企业官网建设流程全解析

这两年，“AI泡沫”从投资圈的饭桌话题，变成了很多程序员也在认真思考的问题。原因很简单：一边是GPT类模型的能力还在迭代，另一边是各种“AI概念”在资本市场的价格波动大得惊人。你可能会纳闷，技术明明在进步，为什么总有人说这是泡沫？

付鹏这类宏观研究者的观点之所以被反复讨论，是因为他提出的不是“AI好不好”的问题，而是“AI的定价是否已经跑在了真实利润前面”。作为技术人，我们天然关注代码、模型、推理速度和工程架构，但如果你同时也在关注行业趋势、职业选择甚至资产配置，就需要把技术视角和商业视角结合起来看。

这篇文章不是荐股文章，也不是“AI信仰”宣导文，而是想从技术从业者的角度，拆解几个问题：AI泡沫到底在讨论什么？技术信号和资本信号如何互相印证？普通人面对这个周期，哪些坑可以避开，哪些基本功值得持续投入？文中会用大量行业已知事实和工程经验做分析，尽量做到既有判断，也有可操作的观察清单。

1. 为什么“AI泡沫”这个词在2025年依然被频繁提起

先给一个明确判断：**大家讨论的AI泡沫，并不是说“AI技术没有用”，而是说“AI资产的定价，可能已经超过了当前技术能产生的真实现金流”。**这是两个完全不同的问题。

从行业基本面看，大模型确实在改变软件开发方式。Cursor、Copilot这类AI编程工具已经进入很多团队的日常开发流程，企业内部知识库RAG应用、客服机器人、内容生成工具也在落地。但问题是，这些应用的商业回报，能否支撑当前算力基础设施的天量投入？

付鹏等宏观分析者更关注的是资金流向和产业周期的错配。ChatGPT刚出世时，市场情绪极度乐观，觉得通用人工智能很快就能重塑所有行业。但当热潮进入第二阶段，资本市场开始问更朴素的问题：你烧了这么多钱买GPU，训练了这么大的模型，最终能从客户手里收回来多少钱？

这里有一个技术人容易忽略的事实：**AI技术的进步曲线，和AI公司的利润曲线，从来不是同一条线。**技术进步可以是指数级或阶梯式的，但商业变现往往是滞后的、线性的，中间隔着产品化、销售渠道、客户信任和组织变革。当这两条线的距离被拉得过大，市场就会用“泡沫”这个词来表达焦虑。

所以，当你看到“AI泡沫”的讨论时，先不要急着站队。你要做的是分辨对方讨论的是技术能力、商业模式、资产价格，还是宏观流动性。这四种语境下的结论完全不同，混在一起讨论永远是鸡同鸭讲。

2. 技术从业者观察AI行业泡沫的几个真实信号

与其听概念，不如看信号。过去一年多，我持续关注AI行业的技术动态和商业动态，有几个比较可靠的观察维度，供大家参考。

2.1 Token价格和推理成本的快速下降

2023年到2024年，主流大模型的API调用价格经历了多次大幅下调。对开发者和企业用户来说，这是好事，因为AI应用的成本门槛在降低。但对AI公司来说，这意味着单次推理的商业价值在贬值，如果不能通过规模效应摊薄成本，利润空间会被持续压缩。

观察方法：定期看主流模型提供商的定价页面，对比每次降价的幅度和时间点。如果降价速度持续快于成本下降速度，说明市场竞争极其激烈，各家都在用价格换份额。

2.2 模型能力提升速度是否进入平台期

在ChatGPT刚出的那一年，每次新版本发布，都有一种“代际跨越”的感觉。但近一年来，很多评测基准开始出现“指数饱和”现象：模型在常见测试集上的得分越来越高，突破99%之后再往上提的边际收益变得很小，而新的评测集又需要时间沉淀。

不是说模型进化停止了，而是说从“震撼人心的演示”进入“无聊但有用的工程优化”阶段。当行业从拼模型效果转向拼成本、拼延迟、拼易用性时，资本市场的兴奋度自然会下降，因为“工程优化”听起来远不如“AGI降临”性感。

2.3 Agent实际落地率与预期之间的落差

Agent被很多人视为大模型真正的杀手级应用。理想状态下，你告诉AI一个目标，它能自己规划、调用工具、完成任务。但在真实企业环境里，Agent面临的稳定性、权限隔离、可观测性问题比单轮对话复杂得多。

很多团队尝试用Agent替代一部分业务流程后会发现，简单任务是可行的，但一旦涉及跨系统操作、长链路任务、异常恢复，效果就会断崖式下跌。这种情况下，资本市场对“AI Agent”概念的高估值，就和技术团队在实际接入中感受到的工程复杂度形成明显落差。当市场预期远超工程现实时，泡沫的讨论就有了理由。

2.4 开源模型与闭源模型的差距缩小

在上一轮AI热潮中，闭源模型的能力明显领先开源模型，所以资本愿意为“头部模型公司”支付高溢价。但现在，开源社区和中小团队的模型能力正在快速追赶，很多场景下，用开源模型微调后的效果已经够用，而且数据可控、成本更低。

这带来的结果是：大模型本身正在从“稀缺能力”变成“基础商品”。如果模型能力无法形成长期壁垒，公司的估值就必须靠应用层、数据层或生态层来支撑。一旦市场看清这一点，泡沫的挤压就会集中在那些“只有模型、没有场景”的公司身上。

信号表：

3. 付鹏观点背后的宏观逻辑：基础设施投资周期的历史回声

付鹏在讨论AI时，经常会引入一个宏观框架：每一轮技术革命的前期，基础设施投资的规模都远超实际需求的增长速度，这种错配会产生泡沫，而泡沫的破裂过程，往往也是技术普及的真正开始。

这不是他一个人的发明。回顾历史，铁路泡沫、电信泡沫、互联网泡沫，几乎遵循着同样的剧本。投资者看到一项革命性技术，开始疯狂建设基础设施，但基础设施的建设和折旧周期，远长于应用场景的孵化周期。等到应用跟不上，资金链断裂，泡沫破裂。泡沫破裂之后，那些价格极低的基础设施被幸存的企业捡起来，催生了下一轮真正的应用繁荣。

把这个逻辑映射到AI时代，可以看到惊人的相似性：

• 基础设施是GPU算力中心