口，而这些能力又恰恰是AI尚无法替代的。在此情况下，劳动力市场呈现两端扩张、中间收缩的极化形态。

与就业的结构性错位并行的，是AI对物质基础和认知生态的隐性透支。国际能源署预测2026年全球数据中心用电量将翻一番，联合国大学报告估计