Ben Thompson：AI泡沫只会转移不会消失

当前AI赛道的狂热氛围中，有一个核心逻辑始终被忽视：这一轮AI泡沫的风险不会凭空消失，只会在产业链的不同环节间转移。

科技领域的观察者Ben Thompson，凭借独特的视角为这场AI狂欢带来了务实的经济学分析。作为科技分析平台的创始人，他在2015年提出的聚合理论曾精准定义了过去十年互联网平台的兴衰规律。不同于多数硅谷从业者，他早年曾在头部科技公司参与一线业务，且长期深耕亚洲硬件制造产业链，因此没有“算力无限、万物皆代码”的软件派傲慢偏见，其观点的独立性与务实性尤为珍贵。

这期访谈的信息密度和含金量极高，以下是对这场深度对谈的重构与推演。

一、AI的商业本质：不是所有用户都能付费

在访谈中，主持人首先提出核心问题：过往的聚合理论解释了互联网平台如何掌控利润池，但AI存在真实的推理成本，这套逻辑是否依然成立？

Ben并没有直接回答，而是先点出硅谷的共性认知误区：每过十年，行业都需要重新学习两个关于消费者的基本事实：第一，消费者不愿意为软件付费；第二，消费者并不热衷于用软件提升工作之外的生产力。

他以Dropbox为例：这款产品最初凭借简洁顺滑的体验快速增长，创始人曾希望打造面向消费者的公司，但乔布斯曾直言“你只是一个功能，不是一家公司”。后来Dropbox经历了两年的停滞，不得不从底层重构产品，因为消费者喜欢它，但并不愿意长期付费，真正愿意掏钱的是企业客户——企业需要权限管理、数据控制等企业级功能，而初代Dropbox完全不具备这些。

企业愿意付费的逻辑很简单：企业已经在为员工支付工资，只要软件能小幅提升员工效率，投入产出比就成立；但消费者则不同，工作一天后更想躺平刷短视频，而非付费提升效率。

主持人接着提到，Ben曾说OpenAI正在百倍复刻Dropbox的困境，这一观点是否正确？Ben表示几乎完全一致：OpenAI推出消费者订阅服务，确实卖出了不少，但规模远远不够。如果要做大规模消费者业务，必须认真看待广告模式。

ChatGPT刚爆火时，如果立刻全力布局广告，如今可能已经拥有极具竞争力的广告产品，给行业头部平台带来巨大压力。主持人追问为何笃定消费级AI最终会依赖广告，Ben的回答很直接：“收钱很难，免费很容易”。

订阅模式存在价格弹性：主流流媒体平台每次涨价都需要权衡用户降档或退订的风险，但广告模式下终端用户依然免费，价格上涨主要由广告主承担，提升单用户变现效率的空间要大得多。但硅谷一直对广告抱有羞耻感，直到现在OpenAI才开始补齐广告业务，同时又在企业市场与竞品竞争，让人看不懂它到底想成为消费者平台、广告公司还是企业软件服务商。

主持人提到，传统的搜索服务几乎没有边际成本，但大模型每次推理都在消耗GPU资源，这是和上一代互联网的巨大差异。Ben回应称，不能笼统谈论“AI推理成本”：普通用户让模型查询信息、写简单文案，成本已经很低；但如果用户让模型进行长时间的复杂推理任务，每多思考一秒都需要真实成本，两类用户的商业模型完全不同。

微软已经遇到了这个问题：过去企业软件按人头收费，招聘员工时顺手配发许可证，预算一年调整一次；但现在AI开始按使用量收费，企业每个月都会重新审视账单，微软原本靠全家桶捆绑的无感收费体系正在被动摇。

更麻烦的是，这种按使用量收费的模式会迫使客户开始思考：之前客户不会天天问“办公软件值多少钱”，但当财务每个月都检查账单时，自然会问“我到底在为什么付钱？为什么不能拆分购买这些产品？”微软需要让企业关注少数重度AI用户的使用，又不能让他们对整套产品产生过多质疑，这正是AI对传统SaaS定价体系的最大挑战。

二、烧钱的AI基建：资本期限错配的风险

主持人接着提到，下游的商业模式还未跑通，但上游的资本开支已经达到了新的量级：2026年可能接近8000亿美元，2027年的预测甚至达到1.3万亿美元，市场都在说算力短缺，Ben担心的是什么？

Ben的答案很明确：他担心的是资金先跟不上。这一轮AI基建的资金来源已经沿着曲线不断下移：最早用科技公司的自由现金流，然后进入债务市场，现在连头部科技企业都开始发行股票，相关芯片厂商也在尝试撬动养老金、保险资金等长期资本。

真正的问题是：下一笔钱从哪里来？最理想的情况是，当这些资金投入后，AI已经能够依靠自身的自由现金流继续迭代，但如果收入增长和资本消耗之间出现时间差，就可能引发巨大的金融冲击。

他以19世纪的铁路狂潮为例：铁路建设需要提前投入大量资金，但可能需要十几年甚至几十年才能收回成本，19世纪70年代就出现过资金枯竭的局面。但金融危机过后，铁路并没有消失，依然继续运营、推动区域发展，直到今天仍在贡献经济价值。因此，“AI是真实革命”和“AI形成巨大泡沫”完全可以同时成立，很多人认为二者只能选其一，其实并非如此。

主持人追问头部科技企业为什么愿意如此烧钱，Ben以经典的企业资产组合为例：某知名糖果品牌是利润率极高的优质生意，但无法容纳大量资本；而铁路业务利润率低得多，但可以吞下巨量资金，一年产生的绝对现金流可能比前者一辈子赚的还多。当资本体量足够大时，人们开始关注绝对利润而非单纯的利润率。

搜索业务很可能是AI时代的类似优质业务：搜索是近乎完美的商业模式，高毛利、轻资产、边际成本低，但如果AI最终覆盖几乎所有白领工作，再结合自动化技术，哪怕利润率更低，绝对市场规模也可能大几个数量级。因此真正的问题不是企业为什么愿意牺牲漂亮的毛利率，而是它们赌下的更大市场能否及时兑现。

三、中美AI博弈：绝对领先的地缘风险

主持人提到，如果美国真的“赢下AI竞赛”，意味着什么？Ben认为这反而可能非常危险。他先假设一个极端场景：如果谁掌控了AI，谁的军事能力就会明显强于其他国家，甚至能解决制造业等现实世界的问题，尽管他并不认为AI一定能做到这些，但先接受这个假设。

从博弈角度看，对手最合理的反应就是在这种优势真正形成之前，摧毁关键的制造产能。这也是他和硅谷多数叙事的最大分歧：如果某一方在军事和国家安全层面形成明显优势，对整个世界都非常危险。

主持人反问，如果美国真的赢下AI竞赛，应该已经能够在本土生产更多芯片，减少对外部供应链的依赖了吧？Ben认为这里有很多想当然的想法：问题远不只是晶圆厂，无论是晶圆厂、执行器还是各种前置零部件，相关国家对亚洲供应链的依赖程度都被低估了，而且在正常商业环境下，这种依赖很难主动解除。

原因很简单：如果竞争对手继续从传统供应链采购，而你坚持从其他地区采购，你的成本会高很多，商业上会直接处于劣势，企业通常只有在“没有选择”的时候才会这么做。比如消费电子厂商，你可以推动它把部分制造转移到其他地区，但它们并没有真正离开核心供应链，只是在做供应链多元化，彻底迁走的成本太高，本质上是购买一份极其昂贵的保险，大多数公司在没必要且保费高昂的情况下，都不会选择这么做。

主持人接着问，理想中的全球AI格局是什么样的？Ben认为当前的状态其实不算太糟：头部前沿团队稳居技术探索第一梯队，其他玩家凭借充足的资本追赶，而区域团队通过高效的技术优化，稳定维持在落后前沿6到9个月的身位。前沿团队探索技术天花板，开源和优化力量则推动技术普及，这种平衡还算不错，而且总体上对多数地区有利，真正的问题是这种平衡能维持多久。

主持人追问，这6到9个月的差距有可能被追上吗？Ben认为这正是最不稳定的部分：现在已经进入“AI用来改进AI”的阶段，头部团队都出现了明显的加速，如果领先者开始用AI优化研究、代码和整个技术栈，追赶者面对的就不只是复制当前的能力，而是前沿技术本身还在继续加速。因此他现在更关心的不是谁最终“赢”，而是这种均衡能持续多久。

主持人又问，是否认为相关地区仍然应该保持领先？Ben表示当然，需要保持竞争力，但危险的是在恐惧中走向封闭，照搬自上而下的行政管制和言论限制。过去一个世纪的领跑，依靠的是开放的生态、自由的流动和对前沿创新的极致包容，而不是缩进深沟高垒搞防御。

四、风险转移：谁为AI基建的不确定性买单？

主持人问，既然市场都确定算力不够，为什么头部晶圆厂在扩建先进制程产能时反而一直很谨慎？Ben解释说，软件公司和制造商看待风险的方式完全不同。

大家现在看到的是GPU短缺，但晶圆厂不是今天下单明天就能投产，现在投入的产能要到两年后才能真正变成芯片。对晶圆厂来说，最可怕的不是少赚两年，而是扩产过多：一座晶圆厂可能运行几十年，一旦在需求高点错误扩产，过剩产能会长期压在资产负债表上。

主持人说，也就是说晶圆厂选择不承担这个风险？Ben表示没错，但风险不会消失，只会转移。晶圆厂把产能过剩的风险挡在门外后，这个风险就落到了云服务商身上：它们明明有客户、有需求，只要有更多芯片就能多赚钱，但却没有足够的芯片。因此它们承担的不是“亏损”，而是“错失的收入”——本来应该赚到却没赚到的钱。

主持人又问，为什么说这种算力短缺反而让另一家芯片厂商受益？Ben回答，过去选择这家厂商代工就像买一份非常昂贵的保险：头部晶圆厂成熟、可靠、客户服务体系完善，大厂如果找其他厂商代工，不但芯片风险更大，还要派自己的工程师协助对接，短期最大的受益者是其他厂商，最痛苦的却是客户。正常情况下没人会买这种保险，但现在不一样了：当“没有足够头部产能”造成的利润损失，大到超过“扶持其他厂商”的成本时，这笔账第一次算得过来了。所以讽刺的是，算力稀缺反而让原本边缘的玩家获得了机会。

主持人提到这听起来和存储行业的周期很像，Ben表示完全一样：存储、航运行业都反复经历这样的周期：短缺时价格暴涨，所有人同时扩产；等两三年后新产能上线，市场又陷入过剩。这就是“牛鞭效应”：终端的一点需求变化，传到产业链最上游会被放大，制造商最怕自己终于决定扩产时，需求已经掉头。如果AI是一根牛鞭，那可能是历史上最长的一根。

五、巨头的新棋局：AI如何重构科技公司的价值链条

主持人问，如果只看大科技公司，哪一家的位置最有意思？Ben的答案一直是亚马逊。亚马逊最厉害的地方在于，它自己就是新产品的第一个大客户：云服务不是“把多余的服务器卖出去”，而是亚马逊先解决自己内部计算资源调用的问题，再把能力开放出去；物流也是先自己建设，达到足够规模后再卖给第三方。自研的AI芯片也是同样的逻辑：早期版本并不完美，但可以先在内部托管服务中使用，客户购买相关服务时并不关心底层硬件，用巨大的业务量把芯片打磨成熟后再真正推向市场。

主持人提到苹果的逻辑完全相反，似乎根本不急着拥有最强的模型。Ben表示，因为苹果控制着用户入口，只要入口在手上，模型供应商就会主动来找它。真正的问题不是苹果今天的模型强不强，而是移动设备会不会永远成为计算中心。微软当年不是没做移动设备，而是把手机理解成“小PC”，默认PC永远是计算中心。如果未来AI变成环境智能，无处不在、随时可以调用，苹果会不会因为移动设备太成功，而把AI理解成“设备的一个功能”？这才是苹果更值得担心的问题。

主持人又问微软，曾把微软比作90年代的IBM，这是为什么？Ben表示非常相似：当年拯救IBM的不是突然做出了最好的产品，而是发现“我们最大的资产就是足够大”。当时所有企业都知道必须接入互联网，但不知道怎么做，于是IBM提供咨询、中间件，把旧系统和新网络连接起来。

微软现在也在做同样的事：你不用把企业的核心资产直接交给模型公司，我们帮你管理不同模型、合规、权限和数据。这套打法非常合理，但主持人提到Ben说微软有“生存焦虑”，Ben回应说，因为需要问一个问题：我们今天为什么还需要这么多微软产品？很多答案只是“因为以前一直在用”。

而智能代理工具真正变革的，正是人与电脑交互的层面：如果未来用户不再打开一堆软件，而是直接告诉代理“把这件事做完”，传统办公软件和操作系统的价值就会被重新定义。微软的策略很理性，但确实是在守护自己的核心入口。

六、英伟达的隐忧：算力商品化与长期资产的价值

主持人最后谈到英伟达，今天它依然保持着惊人的利润率，但Ben认为这种状态“并不自然”。Ben解释说，算力从长期看很可能走向商品化。很多人看到的是英伟达GPU的价格依然很高，但如果把整家公司展开看，它已经在通过另一种方式降价：比如给新型AI云厂商提供投资、融资支持，甚至为未来的算力需求兜底。为什么这么做？因为替客户承担一部分风险后，这些公司的融资成本会下降，它们才有能力继续购买芯片。

主持人追问，所以这种融资支持也看作“价格折让”？Ben表示没错，风险是有价格的。如果AI永远高速增长，这些承诺当然没问题，但如果几年后算力过剩，相关厂商可能必须为没人需要的计算资源买单。因此，折扣没有写在芯片的报价里，而是藏在融资、担保和风险承担中，从经济意义上说，这仍然是一种降价。

主持人问，真正威胁英伟达的是谁？Ben的答案是超大规模云服务商，比传统芯片公司更危险。因为它们不只自己开发专用芯片，还可能把芯片卖给外部客户，更关键的是，它们不要求芯片维持英伟达那样的高毛利，完全可以把计算当成基础设施商品来卖。而且超大规模云服务商的资本成本比新型AI云厂商低得多，这最终是一场资本战争。

主持人又问，那专属编程框架呢？Ben表示，依然是护城河，但比以前浅了。模型本身并不关心运行在哪颗芯片上，真正有价值的是上层的模型和应用。英伟达仍然拥有一个巨大优势：它的芯片最通用、最好出租、流动性最高，但如果其他芯片的性能和效率继续追上来，高毛利很难永远维持。

主持人追问，什么情况下反而最有利于英伟达？Ben的答案是缺电：如果电力真的成为绝对瓶颈，大家就会追求每一瓦电能生成多少Token，届时最有效率的芯片可以获得很高的溢价，英伟达仍然会很强。但有趣的是，新增电力的速度比很多人预期的要快，电力瓶颈来得越晚，其他玩家就有越多时间把自己的芯片做好。

主持人最后问，这一轮AI基建投资最后真正留下来的，也许不是芯片？Ben表示，他希望留下的是电力。互联网泡沫留下了大量廉价光纤，后来头部科技公司就在这些基础设施上成长；铁路泡沫留下了铁路，一百多年后依然在产生现金流。好的泡沫最终应该留下某种长期资产。

芯片几年就会被淘汰，数据中心也会不断折旧，但如果AI泡沫最后留下的是大规模升级后的电网、天然气、核电以及各种新的能源基础设施，那会是非常有价值的遗产。人类几乎一直生活在能源稀缺中，我们甚至很难想象真正能源丰裕的世界是什么样。因此即便未来AI出现一次大规模的资本出清，也不代表这一轮投入白费了，真正应该问的是：潮水退去以后，我们留下了什么。