当前 AI 领域正经历剧烈的市场波动 ——AI 驱动的科技巨头在不到一个月内市值蒸发超 1 万亿美元，凸显估值与基本面的脱节。但行业真正的核心问题并非 “泡沫何时破裂”，而是 “如何负责任地让泡沫逐步消退，为未来 AI 发展做好准备”。文章通过类比 20 世纪 90 年代互联网泡沫的兴衰，揭示 AI 行业的发展规律：AI 模型仅是底层技术，而非终极答案，行业价值终将从 “追求超大模型规模” 转向 “落地应用与生态整合”，唯有聚焦实际业务价值、优化成本效率、构建合理监管框架，才能让 AI 像互联网一样，在泡沫后实现可持续发展。
一、AI 行业的泡沫现状：估值虚高与价值错位
过去数年，AI 行业被贴上 “高估值、无限扩展性、巨头垄断” 的标签，市场对其未来潜力的期待不断膨胀。但技术现实已发生关键转变：此前行业认为 “巨额投入打造的超大模型终将带来超额回报”，但实际情况是，AI 的真正价值并非源于模型本身的规模，而是在于 “如何通过整合 AI 为企业创造实际收益”。随着技术发展，前沿 AI 模型的成本理应下降而非攀升，“奇点神话”（认为 AI 将突破人类智能极限）已不成立 —— 单纯扩大模型参数规模，不再能带来突破性的性能提升，执行力、产品分发能力与生态构建，反而比原始模型大小更重要。
这种价值认知的偏差，导致当前 AI 行业 “泡沫膨胀速度远超价值创造速度”。例如，部分企业盲目追求万亿参数模型，投入数十亿甚至上百亿美元训练，但最终仅能在实验室环境中展示技术，无法落地到实际业务场景；还有企业过度依赖 “模型稀缺性” 讲故事，却忽视了 Transformer、扩散模型等核心架构已公开，优化框架开源化、算力逐步普及的现实 —— 行业壁垒已从 “理论技术” 转向 “工程化落地能力”，但市场估值仍停留在 “技术稀缺” 的逻辑上，形成严重的价值错位。
二、互联网泡沫的启示：技术需与落地应用结合
20 世纪 90 年代的互联网泡沫，与当前 AI 行业存在诸多相似之处。当时，行业普遍认为 “互联网能解决一切问题，基于互联网的项目必然成功”，但最终泡沫破裂，无数企业倒闭。然而，互联网本身并未消失，反而在泡沫后实现了爆发式发展 —— 关键在于行业意识到，互联网的价值并非源于技术本身，而是在于 “围绕技术开发出智能的应用场景、产品与硬件”。例如，浏览器（如 Netscape）、内容分发网络（CDN）、开发者生态的出现，让互联网从 “技术概念” 变为 “可实用的工具”；亚马逊之所以能在泡沫中存活并壮大，是因为它解决了 “在线零售的物流与盈利问题”，而同期的Pets.com则因忽视 “宠物食品配送成本过高” 的核心痛点，最终失败。
这一历史经验对 AI 行业极具借鉴意义：AI 模型如同当年的互联网协议，仅是底层基础，若无法转化为解决实际问题的产品与服务，便无法创造持久价值。Farbman 以自身经历举例：其团队在耶路撒冷开发的开源音视频 AI 模型，成本仅为市场领导者的十分之一，却能生成更长、分辨率更高、速度更快的连续场景，而整个项目投入仅 1 亿美元，远低于巨头的数十亿投入 —— 这证明，现代 AI 进步的核心并非 “秘密技术”，而是 “严谨的工程化落地”，通过优化模型整合、控制成本，同样能实现高价值输出。
三、AI 行业破局路径：聚焦应用、优化成本、合理监管
要让 AI 行业避免重蹈互联网泡沫 “剧烈破裂” 的覆辙，实现 “平稳去泡沫”，需从投资者、企业、政策制定者三方协同发力，聚焦 “实际价值创造”。
1. 投资者：从 “技术概念” 转向 “业务价值评估”
当前，大量风险投资（VC）与养老基金将资金投入 AI 企业，但部分投资决策仍基于 “模型规模”“技术热度” 等表面指标，而非实际业务价值。Farbman 建议，投资者应重新定义评估标准：不再关注 “模型是否独家”“参数多少”，而是聚焦 “企业如何将 AI 整合到客户的实际工作流中”，要求企业提供 “按工作负载计算的经济效益” 等具体指标 —— 例如，某 AI 客服企业的 “智能体解决一次咨询的成本”“客户问题解决率提升多少”，而非 “模型训练投入多少美元”。
同时，投资者需重视开源模型的价值。开源模型因研究者与开发者可本地适配，迭代速度常快于闭源 API，且能形成围绕企业或产品的生态护城河，最终转化为实际利润。例如，基于开源模型开发的行业解决方案，能更快响应客户需求，形成差异化竞争优势，这种 “生态价值” 比 “闭源模型的短期稀缺性” 更具可持续性。
2. 企业：以 “成本效率与落地能力” 为核心
对 AI 企业而言，摆脱泡沫依赖的关键在于 “理性看待成本，聚焦落地场景”。首先，企业需摒弃 “依赖特定硬件” 的思维 ——GPU 等硬件成本波动大，AI 设计应具备灵活性，避免绑定某一厂商的设备；核心竞争力应放在 “每美元算力的吞吐量” 上，而非 “争取硬件厂商折扣”，通过基础设施优化、专有数据积累与深度整合，构建真正的成本壁垒。
其次，企业应优先选择 “小而精” 的模型策略，而非盲目追求大模型。例如，针对客服场景，无需训练万亿参数模型，而是基于开源模型进行微调，结合行业数据优化 “问题识别与解决能力”，既能降低成本，又能更快落地；同时，提供 “开放部署选项”，允许客户在本地或边缘设备运行模型，满足实时交互需求（如智能驾驶、工业质检），避免依赖远程 API 导致的延迟问题。Farbman 强调，“能解决具体问题的小模型，比‘万能但无用’的大模型更有商业价值”。
3. 政策制定者：从 “监管模型” 转向 “监管应用”
当前 AI 监管存在 “聚焦大型前沿模型” 的误区，但随着技术发展，前沿模型逐步可在消费级设备（如手机、电脑）上运行，且开源模型普及，“监管模型本身” 已不现实。参考互联网泡沫后的监管逻辑（如针对 Napster 的监管，未限制文件共享技术，而是聚焦 “平台如何负责任地部署技术”），AI 监管应转向 “以应用场景与行业为核心”，围绕 “数据溯源、产品安全防护、合成媒体披露” 等制定标准，而非对模型技术本身设置过度限制。
例如，在医疗 AI 领域，监管重点可放在 “模型诊断准确率是否达标”“患者数据是否安全”“诊断结果是否明确标注为 AI 辅助”；在金融 AI 领域，关注 “算法是否存在歧视”“风险控制是否有效”—— 通过 “行业化、场景化监管”，既保障用户权益，又为技术创新留足空间。正如 Napster 虽因版权问题破产，但文件共享技术最终以 “流媒体” 的合规形式重生，AI 监管的目标也应是 “引导技术合规落地，而非抑制技术发展”。
四、未来展望：行业将向 “统一多模态模型 + 场景化应用” 集中
Farbman 预测，未来 AI 市场将逐步整合，形成少数 “统一的多模态模型”—— 这些模型具备高效性，可根据不同场景蒸馏优化，适配消费端、企业端等多种需求。但最终决定企业成败的，仍是 “围绕这些模型开发的应用与服务”。例如，统一模型可能提供基础的文本、图像、音频处理能力，而企业需在此基础上，针对 “智能客服”“工业质检”“医疗诊断” 等具体场景，开发定制化解决方案，创造差异化价值。
对所有行业参与者而言，当前最关键的是 “清醒认识到 AI 的价值边界”：AI 并非万能，它需要与行业知识、业务流程深度结合，才能真正解决问题。正如互联网泡沫后，行业从 “追逐概念” 转向 “创造实用价值”，AI 行业也需在泡沫消退过程中，完成从 “技术驱动” 到 “应用驱动” 的转型 —— 唯有如此，才能像互联网一样，在经历泡沫后实现真正的可持续发展，成为推动经济与社会进步的核心力量。
原创文章，作者：王 浩然，如若转载，请注明出处：https://www.dian8dian.com/ai-ru-he-jing-li-pao-mo-que-cun-xu-yi-hu-lian-wang-fa-zhan
