AI的繁荣,究竟是谁的繁荣?从科技股暴涨暴跌、存储长协与AI编程热,看利润、风险与普通人的机会

成稿日期：2026年11月6日。行情截止：A股11月6日收盘，美股11月5日收盘。

文中企业数据按财报对应期间标注；研究结论保留样本边界。没有独立确认的传闻不作为事实依据。本文仅讨论产业与经营逻辑，不涉及个股买卖指令。

——

11月4日，科创50上涨9.92%。一根如此醒目的阳线，很容易被赋予超出价格本身的意义：信心恢复了，抛压结束了，新的周期开始了。[1]

一个美国交易日之后，纳斯达克指数下跌5.52%，费城半导体指数跌约12%。11月6日，科创50回落2.60%。几天之内，看起来同样有说服力的解释，又朝另一个方向奔涌而来。[2][3]

与此同时，一篇开发者故事正在传播。按照文章转述，有人用AI连续做了几个月软件，功能越来越完整，界面越来越精致，订阅账单按时到来，用户始终没有出现。这个故事来自所讨论的博主文章，缺乏独立的人物与经营数据验证。然而，它提出的问题足够真实：一个人可以持续获得制作的成就感，却始终没有获得市场的承认。

把这几个场景放在一起，一场争论就出现了。看多者指向芯片、订单、存储与模型能力，认为长期繁荣已经确立；怀疑者指向亏损、裁员、资源消耗与空转的创业者，认为生产力狂奔正在制造一场巨大失衡。

两边都抓住了一部分现实，也都可能跨过最关键的几道关口。技术能力增长，怎样变成企业利润？企业利润增长，怎样变成购买股票者的合理回报？社会生产效率提高，又怎样变成一个普通人更高的收入、更短的工时与更有尊严的生活？

这几道关口之间，站着竞争、价格、债务、权限、组织与制度。任何一环发生变化，结果都可能分叉。芯片需求繁荣时，某家算力运营商可以亏损；模型越来越强时，软件创业者可以越来越难获客；企业整体产出提高时，员工可以更加疲惫。

我的基本判断是，AI已经在一些任务中创造真实收益，技术的长期可能性也值得认真对待。但产业繁荣无法替所有参与者保证回报，社会进步同样需要一套让收益与代价能够被看见、被协商、被修正的安排。

我们需要把钱的来处、风险的去处，以及最后付账的人，重新放到同一张桌上。

一、从6月到11月，市场究竟在重估什么

行情最容易制造的错觉，是认为价格每天都在回答同一个问题。实际上，一只股票的交易价格可能同时受到盈利预期、折现率、持仓拥挤、保证金要求、指数资金与政策安排的影响。相同幅度的下跌，背后的主导机制可以完全不同。

6月5日的美股调整，路透报道将强于预期的就业数据、利率预期变化与科技股卖压联系起来。[4] 这个背景提醒我们，一家企业未来可能赚得更多，股票仍可能因为折现率变化而下跌。未来收入离今天越远，估值对时间成本变化往往越敏感。技术故事没有被推翻，购买价格却可能需要重新调整。

到了7月底，融资结构成为另一个重要观察口。路透7月31日报道，Leopold Aschenbrenner管理的Situational Awareness当月组合价值下跌67%，出售大部分公开股票组合，并在投资者信中表示已经去除杠杆。[5] 我们没有必要把未经充分确认的精确成交日、折价比例与交易金额补进故事。已经确认的事实，足够说明长期产业判断与短期生存能力之间的冲突。

一家基金可能认为几年后存储需求会更大，贷款方关心的却是今天抵押物值多少钱。价格下跌触发补充抵押物，补充失败触发卖出，卖出压低价格，又使其他账户的抵押物缩水。这个循环无需等待企业订单恶化，就可以伤害持仓者。

7月30日费半上涨8.19%的报道，说明价格能够在极端波动中迅速反弹。[6] 但某个卖方完成出清，只代表一组资产负债表发生变化。其他资金的期限、风险预算与杠杆未必相同。将单个基金的退出写成全市场恐慌永久消失，缺少证据。

11月初，市场又在同时处理不同信息。中国市场存在资本市场支持政策与局部超跌修复，美国投资者则需要重新估计财报、监管预期与基础设施建设节奏。两边拥有部分相同产业暴露，同时承受不同的估值、资金与政策约束。某一天一涨一跌，不能简单解释为一方更懂AI。

回看11月4日至6日，既不能把大涨当天直接宣布为最终底部，也不能拿后来的回落宣告此前反弹毫无价值。11月6日的科创50下跌，没有完全抹去11月4日涨幅。对底部的判断，需要明确究竟指盘中低点、收盘低点、估值区间，还是盈利周期的低谷。几个不同概念若只用“底”字打包，分析就容易获得一种虚假的精确感。

所谓资金流，也需要同样的耐心。一个行情软件显示“主力净流出”，通常意味着其算法按照订单规模或成交特征完成了分类。除非有相应披露，它无法直接告诉我们交易者身份、完整持仓与减仓动机。龙虎榜能够展示特定席位在特定范围内的交易，无法呈现所有机构的资产配置判断。

ETF申购具有研究价值，但从份额增长跳到某一类最终持有人身份，还需要额外证据。买入ETF的目的也可能包括配置、套利与风险管理。我们可以研究行为，不能在数据空白处补上一个全知全能的资金主体。

估值分位同样需要交代时间窗口、盈利口径与成分变化。低市盈率可能表示市场悲观，也可能包含盈利处于高位、未来回落的预期。历史百分位较低，可以成为进一步研究的起点，无法提供价格下限。

我赞成把强反弹视为重要信息，反对把它扩展成不受条件约束的未来承诺。一天的交易能够改变短期博弈，长期现金流仍要由未来逐步交付。投资者真正需要明确的，是自己在判断哪一层，哪些证据已经出现，哪些条件仍未满足。

这种区分也适用于成交额。两万亿元可以描述某个阶段的交易状态，却难以成为跨时期不变的趋势开关。市场规模、自由流通市值、交易结构和波动环境变化后，同一成交额的含义也会改变。观察量能是否持续，应当结合自身历史、市场宽度与价格行为，不能把一个整数写成自然定律。

当我们承认市场同时在重估多件事情，就能理解一件看似矛盾的事：产业越来越重要，股票也可能越来越难做。重要性吸引资本，资本推高预期，预期抬高价格，价格又提高了获得满意回报的门槛。繁荣可以扩大机会，也可以提前收走未来收益。

关键事件应当怎样阅读

二、技术革命与金融泡沫为何可以共存

对AI最常见的两种误解，都来自对时间的处理。一种认为技术将改变世界，因此当前的高投入与高价格都可以被未来解释；另一种认为短期回报不足，因此技术价值本身值得否定。

把时间展开，问题就清楚了。一项技术可以在十年后带来巨大社会收益，却让今天采用某种融资方式的企业在两年内陷入困境。基础设施可以继续运行，建设它的原始股东却未必获得理想回报。社会留下资产，与资本保住本金，属于两个需要分别核算的结果。

泡沫也不要求产业完全虚假。只要进入价格隐含的未来增长、利润率与兑现速度过于乐观，即使技术持续进步，投资者仍可能遭受损失。把泡沫定义成“技术毫无用途”，会让人无法识别更常见的风险：东西有用，价格太贵，融资太急，收益来得太晚。

同样，价格下跌也无法自动证明此前全是幻觉。一个企业的经营价值和交易价值之间，存在估值折价、风险溢价与流动性变化。讨论泡沫时，应当把问题缩小到能够检查的对象：哪家公司，哪种资产，哪个价格，什么收入假设，怎样的资本成本。

在这些问题上，叙事通常偏爱宏大的终点。超级智能、基础设施化、文明级跃迁，都有强烈的吸引力。债务合同却写着具体日期，客户预算有具体上限，工资与利息需要具体支付。长期故事越大，越需要给中间过程留下足够的生存空间。

Situational Awareness的经历之所以有启发，正在于它让这个中间过程变得可见。一个人可以对技术研究很深，同时在流动性管理上承担过大的风险。研究能力、仓位管理和融资管理互相联系，却不能互相替代。理解得多，无法让保证金要求自动宽松。

普通创业者面对相同结构。你可能准确预判企业会采用AI，但采购可能经历预算审批、信息安全评估、试用和内部协调。你的客户在讨论下一财年，你的团队却需要下个月发工资。项目有未来，与公司有时间等到未来，仍然是两回事。

因此，评价一个机会，至少要同时看收益空间、兑现路径与等待成本。只看空间，容易把所有不确定性压缩成“耐心”；只看近期现金，又可能拒绝合理的长期建设。较好的办法，是让投入规模和融资期限匹配证据强度，随着验证推进承担更大责任。

“大家都在投资”也无法单独证明回报率。竞争性行业里，各企业从自身角度做出的合理决策，可能共同形成过剩投资。一家公司担心不扩产会失去客户，另一家公司担心不投入会被淘汰。它们都可以拥有充分的战略理由，但产业整体仍可能在某个阶段出现收益压缩。

这种结构尤其值得AI参与者警惕。大公司可能为了保住既有业务而投入，即使新增AI服务的独立利润率暂时不高，投入仍有防御意义。小公司若误把这种防御性支出理解为所有新进入者都能获得的超额利润，就可能复制了一套缺乏自身现金来源的战略。

投资者也需要区别企业成功与股票成功。企业规模翻倍的同时，市场给予的估值倍数可能下降；公司通过新增股本扩大经营，原有股东的每股收益未必同比例增长。行业营收增长、公司营收增长、每股价值增长与投资回报之间，每一步都存在可能的损耗。

同样重要的是，我们不应把宏观全部归为噪声。利率会影响融资成本，汇率会影响设备进口，地缘政策会影响客户和供给，地方监管会影响项目是否能通电。这些因素能够改变现金流本身，远超短期情绪的作用。

真正值得坚持的长期判断，应当能够容纳这些变化。它需要告诉读者，什么条件下仍然成立，什么情况下需要降低预期，哪些风险会让持有者提前出局。没有修正机制的信念，很容易把“长期”变成拒绝验收的借口。

三、AI的第一笔真账：钱最终从哪里来

讨论AI赚不赚钱，首先需要弄清楚讨论对象。芯片企业卖出设备，云公司卖出计算服务，模型公司出售订阅和接口，行业应用收取软件费，终端企业希望降低成本或增加收入。它们都可以记录营业收入，但这些收入无法简单相加成为最终需求。

假设一家企业付出一百万元购买AI服务，服务商拿其中一部分购买模型能力，模型方又购买云资源，云公司向设备商采购。链条上每一笔交易都是真实的，重复累加却会把同一笔最终支出计算多次。宏观上需要考虑增加值，项目上需要追踪钱由谁投入、收益由谁获得。

另一个方向同样重要。设备商的收入，可以来自客户正在融资建设的新产能。此时收入真实存在，但终端项目回报仍待未来验证。上游已经获利，不能独立证明整个体系已经完成自我造血。它证明有人愿意并有能力投资，还需要进一步证明投资能够创造足够的回报。

这并不意味着投资支出没有经济价值。建设本身产生当期活动，基础设施可能支持长期生产。需要警惕的是把不同阶段合并：融资完成、设备交付、收入确认、客户使用与最终收益，各自代表一项进展，任何一项都无法替代后面所有环节。

CoreWeave的公开财报展示了这种区分。其2026年第二季度收入25.75亿美元，经营亏损4900万美元，净亏损6.26亿美元。[7] 一组数字同时包含强劲需求与尚未实现净盈利的现实。它足以反驳“全产业链已经没有亏损环节”，也不足以证明企业未来一定无法盈利。

为什么需要同时看经营利润与净利润？因为计算服务可以存在正的经营贡献，但债务利息可能显著侵蚀股东收益。对重资产企业来说，客户购买意愿只是起点，设备折旧、融资成本、维护与再投资都需要被覆盖。调整后指标可以帮助理解特定经营表现，无法让实际资本支出与利息消失。

微软提供了另一种结构。公司10月28日披露，当季经营现金流580亿美元，现金购置固定资产394亿美元，自由现金流186亿美元；包含融资租赁的资本开支口径为452亿美元。[8] 计算现金流时，不能直接混用两个资本开支口径。这些也是公司整体数据，无法自动拆成纯AI业务的独立回报率。

成熟企业可以依靠既有业务现金支持新建设。这样的跨期投资完全可能合理。对外部观察者而言，问题是新增投入究竟改善了哪些业务、产生了多少新增贡献、需要多久收回。公司整体仍然赚钱，并不能代替这些问题的答案；公司整体有充足现金，也确实提高了它等待的能力。

由此可以理解，AI产业里存在至少三种不同的付款人。终端客户为了实际成果付款，企业为了战略位置提前投资，金融投资者为了未来收益提供资本。三者都能推动当前收入，却拥有不同的期限与约束。一旦混在一起，市场就容易把融资支持的扩张读成终端需求已经全面兑现。

同样需要避免另一个极端：因为产业之间存在互相投资、采购与持股，就直接将所有收入判为虚假。关联关系提示我们检查独立需求、定价与信用风险，不能替代具体核算。客户是否真实使用、能否独立支付、合同有没有交付义务，才是更有价值的调查方向。

对AI应用创业者来说，账本应当更接近客户。用户付费一千元购买服务，不代表替用户创造的价值恰好一千元；客户可能节约更多，也可能只是在试错。服务商自己扣除模型、人工、渠道与售后后剩多少，又是另一项计算。

为了让讨论具体，可以用一个假设算例。某企业每月处理一千件任务，原来需要一百小时。AI加入后，初次处理只用四十小时，但人工核查与返工增加二十小时，另有软件费与异常损失。宣传口径可以写初次处理提速六成，企业整体只节约四十小时；财务收益还取决于这四十小时能否形成可用产能或可避免支出。

如果员工工资没有变化，也没有新增订单，节约出来的时间仍然可能改善服务和生活，但不能直接当作当月已经减少的工资支出。若老板要求同样员工多完成订单，就需要计算新增贡献毛利；若企业通过自然减员减少招聘，则要计算实际避免的成本。时间收益与现金收益，都值得记录，口径必须清楚。

我们可以据此建立一个项目层面的核算式：

客户项目净收益＝新增贡献毛利＋可兑现的成本节约－全部新增实施及运行成本－预期错误损失。

这里的成本包括数据整理、系统接入、模型调用、复核、维护与异常处理。已经包含在贡献毛利里的成本变化，不能重复计算。资本投资回报与当期经营效果也需要分开，不能既扣完整资本开支，又把同一笔折旧重复当作额外现金流出。

这张账对于投资者同样有用。你可以认可AI提高了客户生产率，同时继续质疑某家供应商的估值；可以认可上游盈利强劲，同时追问下游最终支付能力。商业链条里任何一个位置的成功，都应当凭自己的证据成立。

最需要被替换的习惯，是从热闹直接推导价值。机柜数量、调用量、代码行数和新闻曝光都可以是有用指标，它们首先描述规模与活动。只有连接到质量、需求、成本与回款，才开始接近经营结果。

一笔投入，在不同主体账上意味着什么

这张表解释同一条业务链上不同主体的观察位置，不代表任何企业已经实现某种结果。

四、存储正在改变，周期还能回来吗

存储值得认真研究。更大的模型、更长的上下文、更高的并发和更多的数据调用，都可能提高特定内存与存储产品的重要性。但重要性、稀缺性、定价权与股东回报，需要依次证明。将它们直接连成确定的上升曲线，会掩盖行业内部最关键的差异。

首先，存储从来就不只是一个产品。HBM、普通DRAM、企业级SSD和消费级NAND，面向的工作负载、客户认证、制造与封装条件各不相同。某一产品供给紧张，无法证明所有存储厂商都拥有同样的收益机会。产品之间可能争夺产能，也可能通过技术变化重新分配需求。

其次，长期需求增长与周期可以同时存在。假设某种产品需求连续多年上升，供应商在高利润刺激下集中扩产，供给仍可能在某一阶段跑到需求前面。需求绝对量没有下降，价格与利润率依旧可能调整。用“AI还在发展”回答所有价格风险，忽略了供给这一半。

不过，合同结构的变化确实值得重视。传统现货波动使企业很难规划资本支出，客户也担心关键资源无法获得。长期采购安排可以提高双方的可见度，减少部分短期博弈。对此，简单沿用过去最粗糙的周期标签，同样可能低估真实变化。

美光9月30日准备稿披露，26份SCA预计覆盖截至2030年期间收入的35%以上，其中约四分之三的预计协议收入有明确价格框架，客户财务承诺达到320亿美元。[9] 需要看清两个分母：前者涉及一段时期的收入，后者涉及这些协议预计收入中的定价安排。它们无法改写成2030年75%的产能已经锁定。

同一份材料提到，季度末相关现金保证金余额为127亿美元，保证金列入融资活动，不影响公司披露的自由现金流。管理层也表示，预期即使按照合同底价，利润率仍明显高于过往周期峰值。[9] 前者是口径，后者是预测。认真对待预测，意味着继续检查其成本、交付与执行条件。

这些细节无需削弱存储的重要性。相反，只有把合同读准确，才知道成长属性究竟改善在哪里。一个具有约束力、客户信用可靠、交付安排清楚的采购合同，与一份方向性的合作声明，在经济意义上相差很远。合同金额再大，也需要解释它包含什么义务，以及什么条件下可以调整。

我赞成将部分高端存储企业看成成长性增强、合同可见度改善的制造企业，反对直接赋予它们不受周期影响的公用事业属性。制造企业需要持续追赶技术、承担良率与产能投资；客户也在改进架构，努力降低单位结果成本。需求基础坚实，无法让这些工作自动消失。

长期合同可能减轻一部分价格风险，同时让其他风险更值得关注。客户最终是否具备付款能力？交付延期时责任如何分担？技术代际变化是否影响产品规格？为了兑现供货承诺，需要提前投入多少资金？当行业发生重大变化时，双方是否有重新谈判的动机？

这里不能随意推定某份合同必然能够取消，也不能把合同存在理解为风险归零。正确做法是阅读实际条款与披露，在资料不足时保留空白。对于无法获得合同全文的投资者，客户集中度、应收与现金变化、交付进展和资本支出，就成为值得持续跟踪的外围证据。

估值也要单独处理。周期高位的盈利会让前瞻市盈率看起来很低。若分母包含暂时偏高的价格与利润率，低倍数并不自动表示便宜。反过来，若合同和产品结构确实提高了长期盈利中枢，沿用旧周期最低估值也可能失真。

更有用的办法，是把乐观、中性与不利情景下的销量、价格、毛利、投资与现金回收展开，观察购买价格已经预支了多少好消息。周期平均盈利、自由现金流与资本回报，可以帮助我们摆脱单一倍数的诱惑。没有哪个指标能够独立完成全部判断。

对中国厂商与海外龙头，更不能只凭“存储”两个字就统一定价。产品成熟度、客户结构、设备与技术条件、资金来源、量产进度都需要逐项核对。国产替代能够创造真实机会，却无法自动等同于已经实现某种高端产品的全球定价权。国家层面的战略价值，也需要通过具体企业的经营与资本结构才能传导给股东。

存储投资最有价值的问题，因此变成了：企业在什么产品上拥有多少可持续优势，这种优势能保留多久，为它付出的价格是否合理？答案应当随着合同与财报不断更新。行业名称可以帮助寻找方向，无法代替公司层面的核算。

阅读长协时需要保留的六个问题

缺少条款时，应当降低判断的精度，避免用想象补齐合同。

五、为什么多模型时代也在拼命节省资源

“以后每个请求都由更多模型共同处理，所以资源需求必然倍增”，听起来直观，却省略了系统设计最重要的目标之一：以尽可能低的代价，获得足够可靠的结果。

多模型工作流可以有很多形式。某些任务直接交给一个模型；某些先由较便宜的模型尝试，达不到质量门槛时再升级；某些让另一个模型进行有限复核。还有任务需要多个模型并行探索，但这种工作方式无法代表所有请求。

GitHub对HydraFusion的官方说明，就包含单模型、级联和批评复核等模式，按任务选择工作流，并在限定离线评估中报告质量与成本的权衡。[10] 这类说明证明系统在尝试选择性调用，无法证明每次请求都需要同时调动全部候选模型。厂商评估也有模型池、价格和测试集条件，需要真实工作负载进一步验证。

资源约束推动的创新，还包括缓存复用与分层存储。英伟达技术文章讨论了路由、分离式服务与不同层级的缓存管理。[11] 我们不必把厂商展示的性能提升直接外推到全行业，技术方向本身已经足够清楚：企业既争夺更多资源，也努力让每一单位资源完成更多有效工作。

由此产生一个经常被忽视的竞争关系。对资源供应商来说，单位工作负载越依赖其产品越好；对购买方来说，节省资源、降低依赖与提高议价能力通常有价值。两者可以长期合作，也存在持续的成本博弈。产业链能够共生，并不意味着利润分配从此失去冲突。

高价格会改变技术选择。一项原本不值得实施的压缩方案，在内存昂贵时可能值得投入；一次复杂的缓存优化，在调用规模足够大时可能创造明显收益。贵的瓶颈能够形成利润，也会为替代与优化提供预算。由瓶颈获利的企业，需要证明自己的优势能够穿越这种响应。

与此同时，效率提高也可能刺激更多使用。单位任务变便宜后，过去做不起的任务开始有经济意义，总需求可能扩大。但这仍需要实际付费意愿与使用场景。成本下降后多出来的调用，如果只是重复尝试、无效循环或投机性使用，并不能自动转化为相同幅度的经济价值。

因此，单看Token数量容易失真。不同模型、任务、上下文与缓存方式下，一个Token对应的成本、质量和客户价值都可能不同。更值得关心的是，在相同质量与交付约束下，完成一个被接受的任务需要多少费用和时间；总量判断还需要看愿意购买的任务数增长多快。

“算力边际收益必然递增”也需要相同的限制。有些任务增加推理投入可以显著改善结果，有些会很快遇到收益递减，还有些缺少可靠验证。将局部能力规律直接变成所有商业任务的收益规律，跨越了需要客户付款来验证的一步。

所谓护城河，也不必都压在拥有最大模型上。任务选择、权限管理、成本控制、失败恢复、数据接入与结果验收，都可能影响最终服务质量。不过，这些能力也需要持续维护，会面临平台集成和竞争复制。它们值得建设，无法因使用了“系统”这个词就获得永久保护。

看待技术变化，需要同时保留两种视角。宏观上，更广泛的使用可以推动总体基础设施需求；微观上，每个客户都在努力减少不必要的消耗。哪股力量更强，在哪种产品上体现，在哪个阶段转变，需要用数据回答。

能够把昂贵能力变成便宜可靠成果的人，可能创造相当大的价值。这也为资源有限的创业者打开另一类入口：改善现有系统的任务完成效率，而非盲目参与投入规模的比较。

六、AI究竟有没有创造增量价值

“AI只是在抢原有人类工作的价值”，这句话表达了对转型代价的真实担忧，也包含一个需要纠正的经济判断。替代某种投入，与创造新增收益之间，并没有必然冲突。

如果同样质量的任务需要更少资源完成，被释放的时间与资源就具有潜在价值。如果原本无法获得服务的人因为成本下降而开始使用，也可能出现新增收益。是否形成新的职业、新的消费类别或更大的名义交易额，都无法单独决定这一点。

发表于《经济学季刊》的客服研究提供了一个明确例子。研究覆盖5172名客服人员，AI辅助使每小时解决问题数量平均提高15%，并存在显著的人员差异。[12] 这表明在特定业务中，真实工作可以被更有效地完成。研究没有估计整个社会工资和就业的变化，不能拿它宣告所有宏观问题已经解决。

需要区分的第一个概念，是收入与效用。原来昂贵的服务变便宜，供应商收入可能承压，消费者却获得更多可支配资源。某些数字服务对用户有价值，即使没有新增一笔独立收费。名义交易额、实际产出与消费者收益，具有联系，也各有边界。

第二个概念，是潜在节约与实际实现。一个系统把任务时间从一小时缩短到半小时，释放了产能。若企业缺乏新增需求，剩余半小时可能暂时闲置；若员工获得休息，生活质量可能改善；若企业减少招聘，则表现为避免成本。它们无法都用同一个利润数字描述。

第三个概念，是收益总量与收益归属。消费者获益，可以和某类劳动者收入下降同时发生。总体效率提高，也可以与特定地区就业受损同时存在。承认生产率收益，无需否认分配代价；强调受损者处境，也无需宣布所有收益都是幻觉。

在这组争论里，我反对“只有新药才算增量价值”的狭窄标准。更快识别产品缺陷、更容易获得语言服务、更准确处理重复资料，都可能有价值。新药研发当然值得期待，但其有效性、临床结果和可及性仍要经由各自严格流程验证。不能把尚未实现的未来成果，拿来掩盖当前应该完成的核算。

对于教育，同样不能只问AI生成了多少回答。学生是否理解、是否迁移到新问题、是否形成长期能力，比内容产出更重要。一个减少独立思考的工具使用方式，可能削弱学习；一套有反馈、有练习、有验证的使用方式，则可能改善学习。价值来自具体任务与设计，无法由行业标签统一决定。

对内容生产也是如此。AI让更多作品能够被制作，可能扩大表达机会；大量重复内容也可能消耗注意力、挤压优质创作的分发。制作数量提高，不能直接充当文化价值与商业价值同步增长的证据。观众是否愿意看、看完是否获得所期待的体验，仍然需要观察。

这里还有一个更隐蔽的问题：AI可以降低完成某个动作的成本，却提高判断这个动作值不值得做的重要性。当制作一段视频需要一天，人会谨慎选题；当一分钟生成多个版本，生产速度可能先于判断速度扩张。工具提高了选择数量，未必提高每一次选择的质量。

因此，“增量价值”应当回到明确的反事实：如果没有这项应用，同样目标能否以相同质量、相同时间和相同成本完成？差异由谁获得？为了获得差异，付出了哪些新的成本与风险？这个比较比讨论抽象的“蛋糕”更接近经营事实。

还需要把外部成本纳入。算力服务的账单可能没有完整反映当地电网压力、用水、环境与公共补贴。劳动者转型也可能需要培训与保障。企业账面成本下降，无法保证社会总成本下降。反过来，存在外部成本，也无法证明所有使用都得不偿失。需要尽可能把这些影响量化，再讨论如何分担。

“目前没有看见宏观奇迹”与“目前没有任何真实增益”，是两种跨度完全不同的判断。前者可以要求更充分的整体证据，后者已经会被具体有效案例推翻。我们应当对宏大承诺保持审查，也对明确的局部改善保持诚实。

我的判断是，AI已经创造部分真实收益，而收益规模、持续性与分配仍处于需要验证的过程中。最有意义的争论，应当从是否信仰AI，转向哪些任务确实有效、哪些项目仍在补贴、哪些人承担了被忽略的损失。

这也给普通参与者一个更清楚的位置。你无需先证明AI将拯救世界，才能完成一项有价值的服务；同样，你也不能借未来社会愿景，为今天无法验收的交付开脱。先让一个明确问题得到改善，再逐步扩大证据范围，比任何总量口号都更可靠。

一次提效，至少经过三次核算

沿用前文明确标为假设的任务场景，可以把不同收益拆开：

这是用于解释口径的算例，不是实测结果，也不能据此预估某个行业的通用回报率。真实比较需要确认基线已经包含原有审核与返工，并将新方案全部相应环节纳入。

七、AI编程为什么容易让人忙到没有生意

AI编程让人获得一种罕见的连续反馈。一个想法刚出现，界面就能被做出来；一个错误刚被发现，工具就开始修改；一个功能刚完成，下一个功能又显得顺理成章。过去需要等待的制作过程，变成随时可以重新启动的行动循环。

这种体验具有学习和娱乐价值。有人为自己写日记工具，有人为家人整理照片，有人做一个根本不准备出售的小应用。只要目标清楚，个人效用就足以解释投入。我们没有理由要求每一次创作都通过商业收入证明意义。

问题出现在目标写着创业，行为却持续回避市场。开发者知道继续做功能会获得反馈，却不知道联系陌生客户会得到什么。工具能够响应，用户可能拒绝。一个新按钮是否完成很容易确认，用户是否愿意改变原有习惯则困难得多。

于是，“再完善一点”有时承担了双重功能：改善产品，也延迟检验。制作活动仍在增长，对客户的理解却没有增长。几个月后，开发者拥有更多代码、更高账单与更强的投入感，对需求的认识仍接近起点。

匿名故事可以说明这条路径，无法证明所有开发者都在空转。更可靠的研究也展示了活动与交付的差异。NBER相关工作论文2026年9月修订摘要使用超过50万名开发者数据，报告截至自主编码这一代工具的累计估计：代码提交增幅约240%，到实际发布环节降至约30%。这是一项匹配事件研究，样本与方法存在边界，发布也不能直接代表收入。[13]

我们应当从中提炼机制，而非寻找一句压倒所有人的结论。局部生产速度提高之后，测试、集成、维护、权限、营销与需求可能成为更突出的限制。提交代码只是生产链中的一个环节。它可以增加很多，最终交付增加较少，客户使用与付费还可能进一步分化。

对旧研究也需要时间敏感。METR在2026年2月更新中说明，新的开发者实验受到选择偏差等问题影响，无法可靠估计当时整体提速幅度。[14] 因此，拿较早工具在特定样本中的减速结果，宣布所有当前AI编程都没有帮助，同样缺乏严谨性。

真正的问题是，你用工具完成了哪个目标，怎样确认结果，结果被谁使用？把这些问题具体化，才有可能摆脱无意义的信仰争论。对一个成熟代码库的维护者，价值可能是稳定完成需求；对一个个人工具作者，价值可能是省下自己的时间；对创业者，最终还需要外部需求与可持续支付。

创业者可以同时维护两份记录。第一份记录制作活动，包括新增功能、修复、界面与技术尝试；第二份记录市场证据，包括用户实际完成任务、连续使用、愿意付款、主动推荐与回款。两份记录无需数量相等，但如果第一份长期膨胀，第二份停滞，就应当审查下一步投入。

市场证据也有强弱之分。“看起来不错”很弱；愿意尝试更强；完成一次真实任务更强；持续使用与承担切换成本更有分量；按约付款并续用，则开始接近可重复生意。不同产品阶段可以采用不同证据，不能把礼貌称赞当成稳定需求。

这种验证无需总是等待完整软件。可以先用人工协助完成结果，用有限自动化降低一部分工作量，观察客户究竟在意什么。这样做也有成本，需要明确范围，避免无限定制。它的价值在于先理解问题，再决定哪些部分值得投入自动化。

当然，有些产品需要一定完整度才能被测试，例如涉及多方协作和长期习惯的系统。这不意味着能够无限期推迟验证。可以拆出更小的假设：用户是否存在这个痛点，现有方案为什么不足，谁拥有预算，哪一项改进足以促使尝试。困难产品同样需要阶段性证据。

对于个人开发者，另一个风险是廉价生成掩盖长期维护。做出一个界面很快，运行几个月后，权限、数据迁移、兼容、异常和安全仍要有人处理。开发成本下降，可以扩大可做范围，也可能让个人接下超出维护能力的责任。

因此，AI创业更需要预算约束。预算不仅是模型费用，也包括自己的时间和机会成本。设定一次实验的投入上限、验收问题和停止条件，能够帮助你区分探索与沉没成本。做得久本身，无法证明继续做更有价值。

“能被AI一键复制的东西没有价值”同样过度。复制功能，不等于复制用户信任、业务数据、渠道接入与售后责任。即使某个工具完全开源，也可能为使用者创造巨大收益。商业收费空间可能受到压缩，使用价值并不会因此归零。

我赞成对虚荣指标保持警惕，反对用羞辱全部创作的方式教育创业者。真正需要修正的，是目标与行为之间的关系。学习可以追求理解，娱乐可以追求愉快，商业则需要面对交易。把目标写清楚，许多焦虑会减少，许多借口也会暴露。

八、当人人能生产，谁还值得付费

生产门槛下降后，最直观的变化是供给增多。过去需要专业团队的初版软件、短视频与商品素材，现在更多个人能够尝试。这个变化扩大了参与机会，也让相似作品更容易同时出现。

但用户每天的时间没有同比例增加，企业采购预算也有上限。新增供给会争夺注意力，部分需求会被激发，部分内容与工具则无人问津。供给是否创造新市场，取决于它解决了什么问题，以及用户是否能够发现并使用。

因此，未来的一部分竞争可能从制作本身，移动到需求理解、分发、集成和可信交付。这里需要避免新的神话。渠道也会变化，信任也需要维护，责任也会产生赔偿与服务成本。把一项能力称为稀缺，并不能保证持有者永远赚钱。

以企业资料处理为例。一个模型能够提取合同字段，客户真正需要的可能是把合同正确关联到客户、订单、审批和回款。错误字段怎样被发现，历史版本怎样追溯，谁可以修改，出现争议时依据在哪里，这些细节影响结果能否使用。

模型能力构成必要投入，工作流适配决定它能否进入实际业务。若服务商持续完成这套工作，就有收费理由。若只是把一个通用接口加上页面，客户很容易找到替代，收费能力也可能迅速下降。两者的差别，需要由交付责任来证明。

在跨境电商里，这种区别更加具体。AI可以生成不同语言的商品介绍，经营者还需要确认尺寸、材质、功效描述、平台规则与用户预期。文案写得动人，但退货增加，可能得不偿失。回复更快，若错误承诺了赔付范围，也可能增加风险。

更有价值的服务，是把生成、核对、审核与结果回收连接起来。它知道哪类问题可以直接回复，哪类要转给人，哪种表达容易引发误解，以及最终是否降低了客服成本和售后损失。这些都是需要业务记录支持的判断，不能靠演示视频替代。

对于内容创业者，需求也不等于热点。一个话题正在热议，意味着它获得关注，未必意味着读者愿意为相关课程、软件或咨询付费。传播需求、学习需求与经营需求，常常来自不同的人。把阅读量直接换算成未来客户数量，容易高估商业空间。

内容能够建立信任，但信任来自连续兑现。引用是否准确，案例有没有边界，承诺是否符合能力，失败是否愿意解释，都影响长期关系。生成供给越多，可靠判断可能越值得寻找。与此同时，读者也可能继续偏好简单刺激的内容，专业价值如何被发现仍然是经营问题。

“网络效应”需要同样谨慎。一个社交网络增加用户，可能提高其他用户找到熟人的机会；一个AI产品增加用户，是否直接提高原有用户收益，要看具体机制。更多对话能否被合法用于改进，是否包含有用信息，改进能否反馈到服务，都是独立条件。

如果没有这条闭环，用户增长首先说明规模增长。它可以带来收入，也可能带来更高成本。数据量更大，无法单独证明有效反馈更多；私有数据更独特，也无法单独证明有权使用、可以清理和适合训练。企业数据常常混有权限、错误与历史例外。

一项值得长期建设的优势，可能来自对业务情境的持续理解。它包括客户为什么这样决策、哪些例外不能自动处理、怎样验证结果，以及如何承担错误。竞争者可以快速模仿页面，复制这些积累通常需要时间。但服务商仍要不断证明自己比客户自建或其他供应商更划算。

这也改变普通人的参与路径。没有资本训练最大模型的人，可以选择理解更具体的业务问题；没有巨大流量的人，可以服务一小群需求清晰的客户。不过，小市场也可能预算不足、交付过重或客户高度分散。接近问题只是起点，还需要检验交易成本。

最理想的早期项目，往往具备可以描述的任务、愿意配合的负责人、能够取得的基线数据，以及一项可接受的结果。项目范围越清楚，越容易判断自动化应该做多少。模糊的“帮我们全面AI化”，容易让服务商与客户同时失去验收依据。

我倾向于先以可核算服务进入，再把重复部分沉淀成产品。这种路径并不适合所有人，却能减少一个常见错误：先建造一个庞大系统，再到处寻找能够接受它的客户。产品化应当来自重复证据，不能只来自开发者对未来的想象。

软件越容易生产，商业越需要解释自己的存在。你省去了谁的麻烦，承担了什么责任，怎样证明结果值得价格？这些问题回答得越具体，就越容易找到可以持续收费的位置。

九、老板、员工与创业者，分别输赢在哪里

关于AI的讨论，经常把“人类”当成一个共同账户。现实里，一家企业的老板、资深员工、新人、外包人员与客户，可能受到完全不同的影响。只有把位置拆开，才知道谁获得了什么，谁承担了什么。

对老板来说，最容易购买的是看得见的演示，最难获得的是能够持续运转的业务改善。演示在整洁数据、标准问题和积极配合下运行，真实业务却包含缺失字段、口头承诺、权限冲突和临时例外。试点失败有时与模型能力有关，有时只是业务从未被清楚表达。

规则无法全部写成机械步骤。经验丰富的人会根据情境判断，AI也可能帮助处理部分非标准信息。问题在于，这种判断需要边界与反馈。哪些结果可以接受，错误代价多大，什么时候必须升级处理，至少应该能够被讨论和验收。

所以，企业AI项目的第一项工作，常常是把关键任务和责任弄清楚。这个过程本身也有成本。若为了自动化一个很少出现的任务，投入大量梳理与维护，回报可能不合算。流程沉淀值得做，也需要符合业务重要性，不能成为无限扩张的咨询项目。

一个谨慎的老板会从有基线的重复任务切入。先知道现在花多久、错误多少、谁在处理，再观察AI加入后的变化。员工报告的省时、客户感受到的改善与财务实际变化，可以分别记录。没有任何一个数字需要独自承担全部证明责任。

对员工来说，工具提速带来的结果更复杂。如果评价方式只看单位时间产出，企业可能不断提高目标，节约出来的时间很快被新任务填满。员工学习成本、复核压力与责任增加，却没有获得同样的收益。这种情形下，对AI的抵触包含可以理解的利益原因。

也有员工能够通过工具承担更高价值的工作，获得更大自主权和回报。区别取决于岗位设计、管理方式、业务需求与议价能力。单纯告诉所有人“学会AI就不会被淘汰”，既无法解释职位减少，也忽略了企业是否愿意分享收益。

对个人更有帮助的做法，是建立成果证据。记录完成了什么任务、质量如何、哪些错误被避免、怎样影响客户或团队。工具名称会更换，清楚解释结果的能力更容易迁移。与此同时，个人无法独自改变全部劳动力市场结构，制度和企业安排仍然需要承担责任。

资深员工面临另一种处境。他们脑中的经验可能成为系统建设的重要输入，知识一旦被整理，企业对个人的依赖可能下降。要求他们无条件配合，却不给参与权、认可或合理回报，容易造成信任破裂。知识转移需要讨论利益与责任，不能只靠技术命令。

新人则可能失去一些传统的练手机会。整理资料、写初稿、做基础分析，既是低价值劳动，也常常是学习路径的一部分。如果企业直接取消这些环节，却没有新的训练安排，未来谁具备足够判断来审核复杂结果，就可能成为问题。这是值得观察的风险，尚不能当作已经发生于所有行业的事实。

更好的新人训练，可以让AI参与，同时保留解释、复核和独立练习。新人需要知道结果为什么成立，哪些地方容易出错，以及没有工具时如何判断。这种训练可能比单纯完成更多初级任务更有效，但同样需要导师时间和明确设计。

失业待业者面对的挑战更直接。学习大量工具，无法自动换来工作。雇主与客户通常需要知道，你能够稳定完成哪种任务，是否理解交付标准，能否与现有流程合作。因此，有限资源更适合投入与目标岗位相关的成果样本，并通过真实反馈修改。

这并不意味着每个人都应该创业。获客、报价、催款与承担经营风险，需要不同能力与资源。把就业焦虑统一转化为个人创业任务，可能让本来缺少现金缓冲的人承受额外损失。有人适合发展服务业务，有人适合强化现有岗位，也有人更需要稳定就业与转型支持。

独立创业者需要计算的不只是技术成本，还有客户集中度与服务容量。一位大客户可以让业务迅速起步，也可能控制全部现金流。AI帮助你同时服务更多客户，但如果异常都只能由你处理，个人注意力仍是限制。自动化应当减少脆弱性，不能只是把更多承诺堆到一个人身上。

内容创业者也要面对平台规则与收入结构。模型降低了产出成本，平台可能拥有分发入口，广告主决定预算，受众决定注意力。生产能力提高后，价值可能被平台与竞争者分走。若没有读者关系、产品或服务的持续兑现，单纯增加内容数量未必改善经营。

在企业之间，收益也会再次分配。一家公司通过AI节约成本，竞争者采取相同措施，客户就可能要求降价。技术提升整个行业效率，单家企业利润却没有扩大。这种结果对消费者有益，对想通过工具直接提高利润的老板则构成提醒。

因此，AI商业机会与议价权紧密相关。客户为什么必须选择你，切换需要承担什么成本，你的结果怎样优于替代方案？这些问题比拥有多少Agent更接近利润。议价权也不能靠锁定客户制造无谓障碍维持，它需要持续的价值与合理关系。

劳动力层面的收益分享，可以有多种形式：更合理的目标、更短的工作时间、培训机会、绩效激励或员工参与。具体采用哪种安排，需要结合企业能力与业务情况。重要的是，不能把所有效率红利默认归入资本，再把转型成本全部留给个人承担。

同样，员工也需要正视客户与企业的约束。自动化产生收益之前，通常存在建设、试错与维护投入。公平讨论需要看到这部分成本。分配争议的解决基础，是让投入、成果和责任更加透明，让各方能够协商实际变化。

所谓生产关系，已经存在于这些日常安排里。谁有权访问数据，谁可以部署工具，谁签字验收，谁承担错误，节约归谁，岗位怎样变化，每一项都会影响技术采用。等到某个抽象的生产力质变时刻再讨论，可能错过最有影响力的设计阶段。

我认为，这一轮变化最需要争取的，是让更多人拥有可理解的参与路径。工具的收益不能只通过失业恐惧传递，也不能只以遥远乌托邦安抚。企业应当展示真实结果，劳动者需要合理的成长与议价空间，转型受损者需要能够落实的支持。这些安排会影响采用速度，也会影响社会愿意支持怎样的创新。

十、德州的刹车，暴露了谁在替AI付账

把数据中心看成纯粹的数字资产，很容易忽略它首先需要土地、电力、水、设备、施工与许可。模型可以在屏幕上迅速更新，实体基础设施无法依照相同节奏扩张。当地居民感受到的，也可能先是账单、噪声与资源竞争，随后才是抽象的技术未来。

德州的时间线值得写清楚。8月3日，州长办公室宣布对推进中的数据中心并网项目进行审计；9月21日，又宣布在相关审计完成前暂停所涉许可。[15][16] 这些动作早于11月中期选举。因此，不能把问题概括成选举后两天突然禁止AI。

技术研发、模型使用、数据中心建设、并网和环境许可，属于不同层次。某类项目暂停，并不等于所有已运行设施停机；竞选承诺也需要经过就任、执行与可能的法律程序。政策影响有范围、有时间，也有不确定性。越是能影响估值的消息，越需要把这些边界读清楚。

真实的问题具有跨党派与跨地区的可能性。当企业享受税收安排、居民担心资源与成本时，冲突未必沿着支持技术与反对技术整齐划分。有人赞成AI发展，同时要求数据中心承担自身接入成本；有人支持建设，同时要求透明度与用水保障。这些立场可以同时成立。

从企业角度看，公共基础设施能够降低建设成本。从居民角度看，如果新增负荷带来的升级投入被分摊到自身账单，而收益主要流向外部企业，就会产生分配争议。争议的核心是费用与收益如何对应，无法仅靠一句技术进步必然有代价来解决。

这里必须谨慎处理因果。某地区电费上涨，可能与燃料、极端天气、监管、设备与负荷共同有关。不能未经测量就把全部涨幅归给数据中心。水资源压力也要结合当地水源、冷却方式与季节条件判断。准确计算，是提出合理分担要求的前提。

但不能因为因果复杂，就把所有担忧都视为无知。企业对外展示未来收益，居民要求了解当前成本，双方拥有不同的信息与权力。公开负荷、用水、补贴与基础设施安排，有助于把抽象争论变成能够协商的具体问题。

这也解释了为什么社会许可具有财务意义。项目原计划某月投运，若审批与接入延后，设备可能已经采购，融资费用继续发生，收入确认却后移。同样一笔长期需求，兑现时间变化就能显著影响回报。对高杠杆主体，时间差尤其重要。

因此，社会接受程度应当进入尽职调查。建设方是否履行公开承诺，是否承担相应基础设施费用，是否有可靠的资源安排，与客户合同同样值得关注。这些因素不能只放在宣传材料末尾，作为不影响经营的附带议题。

从全球角度看，一个地区的限制可能使项目迁移，也可能使某些计划取消。迁移需要土地、能源、网络、供应链、客户与许可共同配合，无法把地图上的另一个地点当作无成本替代。全球需求是否减少，与某家公司能否及时完成搬迁，又是不同的问题。

资源短缺也可能创造新的商业机会，例如更好的调度、冷却、负荷管理与场址选择。不过，解决方案必须拥有实际效果。一个方案把电网成本移给别人，未必降低了总成本；一套系统减少瞬时负荷，却影响服务质量，也需要计算客户能够接受的权衡。

对公共政策来说，合理目标应当同时包含创新、可靠供给与公平成本分担。过度宽松可能积累公众反弹，过度粗糙的限制则可能阻碍有价值的项目。分项目审查、明确规则、透明披露与可执行责任，比把全部讨论压缩成加速或刹车更有建设性。

我不赞成把人类受到的冲击当作技术发展的边角问题。企业和政府最终都需要社会支持。若持续让少数主体掌握收益、更多人承担不确定成本，反弹就会通过政治与监管回到产业自身。分配安排会影响技术扩散的可持续性。

同样，我也不认为任何局部限制都意味着人类开始全面拒绝AI。社会更可能在一系列具体事务上调整边界。人们要求的是电网可靠、信息清楚、权利得到尊重、收益能够分享。能够回应这些要求的企业，可能比只强调未来愿景的企业拥有更稳固的扩张条件。

十一、全球AI竞赛，机会为何不能简单照搬

全球AI竞争很容易被讲成几家模型公司的排名变化。对实际经营者来说，模型能力只是条件之一。资本成本、供电、设备可得性、客户预算、数据规则、支付与分发渠道，都会影响一项能力能否形成收入。

这意味着，同一个开源模型、同一套自动化流程，在不同地区可能拥有完全不同的经济性。一处人工成本高，自动化节约更明显；另一处人工已经便宜，实施与维护成本可能抵消优势。一处用户习惯订阅，另一处偏好一次性付费，商业结构也需要重做。

“某国技术强，所以某国所有AI创业者都受益”，同样跨越了企业层面的竞争。最强模型可能由少数公司提供，大量应用企业仍然面对同质化、获客与利润压力。国家拥有战略优势，普通个体获得收入之间，需要具体的传导机制。

反过来，一个地区未必拥有最强模型，也可以通过产业知识、供应链和服务网络形成有价值的应用。关键是模型能力是否足够、数据能否获得、结果能否验收，以及客户是否愿意支付。技术前沿与商业前沿会有交集，也可能分布在不同位置。

中国成熟电商生态与全球AI能力相结合，确实值得探索。但这种组合不会自动生成利润。供应链熟悉程度、目标市场理解、履约、售后与平台规则，仍然决定交易能否持续。把便宜模型接上商品页面，只完成了一小部分工作。

对一个从零开始的AI原生电商团队，更有意义的顺序是先明确业务目标，再设计工具、人和责任。哪些步骤可以自动完成，哪些需要人工抽检，哪些必须由负责人批准，可以从第一天写进流程。人数少是可能的结果，系统可靠则需要持续验证。

假设团队先做多语言客服。它可以从重复问题开始，使用经确认的商品资料作为依据，记录升级人工的条件，观察响应时间、解决率、退款和投诉。若只观察回答速度，很容易忽略错误承诺造成的售后成本。若先限定范围，就能更清楚判断自动化值得扩展到哪里。

再如商品内容制作，可以比较相近商品、相近时间段和相近流量条件下的转化与退货。AI版本可能提高点击，却吸引了不适合产品的用户。订单增加与贡献毛利增加需要分别确认，退货和广告支出也应当进入结果。这个例子属于建议的实验设计，不是已经完成的客户案例。

还有一种机会来自企业落地中的协调成本。某些中小企业缺少专门团队，难以同时理解模型、业务和数据权限。能够将这些环节连接的人，可以提供有价值的实施服务。但如果每个客户都需要彻底重做，服务业务很难按照软件订阅的速度扩张。

因此，交付者要寻找能够复用的部分，也承认无法复用的部分。数据字段、验收方法、异常分类和部分工具接入可以沉淀；客户独特的责任与权限则需要明确适配。把所有定制都藏在低价套餐里，容易让收入增长伴随更严重的个人负担。

对于资源有限的个人，我更倾向于选择业务重要、范围有限、已有数据与明确负责人的任务。先用可接受的成本完成一轮验证，再扩展自动化程度。没有必要把全行业改造的承诺背到自己身上，也不必等到拥有庞大系统才接触客户。

国际竞争还可能改变利润的地域分布。某一环节的技术普及，可以压低全球应用成本；另一个受设备、能源或资格限制的环节，则可能保留收益。价值链上的位置、权利与进入条件，比国别口号更能解释企业差异。

因此，观察中国与海外存储企业，需要回到具体产品和量产证据；观察开源与闭源模型，需要回到质量、部署与成本；观察企业服务机会，需要回到当地客户的采购习惯与付款能力。这些工作不如宏大判断省力，却更接近真正能够交易的机会。

还有一个需要防止的误区，是把别人的监管成本当成自己已经获得的订单。客户迁移需要技术、合同、数据与信任条件。潜在机会应当列出假设，再用接触、试用与采购证据验证。国际变化打开窗口，也不会替任何经营者完成销售。

对普通人来说，全球视角的实际用途，是增加可选资源、客户与合作方式，而非不断比较谁更领先。你可以使用来自不同地区的工具，服务一群需求清晰的用户，在自己熟悉的产业里建立判断。竞争激烈时，理解具体情境的价值反而更值得维护。

这种路径也更适合长期内容经营。记录真实试点、解释失败原因、区分地区差异，能够形成可持续更新的研究资产。每次模型发布都改变标题，却无法改变交付质量的内容，很难积累同样的信任。

十二、接下来应盯住的六组信号

面对如此多变的市场与技术，最实用的态度，是建立一组会迫使自己修改判断的信号。判断可以坚定，证据需要继续进入。没有任何一个指标适合独自承担全部解释。

第一组是终端需求。重点看真实付费、持续使用、续费与客户愿意确认的成果。免费试用、补贴与新鲜感可以带来增长，长期价值还需要重复交易。对不同业务，合理观察周期不同，不能统一要求几天就证明全部价值。

如果调用量上涨，付费留存持续转弱，就需要降低商业化判断；如果客户愿意扩大使用，并能解释产生的结果，需求证据就更强。这里同样要分清自主采购与被捆绑获得的功能，活跃使用与仅仅拥有许可证的区别。

第二组是利润与现金。收入增长后，经营利润如何变化？现金资本开支、融资租赁、维护投入与利息是否增加？如果现金缺口持续扩大，需要研究融资依赖。若企业处于建设期，则还要检查投入是否按计划形成可交付能力。

公司整体现金与单一项目回报需要分开。传统业务可以支持新投资，投资也可能保护传统收入。我们应当明确分析目标，避免用整体盈利掩盖项目表现，也避免忽视成熟企业真实存在的资金优势。

第三组是合同与供给。长协覆盖什么，订单怎样兑现，扩产何时形成有效产出，不同产品的价格与库存怎样变化？如果交付推迟、客户改约或供给增长超过终端使用，原有供需假说就需要调整。没有公开的数据，应该明确记为缺失。

第四组是融资条件与期限。债务何时到期，融资成本如何变化，抵押要求是否收紧，资金缓冲能支持多久？这些问题决定参与者是否能够坚持到需求兑现。判断趋势时忽略它们，会让长期分析与现实生存脱节。

第五组是有效交付成本。以相同质量门槛计算，一件被接受的任务究竟需要多少费用和时间？需要包含复核、返工、维护与失败。若活动显著增加，交付成本没有改善，就应当检查流程中的真正限制。继续增加调用，未必能够解决业务瓶颈。

第六组是劳动与社会许可。工作强度、岗位结构、培训路径、许可与公共资源成本怎样变化？如果效率提高伴随持续冲突，采用和建设节奏就可能受到影响。这里既要关注企业回报，也要关注受损者是否拥有实际的协商与转型空间。

这些信号服务于研究与经营，不能直接拼成机械交易规则。不同投资者、企业和个人面对的期限与责任不同，行动必须符合自身条件。统一的市场结论，很难直接转换成每个人相同的仓位与支出决定。

对于企业老板，可以从一个流程开始，先建立现状，再安排限额试点。对于职场人，可以从一项成果开始，记录质量、时间和责任变化。对于独立创业者，可以从一个真实客户问题开始，测试使用与付款。对于内容经营者，可以从一个可复现案例开始，把证据积累成长期信任。

还应当给实验写下停止条件。什么结果说明方向值得继续，什么结果要求修改，什么情况下应该暂停？停止可以保护现金，也可以释放注意力。承认某条路径不成立，有助于让有效方向得到更多资源。

我们也需要为未知保留位置。并非所有重要变量都能及时公开，研究者无法看到每份合同、每个客户和全部账户。较好的判断，会区分已知、估计与缺失，说明结论对哪些假设敏感。信息不完整时，降低确定性比补齐故事更诚实。

结尾：让AI进入自己的收入与生活账本

回到最初的几个场景。科创50的大涨是真实交易信息，后来的回撤也是真实交易信息；企业订单可以增长，融资风险仍然存在；开发者可以写出更多代码，市场需求仍然需要验证。它们共同组成这场变化，任何一段都无法独占全貌。

我认同AI拥有重要的技术与经济潜力，也认为一些参与者已经从中获得真实收益。我反对把这种潜力写成所有企业、股票和个人的回报保证。相信技术值得继续建设，与要求当下投入接受核算，可以同时坚持。

我也认同对裁员、资源与分配的担忧。社会不能只计算赢家的收入，再把其余代价视为应当忍受的噪声。但担忧若借助“AI没有任何增量价值”这样的全称命题，也会失去准确描述现实的能力。有效批评需要能够识别真实收益，才能更清楚要求合理分配。

对普通人来说，这场变化不应只表现为不断追赶。今天学一个工具，明天换一个框架，后天又担心自己落后，可能让人始终处在被动位置。更有价值的积累，是形成能够解释的业务判断、可以验证的成果与愿意继续合作的关系。

你可以喜欢制作，也可以追求商业成功，二者都值得认真对待。关键是知道此刻的投入在服务哪个目标。如果目标是学习，就检验理解；如果目标是工作，就检验成果；如果目标是生意，就检验交易；如果目标是社会进步，就同时检验收益与代价。

真正值得追求的AI繁荣，应当使更多有用的事情得以完成，使有限资源得到更好使用，也使承担变化的人拥有合理的位置。它需要模型与芯片，需要经营能力，也需要透明、责任与可修正的安排。

技术给出更大的能力范围，结果由无数具体决定逐步形成。一个企业怎样采购，一个团队怎样验收，一个平台怎样分配，一个地方怎样承担资源成本，都在塑造未来。讨论未来三十年时，我们仍然需要对今天发生的每一笔投入负责。

当一个客户愿意为有效结果再次付款，当一个员工能够分享效率改善，当一个社区清楚知道成本与收益，当一个投资者理解自己承担的期限与风险，AI的价值就开始拥有可以触摸的形状。

未来值得期待，今天也值得被认真核算。

——

来源与口径说明

文中编号对应下列来源。明确引用的数字依据对应资料，其余机制解释、经营建议与价值判断属于本文分析，不视为来源机构对本文全部结论的背书。匿名开发者故事来自网络抽象，未作为已独立核实的人物报道。没有可靠来源的具体资金流与订单传闻未写为事实。

[1] 新华社英文稿经NAMPA发布，2026年11月4日，科创板指数收盘报道。原始来源

[2] Reuters，2026年11月5日，美股收盘报道；纳指精确幅度采用详细收盘稿，费半约12%采用同日收盘综述，避免与盘中数字混用。详细收盘稿，收盘综述

[3] 新华社英文稿经NAMPA发布，2026年11月6日，科创板指数收盘报道。原始来源

[4] Reuters，2026年6月5日，科技股、就业数据与利率预期相关报道。原始来源

[5] Reuters，经Investing.com发布，2026年7月31日，Situational Awareness组合损失与出售报道。原始来源

[6] SBS English，2026年7月31日，7月30日费半上涨8.19%的报道。原始来源

[7] CoreWeave，2026年8月11日，2026年第二季度财报，金额由百万美元换算。原始来源

[8] Microsoft，2026年10月28日，FY27第一季度财报电话会；采用公司整体口径。原始来源

[9] Micron，2026年9月30日，FY26第四季度财报准备稿，第3、6、8页；区分预测、财务承诺与现金。原始来源

[10] GitHub官方，Project HydraFusion技术说明；厂商限定离线评估不等于普遍业务效果。原始来源

[11] NVIDIA Technical Blog，2026年11月5日，内存与缓存协同优化技术说明；本文只用于解释技术方向。原始来源

[12] Brynjolfsson、Li与Raymond，Generative AI at Work，QJE，2025年5月卷期，2025年2月4日在线发表；单企业研究，不直接外推宏观就业。原始来源

[13] Demirer、Musolff与Yang，Writing Code vs. Shipping Code，NBER工作论文35275，2026年5月首发、9月修订；采用9月修订摘要的累计指标，工作论文尚非同行评审定论。原始来源

[14] METR，2026年2月24日，开发者生产率实验设计更新；包含选择偏差说明。原始来源

[15] Texas Governor's Office，2026年8月3日，数据中心并网项目审计公告。原始来源

[16] Texas Governor's Office，2026年9月21日，数据中心相关许可暂停公告。原始来源