我們壓根不處于AI泡沫之中

帶來一篇Ben Thompson最新巨作 Agents Over Bubbles ，可以翻作超越泡沫的智能體？

重要的是智能體，而非泡沫。

而關于所謂的智能體，agents，到底如何發展到今天，本文做出了系統性的回顧。

在國內處于龍蝦狂熱的當下，這可以幫助我們看清楚，AI的進步究竟在哪里，以及，我們到底如何從中受益。

看完全文讓我最驚訝的是，理性如BEN，從以前認為AI有泡沫、但良性的泡沫有一定好處，現在轉而認為：我們可能完全不處于AI泡沫之中了。

文章分4部分：

一、LLM 的范式LLM Paradigms

二、Agency需求的降低The Decreased Need for Agency

三、企業經濟的必然法則Enterprise Economic Imperatives

四、Agents與 AI 價值鏈Agents and the AI Value Chain

全文總結：如今，AI已經正式進入了agents 驅動的新階段，它肯定不是一個即將破裂的泡沫。LLM 的演進分成三次躍遷：ChatGPT 讓大眾看到模型能力，o1 通過 reasoning 提高可靠性，而 Claude Code / Codex 代表的 agents，則進一步通過harness + tools + 自動驗證，把模型從“會聊天”推進到“能完成任務”。正因如此，算力需求不再只是訓練或普通推理，而是被 agent 工作流大幅放大，所以大型云廠商的 capex 并非盲目擴張，而是對真實需求的回應。AI 的主要商業化場景，會優先落在企業端，而不是消費端，因為企業更愿意為生產力買單。進一步的，真正有利潤的環節，未必只是 model 本身，而是model 與 harness 的集成，而這意味著 Anthropic、OpenAI 這類能夠做出強 agent 產品的公司，未必因為“模型商品化”，而被迅速壓縮利潤，反而可以攫取更大的利潤份額。

以下是正文：

在關于 AI 未來的預測方面，存在著一個奇怪的悖論：一方面，你不想成為忽視最可怕的末日情景的人，畢竟誰會希望自己最終被證明是愚蠢的樂觀主義者呢？

與此同時，也存在著一種壓力，讓人不得不相信，我們正處于泡沫之中，所有的這些炒作和各種花銷，都終將走向破產。

一直以來，我都認為，我們處于泡沫之中，但是我同樣認為泡沫也有好處（the benefits of bubbles）。

然而，現在的我，得出了一個不同的結論:我不認為我們正處于泡沫之中。

不過同樣諷刺的是，我的這種想法，尤其是想法的轉變，也許正是我們身處泡沫之中的最有力證據。

一、LLM 的范式 LLM Paradigms

在過去幾周里，首先是在 Nvidia 財報的背景下，然后是上周在 Oracle 財報的背景下，我談到了三個 LLM 拐點（inflection point）。

1、第一個 LLM 的拐點，是 2022 年 11 月 ChatGPT 的發布，這幾乎不需要解釋。

是的，基于 transformer 的大型語言模型在 2017 年就被引入了，其能力令人印象深刻且在不斷增長，但卻被嚴重低估了。

在2022年的當時來看，這是一項令人難以置信的新技術，但卻極度缺乏產品應用和創業活力（product applications and startup energy）。

不用說，幾周之后，這種情況就被徹底顛覆了。

ChatGPT 當然讓世界見識到了 LLM 的能力，但最初的版本有兩個缺陷一直留在許多人的腦海中，尤其是那些堅信我們正處于泡沫之中的人。

第一個缺陷，是 LLM 經常出錯，更糟糕的是，當它不知道答案時，還會產生幻覺。

這讓 LLM 感覺像某種魔術表演：管用的時候令人驚嘆，但卻不是你可以依賴的東西。

第二個缺陷與第一個相關：即使處于那種有缺陷的狀態，LLM 也極其有用，但你需要知道什么時候用，用它們來做什么，并且你需要主動地管理錯誤，并驗證輸出，以防它產生幻覺。

2、第二個 LLM 拐點，是 2024 年 9 月 OpenAI 的 o1 模型的發布。

到那時，LLM 已經取得了巨大的進步，這既歸功于新的基礎模型，也因為后訓練的持續改進。

這意味著，在 ChatGPT 或 Claude 中，構成答案的 token 流，現在更有可能是正確的，并且產生幻覺的概率有所降低。

然而，o1 的不同之處在于，它在將答案交付給你之前，會對其進行推理驗證。

傳統 LLM ，面臨的巨大挑戰在于它們具有路徑依賴性（path-dependent），雖然它們可以將難題作為一個整體來考慮，但一旦它們致力于某個特定的猜測，它們就會被鎖定，并注定會失敗。

這是所謂“自回歸大型語言模型”的一個根本弱點，而迄今為止，所有的模型都屬于這一類。

然而，推理模型會進行自我評估（self-evaluate）：它們會推導出一個答案，然后思考該答案是否正確，或者它們是否應該考慮其他替代方案。

用我上面指出的弱點來說，它們在管理錯誤方面，具有內部的主動性，減輕了用戶持續主動引導 LLM 的負擔，并且結果非常顯著。

從我的角度來看，如果說 ChatGPT 的卓越之處在于使 LLM 變得更具可讀性和實用性，那么 o1 的卓越之處就在于使 LLM 變得更加可靠和不可或缺。

3、第三個拐點，Anthropic 于 2025 年 11 月 24 日發布了 Opus 4.5。

在當時，這并沒有引起太大的轟動。

然后，在 12 月的某個時候，搭載 Opus 4.5 的 Claude Code ，似乎突然能夠完成以前根本不可能做到的事情。

OpenAI 大約在同一時間（12 月 18 日），發布了 GPT-5.2-Codex，它也具備類似的能力。

人們談論agents，已經有一段時間了。然而突然之間，Claude 和 Codex 都在切實地完成具體任務，，并且它們做得很正確，其中一些任務需要耗費數小時。

不過，關于 Opus 4.5 模型發布日期的那一點很有趣。

關于 agentic 工作負載的關鍵在于，它們不僅僅關乎模型，也不僅僅像 o1 那樣遞歸地使用模型。相反，使 agentic 工作負載發揮作用的一個關鍵組成部分是“harness”，也就是實際控制某個模型的軟件（the software that actually controls the model）。

換句話說，Claude Code 和 OpenAI 的 Codex ，實際上將用戶從模型中“分離”了出來：你只需向 agent 發出指令，而 agent 則實際去指揮模型。

關鍵在于，agent 還可以使用其他確定性工具（deterministic tools），這意味著它同樣可以驗證自己的結果。

將其置于coding的背景下，在前面跳的第一種范式中，LLM 會生成代碼，在第二種范式中，LLM 會思考它正在生成的代碼，并朝著更好的答案進行迭代。

而在目前的第三種范式中，agent 會指揮模型生成代碼，然后檢查該代碼是否真的有效，如果無效則重試。

這一切，都不需要用戶的介入。

換句話說，最初 ChatGPT 帶來的許多最大缺陷，已經被大幅削弱，至少對于像編程這樣，可驗證的用例而言，就是如此。

LLM 第一次就答對的可能性，要大得多，它們會對結果進行推理以提高成功率，而現在 agents 會主動驗證結果，無需人類參與其中。

此時，這就只剩下一個缺陷了：那就是弄清楚到底該用這些東西來做什么。

二、Agency需求的降低 The Decreased Need for Agency

然而，為什么整個行業會如此受限于算力？

以及，為什么大型云廠商在 capex 上的大規模投資是合理的？

第一種范式,在訓練方面需要大量的算力，但是推理部分，也即實際回答一個問題，則是相對高效的，你只需將模型吐出的任何內容，發送給用戶即可（所以我的理解就是基本沒有推理inference)。

第二種范式，急劇增加了推理所需的計算量，原因有兩點：首先，生成答案時，需要多得多的 tokens，因為除了答案本身之外，所有的“推理reasoning”過程也都需要 tokens。

其次，推理reasoning，使模型變得更加有用這一事實，意味著它們被使用得更頻繁了，這本身就推動了 token 使用量的增加。

然而，正是第三種范式，才真正打破了天平，證明了 capex 支出并非投機性投資，而是為了滿足遠超供應的需求而新增的投資。

首先，生成一個答案，通常需要多次調用推理模型reasoning model 。

其次，agent 本身也需要算力，并且這種計算——以及 agent 所使用的工具——由 CPU 來執行，比由 GPU 來執行更好。

第三，agents 代表了實用性上的又一次階躍函數式的增長，這意味著它們將被使用得甚至比聊天機器人中的推理模型還要多。

第三點將如何體現，目前尚未得到充分認識。畢竟，使用聊天機器人的人，遠比使用 agents 的人多，而且我會說，大多數人使用聊天機器人的頻率，還沒有達到他們本應該達到的程度！

這一直是一個主動性的問題（a question of agency）：要充分利用 AI，需要真正地發揮主動性去使用 AI。

大型語言模型是智能的，但它們沒有目標、價值觀或驅動力。它們是供人們使用的工具，供任何有意愿且有能力發揮主動性去使用它們的人使用。

有多少應用程序或服務，還沒有被開發出來，并不是因為某個人無法想象或在腦海中創造它們，而是因為他們缺乏實際交付它們所需的資源、團隊或協調能力？

這觸及了 AI 影響世界的途徑，這種影響超越了客戶支持（customer support）中的成本節約，或是其他任何顯而易見的容易實現的目標（低垂的果實low-hanging fruit）。

隨著大型語言模型在需要時，通過確定性計算（deterministic computing）進行理解、并執行復雜命令的能力不斷增強，指揮 AI 做事的獨立個體的潛在力量，也會隨之增強。

互聯網消除了媒體行業對復雜成本結構的需求及其內在的防御性，而 AI 有潛力在更多的行業中做到同樣的事情。

這就是真正能發揮作用的 agents有多么重要。

你能看到它們的到來，但當它們真的來臨時，你仍然會感到驚訝，而且就像我們談論所有與 AI 相關的事物時必須說的那樣，它們目前所呈現的形態，已經是它們未來最差的樣子了。

然而，這一切對主動性agency的影響，才是最深遠的。

是的，你需要有主動性，才能使用 agents。

是的，具備這種主動性的人數，可能遠遠少于那些可能會使用聊天機器人的人數。

是的，你可以說，聊天機器人本身將成為 agent 經理，但更關鍵的觀察在于，通過將人類從直接的模型管理中抽象出來，任何單個的人類都可以控制多個 agents。

就計算能力、乃至經濟影響而言，這意味著實際上，不需要那么多具備主動性的人，就能極大地增加被積極用于創造具有重大經濟影響的產品的算力。

換言之，agents 的崛起，不僅意味著對算力需求的急劇增加，也意味著需求顯現不再那么依賴于人類的大規模采用。

是的，AI 仍然需要主動性，只是它不需要那么多人的主動性，就能產生深遠的影響。

三、企業經濟的必然法則Enterprise Economic Imperatives

在最近的 MacBook Neo 發布之后，關注 Apple 的媒體緊緊抓住了華碩的首席財務官 Nick Wu 在該公司近期財報電話會議上的言論，他將這臺599 美元的電腦描述為“對整個市場的沖擊potential effects on that market”。

然而，同樣有趣的是 ，Wu 試圖淡化 Neo 對該市場的潛在影響：“事實上，我們早在去年下半年就聽說了 MacBook Neo 即將出貨的消息。因此，我們做了一些內部準備。但該產品正式發布后，我們發現其規格存在一些局限。例如，內存不可升級，而且只有 8GB 的內存。因此這可能會限制某些應用。所以我認為， Apple 在定位這款產品時，可能更多地是關注于內容消費（content consumption）。這與主流筆記本電腦的使用場景有些不同，因為在這種情況下，Neo 感覺更像是一臺平板電腦，畢竟平板電腦就是主要用于內容消費。”

這有點像是在找借口，考慮到 Neo 的處理器是多么強大，以及部分得益于 Apple 硬件和軟件的深度整合，Mac OS 在 8GB 內存上運行得是多么流暢。

與此同時，Wu 談及到的某些事實也是對的，那就是大多數消費者，通常確實只是想消費內容。

但我想補充的是，這意味著他應該更加擔心 Neo，而不是更少擔心。

你最喜歡的生產力應用程序（productivity application），最終總是會轉向企業市場。

因為公司才愿意為生產力買單，畢竟他們才是真正為那些他們希望變得更具生產力的員工支付薪水的人。

有理由預計，這一點同樣適用于 AI。

至少在短期內，AI 最具吸引力的消費者應用，是 Google 和 Meta 的廣告業務，它們與內容消費并存。

同時，OpenAI 認為自己能將超過一小部分比例的消費者，轉化為訂閱用戶的想法，其實一直都是不切實際的。

這既是為什么廣告模式不可或缺的原因，也是為什么這還不足以支付那么多支出的原因。

毫無疑問，大多數人并不想為 AI 付費。

至于他們是否愿意足夠頻繁地使用它，以維持廣告模式的運轉，也還有待觀察。

這也就是說，Anthropic 幾乎完全專注于企業市場的做法，是對的。

很多公司已經表現出愿意為能讓員工提高生產力的軟件買單，而 AI 在這方面肯定符合要求。

然而，真正讓企業高管垂涎三尺的，不僅是 AI 會裁減工作崗位的前景，而且裁減崗位恰恰是因為這能讓整個公司更具生產力。

情況一直都是如此，即使在大公司里，也只有相對少數的人能真正取得突破，并以有意義的方式推動公司向前發展。

然而，這種動力需要通過一個由人類組成的龐大機構進行過濾，這些人在某些方向上加速了這種努力，在另一些方向上卻拖慢了它。

那個機構，使得廣泛的影響成為可能，但它伴隨著巨大的協調成本。

然而，agents 將更強烈地向純粹的加速傾斜，讓那些創造價值的驅動者更具影響力。

我贊同這樣一種觀點：最好的公司，會希望利用 AI 做更多的事情，而不僅僅是省錢。

然而，大型組織的現實情況是，AI 的積極影響，將不在于消滅工作崗位，而在于用 agents 替換掉組織機器中那些難以管理和激勵的“人類齒輪human cogs”。

Agents 不僅會按照指示做事，而且會不知疲倦、持續不斷地工作，直到任務完成。

這可能使得，我們并不處于泡沫之中的論點，變得更加令人信服：

1、LLM 的所有弱點，正在通過算力的指數級增長得到解決；

2、能使需求暴漲的、需要有效利用 AI 的人類數量，正在減少。

3、使用 agents 帶來的經濟回報，不僅對行業的底線bottom line有影響，也會推高天花板top line。

在這種背景下，每一家大型云廠商都表示，算力供不應求，并且每一家大型云廠商都在面對股市懷疑的情況下，宣布了遠超預期的 capex 計劃，這難道有什么好奇怪的嗎？

這也就是為什么，不應該把即將到來的、歸咎于 AI 的一波裁員潮，僅僅看作是糾正新冠疫情時期過度招聘決定、或在多次緊縮后調整薪酬結構的借口。

這些，其實都是事實！

與此同時，值得深思的是，公司之所以變得臃腫，是因為這在很長一段時間里，招人一直是擴張的唯一方式，而且很難知道協調成本的拖累和龐大的員工隊伍，所帶來的邊際收益遞減（diminishing returns ）在什么時候會超過邊緣員工帶來的好處。

不幸的是，你只有在越過那個點時，才會發現它，而且很難走回頭路。

然而，AI 不僅為消除這種臃腫，提供了上述借口，而且還將“適度規模的點“rightsize point”，顯著推向了規模小得多的員工隊伍。

越來越多的公司，不僅會懷疑他們在前 AI 時代是否雇傭了太多人，還會懷疑：他們在后 AI 時代，是否雇傭了太多人。

最具前瞻性和最能經受未來考驗的方法，可能將是多裁員而不是少裁員，這可以倒逼留下來的人別無選擇，只能利用 agents 來重建規模。

畢竟，如果他們不這樣做，那些從一開始就基于 AI 建立起來的、規模小得多的競爭對手，很快就會以更低的成本結構（smaller cost structures）和隨著時間推移結構性增強的能力（more capabilities that will structurally increase over time），緊跟在他們身后（甚至超越？）。

情況，很可能會變得糟糕。

我不是在倡導這種結果，而是在分析為什么它很可能會發生。

這種經濟上的必然性，將是無法抗拒的，并且隨著時間的推移，將刺激對算力更大的需求，這進一步支持了現在不是泡沫的觀點

四、Agents與AI 價值鏈Agents and the AI Value Chain

另一個重要的泡沫問題是，關于 Anthropic 和 OpenAI 極高的估值。

當然，也許這些東西都是真實的，但如果模型變成了一種商品（ commodity，就是模型能力成了大路貨），那還有利潤可圖嗎？

Horace Dediu 在 Asymco 上提出了這些問題，并想知道 Apple 是否正在執行企業史上最輝煌的舉措：

“這正是 Apple 的押注變得天才的地方。AI 模型商品化的速度，比任何人預測的都要快，軟件和硬件都有商品化的趨勢。保護壁壘是存在的，但它們與集成和分銷（integration and distribution）有關。”

“DeepSeek 花費 600 萬美元，構建了一個模型，就足以媲美耗資 1 億美元的系統。開源模型，現在為 80% 尋求 VC 融資的初創公司提供支持。”

“大公司正花費數千億美元建立的護城河，正在蒸發。”

“Apple 比任何人都早明白這一點，因為它沒有構建自己的 AI 模型，而是以每年約 10 億美元的價格獲得了 Google 的 Gemini 授權。當外包只需要 10 億美元時，為什么非要花費 1000 億美元去建一座工廠？”

“如果明年，出現了更好的模型，Apple 只需更換供應商即可……”

“Apple 并沒有錯過 AI 革命，它只是押注贏家不會是那些構建基礎設施的人。贏家將是那些擁有客戶的人，而在地球上沒有其他人擁有比它更好的客戶。”

我認為，在前面提到的第一個 LLM 范式期間，以上所有這些斷言，都是站得住腳的。

沒過多久，多個基礎模型在處理大多數人使用 LLM 的事務上，就已經足夠優秀了，比如，烹飪或基本的醫療建議，或是作為治療師或伴侶。

此外，有理由期望這種質量的模型，很快就能在本地運行。

然而，推理范式（reasoning paradigm），讓本地推理（local inference）的暢想，可能無法成立。

考慮到生成的 tokens 數量，推理模型不僅需要快速的算力，而且它們還需要呈指數級增長的內存，來容納大得多的上下文窗口，這是本地模型最大的局限。

Apple 制造出了令人驚嘆的芯片，其極具吸引力的統一內存架構，使其設備上的基礎推理（basic inference），比其他任何人的設備都更具合理性。

但在可預見的未來，也不存在任何一種情況能讓具有競爭力的、哪怕是勉強能與云端模型競爭的強大推理模型，在本地運行（因為內存不夠）。

然而，最可能會對 Dediu 的論點造成致命打擊的，是 agents。

具體來說，前面我提到，使 Opus 4.5 令人矚目的，并非模型發布本身，而是 Claude Code harness （實際控制某個模型的軟件）的變化，這使其突然變得極其有用。

這意味著，模型性能并非唯一重要的事情，模型與 harness 之間的整合，才是真正實現 agent 差異化的地方。

在弄清楚 AI 行業未來的結構，以及利潤流向時，這是一件非常重要的事情，因為利潤會從價值鏈中被商品化的模塊化部分流出，并流向價值鏈中具有差異化（differentiated）的整合部分。

Apple 當然是這方面最終極的例子，它的硬件并沒有商品化，因為它是與軟件整合在一起的，這就是為什么 Apple 能夠持續收取更高的價格，并攫取 PC 和智能手機領域幾乎全部的利潤。

因此可以得出結論，如果 agents 需要模型與 harness 之間的整合，那么建立這種整合的公司——尤其是 Anthropic 和 OpenAI（Gemini 是一個強大的模型，但 Google 尚未交付令人信服的 harness）——實際上有望獲得比去年年底看起來要高得多的利潤。

同理，那些認為模型只能商品化的公司，可能會在交付具有競爭力的產品時，陷入掙扎。

在這方面，煤礦里的金絲雀是微軟（用來預警“毒氣”）。

曾經，Microsoft 自詡為整合的 AI 供應商，在財報電話會議上吹噓其與 OpenAI 的深度整合，將帶來具有可持續差異化的基礎設施。

之后，OpenAI 險些管理層大崩盤，而 Microsoft 隨即轉變了態度，越來越多地將模型作為商品來談論，并提出了一項核心 AI 戰略，該戰略需要在模型周圍構建基礎設施，而這些模型本身將是可互換的，并且從 Microsoft 的客戶那里被剝離出來。

然而，快進到上周，當 Microsoft 透露他們將如何應對 AI 減少席位seats，帶來的潛在業務影響時（微軟的商業模式是seat-based business model），聲稱公司打算將 AI 捆綁到一個新的、更高級別的企業級產品 E7 中，其價格將是以前最頂級的 E5 的兩倍，即每個席位每月 99 美元。

這是一個巨大的漲幅，Microsoft 需要用真正能讓這些席位更具生產力的 AI，來證明其合理性，而他們隨這個新捆綁包推出的產品是 Copilot Cowork。

如果“Cowork”這個名字聽起來很耳熟，那是因為這基本上就是 Claude Cowork 的企業版，而 Claude Cowork 是該公司在今年早些時候發布的、圖形用戶界面化的 Claude Code 版本。

Microsoft 的版本，有一些重要的區別，包括后者在云端運行，并基于你的組織數據，擁有隨之而來的所有權限和訪問策略。

然而，關鍵在于，Copilot Cowork——與 Copilot 聊天機器人不同——并非是不挑模型的。

Cowork 是一個agent，這意味著，它既需要一個模型，也需要一個 harness，并且這是兩個被整合在一起的部分，而不是模塊化的組件。

這其中的影響是重大的。

Microsoft 承認，至少在目前，要交付一個真正引人注目，且企業愿意為之買單的 agentic 產品，就意味著要放棄他們之前聲明的不挑模型的目標。

進一步而言，這就提出了一種可能性，即模型不是、也不會成為商品，因為 agents 所需要的不僅僅是模型，光靠模型是不夠的。

這無疑讓人對 Apple 僅僅授權 Gemini 并以新的 Siri 的形式自己構建 harness 的決定，產生了疑問。

Microsoft 認定，他們無法通過走那條路，來交付一款引人注目的產品。

那么，Apple 做了什么，來讓人相信他們能做得更好呢？

如果真要說的話，這家公司的可取之處在于 Dediu 最后得出的那一點：消費者可能根本就不那么在乎 agents。

在這種情況下，Apple 做到“足夠好good enough”，就可以了。

但是，這對微軟的企業級客戶，是不夠的，這些客戶的要求更高，所以，微軟會意識到，它將不得不分給 Anthropic 更多的利潤，哪怕它本不愿意。

然而，重要的是，如果 agents 正在使 Anthropic 和 OpenAI 成為價值鏈中的整合點（the point of integration in the value chain），那么認為這些公司被高估、以及其他公司代表它兩在數據中心進行的巨額投資是不合理的那種泡沫論點，可能就是不正確的。

我一直堅信，只要每個人都在擔心泡沫，就不需要去擔心泡沫。

只有當人們把謹慎拋諸腦后，并打包票說，這絕對不是泡沫的時候，我們才可能真正身處泡沫之中。

是的，我認為 agents 的崛起，意味著我們并不在泡沫之中。

現在的capex是合理的，并且 Anthropic 和 OpenAI 看起來比以往任何時候都更有韌性。

也或者，當我宣布沒有泡沫，就意味著有泡沫，那也就這樣好了，so be it！

全文完。