當前的 AI 泡沫導致的資本錯配規模，比臭名昭著的網際網路泡沫高出 17 倍，甚至是 2008 年次貸危機的 4 倍。來源：MacroStrategy Partnership
本文參考自研究機構 MacroStrategy Partnership 的研究報告《The AI bubble is 17 times the size of the dot-com frenzy — and four times the subprime bubble, analyst says》
這並非悲觀主義者的誇張說法，而是根據可追溯至 19 世紀的經濟理論所作出的量化分析，再結合當前人工智慧在技術與商業層面的明確侷限所得到的結論。
資本錯置的經濟理論
MacroStrategy Partnership 的分析師借鑑了瑞典經濟學家 Knut Wicksell 的理論。他的核心洞見在於：
當企業借貸成本大約高於名目 GDP 成長率兩個百分點時，資本才能得到有效配置。
這種平衡能自然抑制投機行為，當借貸成本與經濟產出相匹配時，只有真正具生產力的投資才值得融資。
當企業借貸成本大約高於名目 GDP 成長率兩個百分點時，資本才能得到有效配置。Photo by Markus Spiske on Unsplash
但在過去十多年裡，這個自然機制被破壞了。美國聯準會的量化寬鬆政策將公司債利差壓低到不自然的水準，使資本成本遠低於經濟基本面所能支持的水準。分析師將這一現象稱為「威克塞爾赤字」（Wicksellian deficit） ：
利率應該反映的經濟生產力與實際利率之間的缺口
MacroStrategy Partnership 由前瑞銀商品策略團隊的 Julien Garran 領導，對多種資產類別進行了 AI 生產力缺口的量化分析。
資本錯配不僅出現在 AI 領域，還包括住宅與商用地產、NFT、以及創投領域。以 GDP 比例衡量，這些由低利率催生的錯配資本，遠超過過去任何一場投機狂潮。
直到最近，威克塞爾關係才重新回到正軌；也就是說，十多年來首次，企業借貸成本再次高於名目 GDP 約兩個百分點。利率的正常化揭示了那些只在「免費資金」時代才合理存在的投資，而 AI 基礎建設正是最典型的例子。
運算能力不再保證效率
除了宏觀經濟框架外，該研究還指出了人工智慧技術本身的根本限制，動搖了整個大型語言模型的投資邏輯。
目前這些 AI 系統已經達到所謂的「擴展極限」（scaling limits） 意即，投入更多算力與資料已難以帶來相應的效能提升。
每一代模型都需要指數級的資源投入，但換來的性能提升卻趨於微小。Photo by Levart_Photographer on Unsplash
OpenAI 的 ChatGPT 系列正好體現了這一挑戰。
- ChatGPT-3 的開發與訓練成本約為 5,000 萬美元；
- ChatGPT-4 需投入十倍資金，達 5 億美元；
- ChatGPT-5 的成本高達 50 億美元（相較第一代增加百倍），卻延後發布，且實際表現並未顯著超越前一代。
每一代模型都需要指數級的資源投入，但換來的性能提升有限。
這種「成本指數上升、效益對數增長」的曲線，對任何商業模式而言都難以為繼。Garran 認為科技巨頭已經踢到鐵板，他指出，人類語言的統計複雜性可能比研究者想像得更複雜，單純依靠增加訓練數據與參數規模，已無法持續改善模型表現。
當競爭者能輕易追上甚至超越你的模型時，技術護城河（protective moat）就不復存在，價格優勢自然瓦解。
AI 採用率開始下降
研究引用一家軟體公司的實驗，測量使用 AI 工具的任務完成率，結果僅介於 1.5% 到 34%。更糟的是，即使達到較高完成率，表現也缺乏穩定性與可重現性。
這種不一致性對商業應用而言是致命的。企業需要穩定可預測的工具，而一個星期二能完成 34% 任務、星期三卻降到 8% 的系統，根本無法成為生產流程的基礎。這種波動性本身就是一種風險，迫使人類介入監督，抵消了原本的效率提升。
根據 Apollo 經濟學家 Torsten Slok 以美國商務部資料為基礎的研究，大型企業的 AI 採用率實際上已開始下降。大型企業原本最具備資金、技術與應用場景，理應成為 AI 普及的主力。如果連這些機構都在退縮，意味著技術帶來的效益不足以支撐其成本。
甚至，當你要求 AI 影像生成器產出「五子棋的黑子在獲勝前的所有可能棋譜」，系統幾乎完全失敗。
這並非小問題，而是 AI 模型缺乏對空間關係、遊戲規則與邏輯序列的真正理解。這些系統只是依據資料模式進行比對與插值，無法在新情境中進行真正的「推理」。
根據 Apollo 經濟學家 Torsten Slok 以美國商務部資料為基礎的研究，大型企業的 AI 採用率實際上已開始下降。Photo by ThisisEngineering on Unsplash
沒有清晰的獲利途徑
即便 AI 系統能如宣稱般運作，至些工具依舊面臨嚴峻的商業化挑戰，形成所謂的「商業化陷阱」。
應用同質化
AI 生成的遊戲、娛樂內容或一般性創作工具，皆在競爭激烈的市場中運作，消費者期望免費或低價使用。當人類創作的替代品存在，或 AI 作品本身被商品化，使用者就沒有理由支付高價。
內容價值稀釋
許多 AI 應用僅是重組公開資料，如作業輔助、摘要生成或資訊查詢。雖具實用性，但難以產生足以支撐龐大基礎設施成本的經濟價值。使用者受益，但企業無法從中提取收益。
版權風險
當 AI 生成的文字、圖像、音樂或程式碼可能含有受版權保護的訓練素材，其法律風險與授權成本往往超出潛在收益。訓練資料讓系統更強大，同時也讓輸出結果在法律上變得難以商業化。
廣告模式難以奏效
傳統網路服務依賴用戶停留與互動來產生廣告效益，而 AI 工具的互動模式恰恰相反：使用者只想快速得到答案，然後就立即離開，無法創造可嵌入廣告的場景。
更嚴重的是，重度使用者帶來負單位經濟效益。那些最依賴 AI 工具的用戶，往往訂閱低價月費方案，但他們的查詢頻率與運算資源消耗卻極高，使服務商在每一次互動中都虧損。這顛倒了傳統軟體業的邏輯，反而讓最活躍的客戶反而成為最昂貴的負擔。
沒有定價權
傳統科技企業通常依賴網絡效應、專有資料或技術壁壘來維持競爭優勢，這些構成所謂的「護城河」，讓成功企業即使在競爭者出現後仍能維持高利潤。
然而，大型語言模型領域幾乎不存在這樣的保護機制。一旦某家公司展示出新功能，競爭對手很快就能複製。研究成果通常會公開，架構創新也會被迅速解析，訓練方法可被反向工程。像 Meta 等公司甚至將強大的模型開源，讓高階 AI 能力成為公共資源。
這種商品化在定價權出現前就已侵蝕了利潤空間。當客戶能從多家供應商獲得相似結果，價格就成為唯一區別，而在 AI 成本結構本就極薄甚至虧損的情況下，價格戰只會加速全行業虧損。
此外，先行者優勢迅速消失。企業投入數十億開發尖端模型後，其技術領先期往往僅以「月」計，而非「年」。當他們尚未收回開發成本、客戶基礎尚未穩固時，競爭者已用更低成本複製出同等水準的模型，因為他們避免了承擔前期昂貴的試錯成本。
