最近关于“付鹏：AI泡沫如何解，普通人如何面对股市？”的讨论热度很高，很多读者跑来问我的看法。但我不想站队，也不想复述某一个嘉宾的观点，因为这本来就不是“谁说得对”的问题，而是一个可以拆解成多项可验证指标的技术问题。AI到底是不是泡沫、普通人在面对市场波动时怎么建立自己的判断框架，本质上取决于你愿不愿意去跟踪数据、做实验、算成本账。如果只有叙事和情绪，讨论再多也落不了地。
这篇内容我会从技术工作者的视角切入，不讲择时，不推荐任何股票或买卖点，只给一套能动手验证的判断方法：怎么看算力成本、怎么判断AI应用是不是真实需求、怎么用本地部署做小成本实验、怎么用ROI测算脚本过滤掉“伪需求”。普通人如果能把这几件事跑通，面对各种“泡沫论”时就不容易被带偏。
本文不是投资建议。任何关于股市、项目估值、个人配置的判断，请自行核实信息并评估风险。
1. 判断框架速览：先搞清楚要验证什么
很多人在讨论AI泡沫时，往往把“技术能力”和“商业收入”混为一谈。大模型确实能写代码、能对话、能看图，但这不代表所有接入AI的公司都能赚钱。为了不被单一叙事带偏，可以把问题拆成以下维度：
| 判断维度 | 要回答的问题 | 可观察的信号 |
|---|---|---|
| 算力成本 | 训练和推理成本是否在快速下降 | 公开API价格变化、单位Token成本、推理优化技术进展 |
| 应用价值 | 用户是否愿意持续使用并付费 | 留存率、付费率、API调用频次、企业客户续费率 |
| Agent落地 | AI能否端到端完成真实任务 | 任务成功率、人工介入率、流程自动化覆盖面 |
| 商业模式 | 收入能否覆盖算力与运营成本 | 单位经济模型、毛利率、亏损收窄速度 |
| 个人应对 | 普通人如何不被叙事裹挟 | 本地部署实验、最小成本测试、技能迁移能力 |
这张表就是全文的骨架。后面每一章，都是在展开其中一行。你不需要完全套用我的方法，但至少要建立起“先定义问题，再验证事实”的习惯。
2. 为什么AI会被反复讨论成“泡沫”
先纠正一个容易弄混的概念：AI有泡沫，不等于AI没有价值。每一次大的技术周期都会经历“基础设施先行、应用收入后到”的阶段。早期参与者会基于未来预期给出高估值，而真实商业化还处于早期，于是“泡沫论”就会出现。
从技术角度看，这轮AI热有几个明显特征：
第一，基础设施投入远远快于应用层收入。大模型训练需要大规模GPU集群，电力消耗和硬件折旧都很高。即便算力价格在下降，绝对投入仍然是天量数字。这时候如果应用层无法产生足够收入，资本市场就会产生担忧。
第二，技术能力展示和真实生产环境之间仍有差距。ChatGPT式的对话能力很容易让非技术用户觉得“AI已经很强了”，但企业要的是稳定输出、可审计、能处理长尾问题。从DEMO到生产系统，中间隔着数据清洗、提示词调优、评测集建设、输出校验、权限管理等一系列工程问题。
第三，开源和闭源模型同时发力，能力差距正在缩小。当模型能力变“便宜”时，单纯靠“我有一个模型”很难构成护城河。真正的壁垒会转移到数据、场景、渠道和工程化能力上。
所以讨论AI泡沫，本质上是在讨论“市场预期是否跑在了商业化事实前面”。技术人这时候最该做的，不是预测涨跌，而是把“商业化事实”量化出来。
3. 判断AI真实需求的技术指标
普通人面对AI和股市，最容易犯的错是只看新闻标题。标题说“AI爆发”，就认为所有AI股票都能涨；标题说“AI泡沫”，就认为整个行业要完。实际上，行业内部差异非常大。下面几个技术指标，能帮你把讨论落到具体数据上。
3.1 算力成本：关注单位Token价格和推理成本
AI能不能规模化落地，关键看推理成本，而不是训练成本。训练是一次性投入，推理是每一次用户请求都要消耗的算力。
判断算力成本是否健康，可以盯几个信号：
- 公开API的Token单价是否在持续下降。
- 模型端侧推理、量化、KV Cache优化是否能显著降低显存需求。
- 同样硬件的并发能力是否在提升。
- 长文本场景下，单位成本是否仍然可控。
如果一个应用每个请求都在消耗高额推理费用，但用户付费意愿跟不上，那这套商业模式就是“卖一单亏一单”。反过来说，如果推理成本降到足够低，很多原本不值得用AI的场景也会变成真实需求。
3.2 应用价值：看留存和付费，不看下载量
很多AI产品在发布时靠着新鲜感冲上排行榜，但一个真正有价值的产品应该被用户反复使用。判断指标很简单：
- 日活和月活的比值，看用户是不是打开一次就再也不来。
- 付费转化率，看用户是否愿意为效率提升买单。
- API调用量的变化趋势，看企业客户是不是真的在生产环境调用。
- 用户增长是否依赖补贴或买量。
如果一个产品只有下载量、没有留存，只有融资消息、没有收入结构，那它更接近“叙事型泡沫”。反之，如果企业客户续费率稳定，API调用持续增长，那即便当前亏损，至少证明需求存在，只是利润兑现的时间问题。
3.3 Agent落地：看任务成功率和人工介入率
大模型单轮问答早就不是难点，真正能改变生产效率的是Agent——让AI自主完成一个包含多步骤的任务，比如自动查资料、写报告、发邮件、更新数据库。
判断Agent是否真实的指标有两个：
- 任务成功率：给定一批真实任务，AI能端到端跑通的比例。
- 人工介入率：每完成100个任务，需要人工检查和修正多少次。
如果人工介入率很高，说明AI只是辅助工具，还没到“替代人工”的阶段。这时候资本市场如果把Agent当成“完全自动化”来定价，那就会形成泡沫。技术人反而应该冷静：凡是需要大量人工兜底的Agent，当前更准确的定位是“效率增强器”，而不是“人力替代方案”。
3.4 企业ROI：先算账，再谈技术先进性
判断AI应用是不是伪需求，最直接的办法是算ROI。一个AI工具就算准确率再高，如果部署成本大于节省的人力成本，企业就不会长期买单。
ROI测算最少要包含以下输入：
| 输入项 | 说明 |
|---|---|
| 部署成本 | 硬件、API调用、微调、人力接入成本 |
| 单次任务成本 | 平均Token消耗、推理时长、资源占用 |
| 节省人力时薪 | 人工完成同类任务需要的时间和成本 |
| 准确率与人工校验成本 | AI出错后需要返工带来的额外开销 |
| 使用频次 | 这套工具每天/每月被调用多少次 |
一个AI功能如果每星期才被用一次，准确率也不稳定，那它的ROI大概率是负的。所谓“泡沫”，很多时候就是这种需求被高估后的结果。
3.5 开源生态与模型能力分布
当技术能力只掌握在极少数公司手里时，行业很容易出现高溢价。但开源模型一旦跟上，能力底座就会被“商品化”。判断方式是：
- 开源社区每周有多少新模型发布。
- 小参数模型是否在特定任务上逼近大模型。
- 本地部署是否变得更容易、更便宜。
- 是否有大量第三方工具围绕开源模型做生态。
如果开源生态活跃，那任何“独家技术”叙事都需要打折扣。普通人这时候要学的是“怎么用模型”，而不是盲目追某个硬件的稀缺性。
4. 本地部署实验：用最低成本感受AI能力边界
如果你不想只做旁观者，最直接的动作就是在自己的电脑上部署一个小模型，跑几个任务，感受真实的延迟、显存占用和输出质量。这套实验能帮你建立对“算力成本”的直觉。
4.1 本地模型运行示例
这里以命令行方式启动一个本地模型服务为例。不同工具的命令会有差异，请以你实际使用的工具文档为准。
# 通用示例：启动本地模型服务 # 注意：具体工具、模型名称和端口参数需要按实际情况替换 ollama run <model-name>启动后，可以用Python脚本调用本地接口，做一次最基础的文本生成测试。
import requests url = "http://127.0.0.1:11434/api/generate" payload = { "model": "<model-name>", "prompt": "请用三句话解释什么是AI泡沫", "stream": False } response = requests.post(url, json=payload, timeout=60) print(response.json().get("response", ""))这里重点观察三个东西：
- 首次推理耗时。
- 后续推理耗时是否明显缩短。
- 输出质量是否稳定。
如果你在本地跑一个小模型都觉得很慢，那对“推理成本”就会有直观感受。企业级应用要跑大规模并发，成本只会更高。
4.2 用批量测试判断能力稳定性
单次调用看不出模型的真实水平。更可靠的做法是准备一批测试问题，连续调用并记录结果。下面是一个批量任务目录的通用结构：
{ "test_cases_dir": "./test_cases", "output_dir": "./outputs", "batch_size": 5, "model_name": "<model-name>", "max_tokens": 512 }把测试用例按分类放好，比如：
- 文本摘要类
- 代码生成类
- 逻辑推理类
- 长文档处理类
然后逐类跑一遍。AI是否可靠，不是看某一次回答有多惊艳，而是看它在100次调用中的成功率。这个结论可以直接迁移到投资判断里：如果一个AI应用只在演示时好用，一到真实场景就崩，那它的商业化基础就还不牢固。
5. 算力与资源占用：最容易忽略的成本变量
讨论AI泡沫时，很多人只关注估值，忽略了下方的物理成本。大模型不是软件复制品，每一次生成都要消耗实际算力。下面几个点会直接影响AI应用能不能规模化。
5.1 用系统命令观察资源占用
在本地部署时，可以用系统命令观察显存占用和GPU利用率。
# Linux/NVIDIA环境示例 nvidia-smi # 或者持续监控 watch -n 2 nvidia-smi观察点包括：
- 加载模型占用了多少显存。
- 推理过程中GPU利用率是否跑满。
- 多用户并发时，显存是否成为瓶颈。
一个AI应用如果连单用户推理都很吃力，那它在企业级并发场景下的成本会非常高。这类业务即便有流量，也很难盈利。
5.2 如何估算一个AI功能的成本
最少需要以下输入：
- 平均每次请求的输入Token数。
- 平均每次请求的输出Token数。
- 单Token推理成本。
- 调用频次。
下面是一个Python脚本模板，可以帮你快速估算单功能和单日成本。需要替换成你自己的数据。
def estimate_cost(price_per_1k_tokens, avg_input_tokens, avg_output_tokens, daily_calls): input_cost = price_per_1k_tokens * avg_input_tokens / 1000 output_cost = price_per_1k_tokens * avg_output_tokens / 1000 per_call_cost = input_cost + output_cost daily_cost = per_call_cost * daily_calls return { "per_call_cost": round(per_call_cost, 6), "daily_cost": round(daily_cost, 4), "monthly_cost": round(daily_cost * 30, 4) } result = estimate_cost( price_per_1k_tokens=0.002, avg_input_tokens=2000, avg_output_tokens=1000, daily_calls=10000 ) print(result)这个脚本的价值不在于公式本身，而在于把“AI很贵”或“AI很便宜”这种模糊说法变成具体数字。当你把这个数字和企业的人力成本对比时，就能判断一个AI应用是真实需求还是伪需求。
5.3 降低算力成本的常见技术手段
- 用小参数模型完成简单任务。
- 使用量化模型降低显存占用。
- 对高频问题做缓存，减少重复推理。
- 用RAG减少长上下文带来的Token消耗。
- 对输出结果做规则校验，减少无效输出。
这些手段最终都会反映到单位经济模型上。资本市场愿意给高估值，是因为预期这些成本会被摊薄。技术人的判断点在于：成本下降的速度，是否快于市场竞争导致的价格下降速度。
6. 普通人面对AI与股市，可以遵循四个原则
先说清楚，我不预测点位，也不推荐具体标的。下面四个原则只讨论“普通人如何降低认知风险”，而不是“怎么在股市赚钱”。
6.1 先学后投
在投入资金之前，先投入时间去理解技术。哪怕只是跑通一个本地模型、用API写一个自动化脚本，都会比只看新闻更接近真相。AI不是玄学，它是可以被上手验证的技术。
6.2 先用后买
当你看到一个AI产品的演示很惊艳时，不要急着为它的未来付费，先自己用起来。连续使用两周，记录它哪些场景好用、哪些场景翻车、哪些功能是营销噱头。这些实测信息比任何分析师的报告都更可靠。
6.3 分散认知，不押注单一叙事
“AI改变世界”和“AI是泡沫”这两句话可以同时成立。哪怕AI长期价值很大，也不代表每一家AI公司的估值都合理。普通人更应该做的是建立多维度的信息源：技术社区、开源项目、企业财报、行业研报、自己的实验数据，而不是只盯着热点标题。
6.4 长期跟踪，不做情绪决策
AI产业的商业化周期很长。判断泡沫是否破裂，需要跟踪多个季度的数据，比如API价格、企业IT支出、应用留存、算力供给。单周的涨跌和单一新闻，都不应该成为决策依据。
再次强调：股市波动受很多因素影响，AI只是其中一条线。普通人在面对相关讨论时，最重要的是保留独立思考能力，而不是把判断权交给任何单一观点。
7. 常见认知误区与纠偏清单
| 误区 | 更接近事实的判断 |
|---|---|
| 聊天机器人火了，AI产业就一定稳了 | 聊天是能力展示，付费率和留存率才是商业化信号 |
| 参数量越大，模型越强 | 还取决于训练数据质量、架构设计、对齐程度和部署优化 |
| 大模型可以替代大部分工作 | 当前更准确的是“增强工作流程”，长尾任务和容错仍是难点 |
| 所有AI公司都会因为AI而赚钱 | 技术领先和商业盈利之间还隔着产品化、渠道和成本控制 |
| 本地部署很贵，普通人玩不起 | 小参数模型和量化方式已经把门槛降下来了 |
| 推理成本会一直居高不下 | 量化、缓存、专用硬件会让成本持续下降，但速度和幅度需要跟踪 |
| 开源模型会消灭所有商业机会 | 开源降低底座成本，但数据飞轮和行业Know-how仍是壁垒 |
这些纠偏项不改变方向，只改变你对“确定性”的预期。AI既有真实价值，也有估值过热的可能，这两者并不矛盾。
8. 技术人视角的最佳实践
如果你是开发者，面对AI泡沫讨论时，可以做几件长期有效的事情。
第一，建立自己的评测集。不要只看模型榜单，要准备你自己的任务清单，比如代码生成、SQL查询、合同摘要、格式提取。固定输入、固定评估标准，持续对比不同模型的输出质量。这样你买的不是信任，而是可复现的结果。
第二，把AI嵌入工作流之前，先做成本与收益评估。哪怕只是写一个小脚本，也要记录每天的调用量、Token消耗和节省的时间。数据积累一段时间后，你自然知道哪个AI功能值得扩大使用。
第三，关注Agent工程化而非单纯聊天。真正的增长机会在“端到端任务自动化”上，包括任务规划、工具调用、结果校验和异常处理。谁能把这套流程调得稳定，谁就更有可能在下一阶段胜出。
第四，注意合规与隐私边界。只要涉及人脸、声音、版权材料、客户数据或个人隐私，都必须确认授权范围。不要在未经许可的情况下使用他人素材做生成或克隆，也不要把敏感数据传到未知服务。本地部署不是万能的，隐私风险取决于数据流向和模型来源。
第五，保持可迁移技能。任何单一工具都可能过时，但问题拆解能力、数据评估能力和工程落地能力不会。你可以花时间学提示词工程，也可以学微调、RAG、模型部署，但最重要的底层能力是：能定义问题、能设计方案、能验证结果。
9. 接下来的行动清单
不需要一次做完，但可以从三条路径开始。
第一步，做一次本地部署实验。用自己电脑上能跑得动的小模型，跑10个真实任务，记录延迟、显存占用、输出质量。这一步能帮你建立“AI到底贵不贵”的基础直觉。
第二步，算一笔AI功能的ROI账。选一个你工作中已经在用或想用的AI功能，套用上面的Python脚本，把实际Token消耗、调用频次和节省时间填入，算出来之后你就知道它值不值得继续用。
第三步，给自己搭建一个信息跟踪表。每季度记录一次：主流模型API价格变化、开源模型发布情况、你关注的AI产品的留存或付费信号、企业IT支出相关数据。不需要精确，只需要形成长期跟踪的框架。
做完这三件事，再回头看“AI泡沫如何解”和“普通人如何面对股市”，你会有自己的判断方式。技术世界最稀缺的不是结论，而是验证结论的习惯。
