OpenAI誓言1万亿美元突破AGI ，IBM高管公开泼出冷水。

　　当OpenAI承诺在本世纪末之前投入超过1万亿美元追逐通用人工智能梦想时,科技行业的老牌巨头IBM却公开泼出冷水。

　　该公司首席执行官阿尔温德·克里希纳在2025年12月接受The Verge播客采访时,用一组简单的数学计算揭示了当前AI基础设施投资热潮中的致命矛盾:如果按照行业规划建设100吉瓦的算力设施,总资本支出将达到8万亿美元,而这需要每年产生约8000亿美元利润才能覆盖资金成本——一个在可预见未来几乎不可能实现的目标。

　　这番言论折射出科技行业对生成式AI商业模式可持续性的深层焦虑。汇丰银行分析师预测OpenAI至少要到2030年才能实现盈亏平衡,期间累计亏损可能超过2000亿美元。德意志银行更悲观的估算显示,在实现首次盈利之前,OpenAI的累计亏损可能达到1400亿美元。与此同时,微软最新财报显示,其本季度资本支出达到创纪录的349亿美元,主要用于AI数据中心建设,但对OpenAI的权益法投资却导致净利润减少31亿美元,暗示这家明星初创公司单季净亏损可能高达115亿美元。

　　电力与资本的双重枷锁

　　克里希纳计算的起点是当前1吉瓦数据中心的建设成本约为800亿美元。这一数字包括土地购置、建筑施工、服务器设备、冷却系统、电力基础设施以及持续运营所需的能源采购合同。麦肯锡咨询公司的分析报告显示,如果按照行业规划在2025至2030年间增加100吉瓦的AI数据中心容量,所需资本支出将达到7.9万亿美元,与克里希纳的估算基本吻合。

　　这些数字背后是能源供应的瓶颈。德勤预测,到2035年美国AI数据中心的电力需求可能增长30倍,达到123吉瓦,相当于全美22%家庭的年用电量。问题在于,电网基础设施的扩容速度远远落后于AI算力的扩张需求。亚利桑那州凤凰城的数据中心集群目前消耗1.5吉瓦电力,已对当地电网造成显著压力,迫使运营商与公用事业公司签订长期购电协议并投资建设专用发电设施。

　　更深层的矛盾在于投资回报的时间错配。数据中心建设周期通常为2至3年,但服务器等核心设备的折旧周期仅为3至5年,这意味着当设施刚建成投入使用时,就已经在为下一轮硬件更新储备资金。英伟达每年推出新一代GPU,迫使AI公司不断升级算力以保持竞争力,这种技术迭代速度使得固定资产投资的回收期被无限拉长。

　　估值泡沫与盈利幻觉

　　SAJJAD HUSSAIN/AFP via Getty Images

　　华尔街日报最近的分析指出,当前"AI盈利的财务模式尚不明确",但这并未阻止投资者将OpenAI估值推高至5000亿美元。这种估值建立在对未来现金流的极度乐观预期之上,但实际财务数据却讲述着截然不同的故事。科技博主Ed Zitron援引内部文件披露,OpenAI的真实推理成本可能是公开数据的三倍,而通过微软分成反推的收入远低于官方宣传,形成了巨大的"财务黑洞"。

　　克里希纳在采访中直言,要从8万亿美元资本支出中获得回报,需要每年产生约8000亿美元的息前税前利润。作为对比,2024财年苹果公司的营业利润约为1200亿美元,微软约为1000亿美元,全球市值最高的科技公司尚且如此,凭什么认为AI服务能创造如此惊人的利润规模即使假设AI能为全球GDP增长贡献数个百分点,这些增量价值也会分散到整个经济体系,而非集中体现为少数AI公司的利润。

　　IBM自身也在测试市场对AI泡沫问题的看法。据《财富》杂志报道,IBM在招聘面试中会询问应聘者是否认为当前处于AI泡沫之中,虽然该公司高管声称没有标准答案,但这一问题本身折射出行业的深层不安。IBM欧洲、中东和非洲区总经理表示坚信不存在泡沫,但需要听取不同观点,这种谨慎态度与OpenAI的激进扩张形成鲜明对比。

　　AGI:信仰还是目标

　　克里希纳将阿尔特曼追求通用人工智能的动力定性为一种"信仰"而非理性的技术路线图。他估计当前已知技术实现AGI的概率"接近零",可能只有0%至1%。这一判断基于对大型语言模型固有局限性的认识:LLM本质上是基于统计模式的预测系统,缺乏真正的理解和推理能力,更不具备通用智能所需的自主学习、因果推理和常识判断。

　　要突破当前瓶颈,克里希纳认为需要"将知识与LLM融合",但他对这一方向也只是"持观望态度"。这种技术突破可能涉及符号推理与神经网络的混合架构,或者引入全新的计算范式如神经形态芯片,但这些都停留在研究阶段,距离工程化应用遥遥无期。在这种不确定性下投入数万亿美元,从风险管理角度看几乎是不可理喻的。

　　OpenAI对算力投资规模的承诺与其财务现实形成巨大反差。该公司预计到2030年资本支出约1.3万亿美元,但其当前年化亏损已超过300亿美元且仍在扩大。要匹配如此庞大的投资规模,OpenAI必须以惊人速度实现商业回报,但其主要产品ChatGPT的订阅增长在欧洲主要市场已面临停滞,企业级API服务虽然增长较快但利润率受到推理成本高企的严重挤压。

　　理性回归还是孤注一掷

　　尽管对AGI持怀疑态度,克里希纳仍认为生成式AI将"对企业极其有用"并"释放数万亿美元的生产力"。IBM的战略聚焦于企业级AI应用,帮助客户在客服、流程自动化和数据分析等领域提升效率,这种务实路线不需要追求通用智能,只需让AI在特定任务上表现可靠即可产生经济价值。这与OpenAI试图通过AGI革命整个智能范式的激进愿景形成鲜明对比。

　　从投资者角度看,当前AI基础设施的建设规模已经超越了任何历史先例。互联网泡沫时期光纤网络的过度建设至少留下了可用的基础设施,而AI数据中心的服务器和GPU在技术迭代中迅速贬值,其剩余价值远低于建筑物本身。如果AI应用的商业化速度慢于预期,这些设施可能成为巨额沉没成本。

　　Anthropic预计在2028年实现收支平衡,OpenAI目标是2030年,这意味着行业领军企业认为至少还需要3至5年才能建立可持续的商业模式。在此期间,它们需要持续融资来覆盖运营亏损和资本支出,而投资者的耐心并非无限。历史上科技泡沫的破裂往往不是因为技术本身失败,而是因为资本链断裂导致有前景的项目无法继续。

　　克里希纳的警告或许不会改变OpenAI等激进派的路线,但它提醒投资者和行业观察者保持清醒:在AI的喧嚣背后,最基本的商业规律仍然有效——投入必须产生回报,而回报必须足以覆盖成本。当这一算术等式无法成立时,再宏伟的技术愿景也可能化为泡影。