Stratechery推翻AI泡沫論，我們該用AI做什麼？

編者按：在 AI 投資與產業敘事持續升溫的背景下，「是否存在泡沫」已成為市場反覆討論的核心問題。一方面，極端風險敘事不斷強化人們對技術失控的擔憂；另一方面，快速擴張的資本支出與估值水平，也讓「泡沫論」始終揮之不去。在這種分歧之下，市場判斷呈現出明顯的不確定性。

本文作者 Ben Thompson 是科技分析平台 Stratechery 的創始人，長期關注科技產業結構與商業模式演進。在英偉達 GTC 2026 召開之際，他修正了此前對「AI 是否處於泡沫之中」的判斷：不再將當前視為泡沫，而是將其理解為一輪由技術範式變化驅動的結構性增長。

這一判斷，建立在對 LLM 三次關鍵躍遷的觀察之上。自 2022 年 ChatGPT 首次向市場展示大語言模型能力以來，LLM 已從「可用但不可靠」，發展到「具備推理能力」，再到「能夠獨立執行任務」。尤其在 2025 年底，隨著 Anthropic Opus 4.5 與 OpenAI GPT-5.2-Codex 的發佈，agentic 工作負載開始從概念走向現實。

其中，關鍵不在模型本身，而在「agent harness」的出現。Agent 將用戶與模型解耦，負責調度模型、調用工具並驗證結果，使 AI 從需要人為持續干預的工具，轉變為可以託付任務的執行系統。這一變化不僅提升了可靠性，也拓展了 AI 的應用邊界。

基於這一範式轉變，作者進一步指出，AI 需求的擴張不再取決於用戶規模，而更多取決於單位用戶的調度能力；同時，agentic 工作負載具備「贏家通吃」的特徵，將持續推高對高性能算力的需求，並為晶片廠商與雲服務提供商帶來結構性機會。

在這一框架下，當前的大規模資本支出不再只是對未來的投機性押注，而更可能是對真實需求的前置反映。隨著 AI 從「輔助工具」走向「執行基礎設施」，其經濟影響，或許才剛剛開始顯現。

以下為原文：

過去，我更傾向於後者，甚至認為，泡沫在某些階段未必是壞事。

但此刻，站在 2026 年 3 月、英偉達 GTC 開幕之際，我的判斷發生了變化：這未必是泡沫。（而具有諷刺意味的是，這一判斷本身，可能恰恰正是泡沫的信號。）

LLM 的三次範式躍遷

過去幾周，我在討論英偉達和甲骨文財報時，多次提到 LLM 已經歷三次關鍵躍遷。

第一階段：ChatGPT

第一個拐點是 2022 年 11 月 ChatGPT 的發布，這幾乎無需贅述。儘管基於 Transformer 的大語言模型早在 2017 年就已出現，能力也在持續提升，但長期被低估。甚至在 2022 年 10 月，我在 Stratechery 的訪談中还认為，這項技術雖驚人，卻缺乏產品化與創業動能。

但幾周之後，一切徹底反轉。ChatGPT 讓世界第一次真正意識到 LLM 的能力。

不過，早期版本也留下了兩個深刻印象，尤其被「泡沫論者」反覆提及：

第一，模型經常出錯，甚至在不知道答案時會「幻覺式」編造。這讓它更像一種「炫技工具」，驚豔但不可靠。

第二，即便如此它仍然非常有用，但前提是你必須知道如何使用，並且需要不斷校驗輸出、糾正錯誤。

第二階段：o1

第二個拐點是 2024 年 9 月 OpenAI 發布的 o1 模型。當時，LLM 已因更強的基礎模型與後訓練技術而顯著進步，輸出更準確、幻覺更少。

但 o1 的關鍵突破在於：它會先「思考」，再回答。

傳統 LLM 是路徑依賴的，一旦在推理過程中走錯，就會一路錯到底。這是「自回歸模型」的根本弱點。而推理模型會對答案進行自我評估，它會先生成答案，再判斷是否正確，必要時嘗試其他路徑。

這意味著，模型開始主動管理錯誤，減少用戶干預負擔。結果也非常顯著。如果說 ChatGPT 的突破在於「讓 LLM 可用」，那麼 o1 的突破在於「讓 LLM 可靠」。

第三階段：代理人（Opus 4.5 / Codex）

2025 年底，第三次跳躍出現。

2025 年 11 月，Anthropic 發布 Opus 4.5，起初反響平平。但到了 12 月，搭載該模型的 Claude Code 突然展現出前所未有的能力；幾乎同時，OpenAI 發布 GPT-5.2-Codex，也表現出類似水平。

人們此前一直在談「代理人」，但在這一刻，它們終於開始真正完成任務，甚至是需要數小時的複雜任務，而且是正確完成。

關鍵不在模型本身，而在控制層（harness），也就是調度模型、調用工具、執行流程的軟體層。換句話說，用戶不再直接操作模型，而是下達目標，由代理人調度模型、調用工具、執行流程並驗證結果。

以編程為例：

·第一階段：模型生成程式碼

·第二階段：模型在生成過程中進行推理

·第三階段：代理人生成程式碼 → 執行測試 → 自動運行測試 → 錯了就重來，用戶無需持續介入。

這意味著，ChatGPT 時代的核心缺陷正在被系統性解決，更高的正確率、更強的推理能力、自動驗證機制。

唯一剩下的問題是：到底該用它做什麼？

「主動性」的門檻在下降

我之所以反覆強調這三個轉折點，是為了說明為什麼整個行業正在嚴重缺算力，以及為什麼超大規模資本開支是合理的。

三種範式，對算力需求完全不同：

·第一階段：訓練耗算力，但推理成本較低

·第二階段：推理成本暴漲（更多 token + 更高使用頻率）

·第三階段（代理人）：多次調用推理模型、代理人本身也消耗算力（甚至偏向 CPU）、使用頻率進一步爆炸

但更重要的是第三點：需求結構的變化被嚴重低估。

目前，使用聊天機器人的人遠多於使用代理人的人，而且很多人其實並沒有充分使用 AI。原因在於使用 AI 需要「主動性」。LLM 是工具，它沒有目標、沒有意志，只能被主動調用。

但 Agent 改變了這一點，它降低了對人類主動性的要求。未來，一個人可以同時指揮多個 Agent。

這意味著，即使只有少數人具備「主動性」，也足以帶動巨大算力需求與經濟產出。

AI 仍然需要「人來驅動」，但不再需要「很多人」。

企業的付費驅動力

消費端對 AI 的付費意願有限，這一點已經逐漸清晰。真正願意為生產力買單的，是企業。

企業最興奮的，不只是 AI 提升效率，而是 AI 可以替代人力，並且更高效。

目前的現實情況是，大公司裡真正推動業務向前的，往往是少數人；但組織卻很龐大，帶來大量協調成本。Agent 的作用，是將「推動價值的人」的影響力放大，同時減少組織摩擦。

結果就是「更少的人 → 更高的產出 → 更低的成本」。這也是為什麼，未來的裁員，很可能不只是「周期調整」，而是結構變化。

公司會重新思考，不僅思考是否「疫情時期招多了人」，還會思考在 AI 時代，我們是否本就不需要這麼多人？

這為什麼不是泡沫？

從這個角度看，「不是泡沫」的邏輯就比較清楚了：

1.LLM 的核心缺陷正在被算力與架構持續解決

2. 驅動需求的人數門檻正在下降

3.Agent 帶來的收益，不只是降本，更是增收

因此，不難理解為什麼所有雲廠商都在說，算力供不應求，並持續大幅增加資本支出。

Agent 與價值鏈重構

另一個關鍵問題是，如果模型最終商品化，OpenAI 和 Anthropic 還能賺錢嗎？

傳統觀點認為不會，但 Agent 改變了這一點。關鍵在於，真正的價值不在模型本身，而在「模型 + 控制系統」的整合。

利潤往往流向「整合層」，而非可替代的模塊。就像蘋果，它的硬件之所以不被商品化，是因為與軟件深度整合。同理，Agent 需要模型與 harness 的深度協同，這使得 OpenAI 和 Anthropic 成為價值鏈中的關鍵整合者，而非可替代的一環。

微軟的轉變就是一個信號，它原本強調「模型可替換」，但在推出真正的 Agent 產品後，不得不放棄這一點。

這意味著模型未必會徹底商品化，因為 Agent 需要一體化能力。

最後的悖論

我必須回到開頭的那個悖論。

我一直認為，只要大家還在擔心泡沫，那就還不是泡沫；真正的泡沫，是沒人再質疑它的時候。

而現在，我的結論是：這不是泡沫。

但如果「我說這不是泡沫」本身，反而證明它是泡沫，那也只能如此了。

[]

原文連結

發佈者對本文章的內容承擔全部責任
在投資加密貨幣前，請務必深入研究，理解相關風險，並謹慎評估自己的風險承受能力。不要因為短期高回報的誘惑而忽視潛在的重大損失。