AI 真的有泡沫嗎？如果有，該怎麼理解它呢？ —— 來自吳恩達老師“Andrew's Letters” 在OpenAI 提出驚人的1.4 兆美元基礎設施計劃，以及英偉達市值一度觸及5 兆美元天花板的當下，市場對於「AI 泡沫」的擔憂從未如此劇烈。 吳恩達老師這篇文章中，並沒有簡單地加入「多頭」或「空頭」的陣營，而是提出了一個至關重要的視角：AI 並不是一個單一的同質化市場。 要看清所謂的“泡沫”，必須將AI 拆解為三個截然不同的板塊——應用層、推理基礎設施、訓練基礎設施。這樣，我們才能看到真相。 一、 被低估的潛力：應用層與大眾印像中AI 創業的火熱不同，吳恩達老師認為，AI 的應用層實際上處於「投資不足」 的狀態。 這裡的邏輯非常硬派且直觀：從經濟學角度來看，一個技術生態中，應用所創造的總價值必須高於支撐它的基礎設施成本，否則整個商業模式將無法閉環。然而現狀是，大量的資金湧向了底層的晶片和模型，而真正能產生價值的頂層應用卻顯得捉襟見肘。 許多創投目前處於觀望狀態，他們擔心大模型廠商會“贏家通吃”，從而擠壓應用開發者的生存空間。但吳恩達對此持相反看法。他指出，隨著AI 逐漸進化到能夠自主規劃和執行任務的「智能體工作流程」階段，應用層的潛力將被指數級釋放。這不僅是未來十年最大的成長點，也是目前被市場嚴重低估的價值窪地。 二、 供不應求的引擎：推理基礎設施當我們從「應用」下沉到「算力」時，情況發生了變化。吳恩達老師將算力細分為「推理」和「訓練」兩部分。 對於推理基礎設施，目前的狀況是「供給受限」。儘管AI 的全球普及率還處於早期階段，但算力需求已經非常旺盛。展望未來，隨著GPT-5、Gemini 3 等更強大模型的發布，以及AI 智能體開始編寫程式碼、處理複雜任務，我們對Token 的消耗量將迎來爆發式成長。 即使未來市場因過度樂觀而建立了過多的推理算力，這在吳恩達老師看來也並非壞事。對開發者和使用者而言，這反而意味著算力成本的降低，進而進一步催生更多創新應用。因此，這一板塊的基本面依然堅實。 三、 真正的風險中心：訓練基礎設施如果說AI 領域真的存在泡沫，那麼吳恩達老師最擔憂的隱患便藏在訓練基礎設施之中。 這是一個資本極為密集的領域。許多公司投入巨資訓練私有的基礎模型，期望以此建立護城河。然而，開源大模型的崛起正在打破這個幻想。隨著開源模型效能的快速提升，單純靠著「擁有一個大模型」來建構商業壁壘變得越來越難。 由於演算法優化和硬體進步，訓練同等能力模型的成本正在逐年下降。這意味著，今天投入大量資金建立的優勢，可能在明年就被更低成本的技術方案抹平。因此，這一板塊面臨巨大的財務回報壓力，是目前風險最高的領域。 結論：穿越週期的定力吳恩達老師在文章最後表達了一種理性的隱憂：市場往往是非理性的。如果「訓練端」因為投資過熱而崩盤，這種恐慌情緒極易產生連鎖反應，導致資金錯誤地撤出那些基本面良好、甚至本該加大投入的「應用端」。 引用巴菲特的名言，「市場在短期是投票機，長期是稱重機」。短期的價格波動反映的是情緒，而長期的價值則取決於基本面。 對於所有的從業人員、開發者和決策者而言，吳恩達老師的建議清晰而有力：忽略短期的噪音，專注於長期的價值創造。 只要我們確信AI 能為人類帶來巨大的實際價值，那麼應對泡沫的最佳策略只有一個——Keep building！ Understanding the AI Bubble — If There Is One
