如何科学地系统认识AI的未来？

辩证法不是哲学，一切将辩证法当作哲学来研究的方式，不仅都必然会带来错误的结论，而且严重阻挡了整个科学界顺利地接受和使用它们。黑格尔辩证法研究最大的影响，就是让相关思维方法领域的科学研究推迟了200多年。

要科学地认识AI，需要极限与质变点，循环因果律等科学认识方法的支持。之前以辩证法概念描述的“量变质变规律”“质量互变规律”“否定之否定规律”“循环螺旋上升规律”等名称本身就是大错特错的。

我的上篇文章发表之后，不仅很多网友留言提出了很好的问题，而且很多专业的学者撰文提出了各自的看法。例如，刘庆彬博士在他的公众号“刘庆彬观察”连发了两篇文章与我讨论：“《“纯科学”看懂了协议革命，却还没有看懂Token革命》”“从协议分层到文明分层——再谈Token革命与人工智能革命”。

另外，观察者网创始总编、CEO金仲伟在微信里给我提出了几个非常深刻的问题，总结起来就是：

• 世界模型或者叫物理AI大模型若获得突破是否会带来对算力的巨大需求？

• 具身智能及智驾系统是否为世界大模型的实现路径？

• 多个大模型等AI平台是否会通过竞争合并，最终形成有效商业模式并在商业上成功获得回报，从而使泡沫不会破灭？

为了真正有效回答大家的疑问，我可能需要先深入讨论一下相关的科学认识方法问题。事实上，我在讨论各种问题时，在背后都对应了一整套认识方法，最重要的是这些底层的认识方法，而不是表面上的结论。与本文主题相关的最底层方法论有两个：一是“极限与质变点”“循环因果律”等科学的基本认识方法，可看作是将辩证法完全形式化和科学化的结果，这是AI等发展模型的最底层逻辑；二是泡沫形成的金融与经济学动力，泡沫破灭的机制问题。

一、辩证法量变质变规律的形式化和科学化

如果仅限于哲学范围来讨论辩证法规律，大多数人接受起来非常困难，或即使表面上、口头上接受了也很难真正掌握并用它来有效解决问题。这些规律的名称本身大多就是严重错误和误导性的。它们直到今天依然在作为哲学在进行讨论所带来的唯一结果，就是科学界普遍从内心深处抵制这些东西。这是为什么必须将它们形式化、科学化的原因所在。

1.极限与质变点问题

辩证法的“量变质变规律”或称“质量互变规律”这些名称本身就是非常不合适的，甚至可说这种规律表达本身就是大错特错的，原因在于：

第一，这些名称把这个规律真正最本质的核心点给丢掉了，这就是“度”。最初比较系统论述这个规律的，是在黑格尔《逻辑学》（Wissenschaft der Logik，通称《大逻辑》）中讨论。该书上册“客观逻辑・第一编 存在论（Die Lehre vom Sein）”

第一章 质

第二章 量

第三章 度

另外在黑格尔的《哲学全书・第一部分：逻辑学》（通称《小逻辑》），对应篇目为“第一篇 存在论”，其中论述同样分为：质、量、度。《小逻辑》是授课纲要，只是文字更精简。

黑格尔本人从来没说过“量变质变规律”“质量互变规律”，这是从苏联翻译过来的教材里这么说的，我们也就一直把这些天大的错误全保留下来了。当然，黑格尔把这些认识方法以一种哲学的框架来进行研究，可以说是从一开始就完全带歪了方向，并在其后越来越偏。这也是哲学认知范式的巨大缺陷所在。如果按科学的方法进行研究，即使一开始有问题，后续研究中很大可能会被新的实验与测量数据所纠正。但哲学的认知范式不仅很难纠正错误，还会在后来错得越来越大。

第二，量变未必会引起质变，因为有些度是不可超越的，这就是极限。量变只有越过度才会引起这个规律希望表达的那种意义上的质变。所以，“质量互变”的表述不仅丢失了最关键的内核“度”，而且它根本就不是一种无条件和普遍性的规律。另外，某些类型的质变可能也并未对应量变。如果用科学的方式来严格描述就是：

(1) 当且仅当量变可以越过质变点，在量变越过质变点时将引起质变。

(2) 在质变点上也会存在质变。例如，当处于水的三相点的临界点（质变点）上，水可以在固相、液相和气相间相互变化。

(3) 量变没有越过质变点时，也可能存在质的变化。这可能让很多人非常惊讶，但这类科学的实际案例普遍存在。例如，一个大气压下，水的温度未达到100度时，假设只有40度，水依然会从液相变成气相，这个过程叫“蒸发”。甚至在零下的温度，水也会直接从固相的冰直接变成气相，这个过程是“分子逸出”。所以，没有量变，同样可能会有质变。只是质变的速度和范围可能不同。

第三，这个规律从一开始就不该放在哲学里讨论，因为它们本身就是直接可以形式化，并且是直接可以进行测量的规律。放在哲学里当作辩证法的内容讨论反而让人搞不清楚了，严重破坏了对这个规律的科学理解。黑格尔的辩证逻辑研究产生的最主要影响，只把这些领域认识方法的科学研究人为拖延了200多年。要正确地科学认识相应的思维方法，必须完全彻底地否定“量变质变规律”和“质量互变规律”这些名称，并且完全抛弃在哲学的范畴人为制造的这些问题，代之以“度的问题”或更精细的“极限与质变点问题”等纯科学的议题。请注意，我们不是说这些辩证法的规律是错的，而是说压根就不该认为它们是“哲学范畴的辩证法”。哲学范畴都难以进行测量和科学的定义，也就无法说它们对错。

2.对度的科学理解

“量”基本上是不需要说太多的，一切科学的研究都是在针对各种对象量的差异、变化和相互的关系。如果一定要多说一句的话，那就是一切科学研究对象量的获得，都是通过测量结果与计量基准的比对，量就是被测量对象与计量基准相比对的倍数。

“质”稍微复杂点，但也不需要说太多，一切事物的存在方式、不同的结构等都是质的体现。

关键问题是度，度为什么是普遍存在的？一切测量主体和认识主体本身就有灵敏度、分辨率、量程的度，它们决定了一切科学认识的有限性或至少在特定阶段的有限性。数学里可以设想“无穷”这个概念，也可以设想定义整个实数集的、或“无度”的集合。

但在现实世界，一切皆有度。这不是哲学表达，而是一个非常重要的科学公理。一切桥梁都有承重的限度；一切交通工具都有载荷的限度......

要科学地认识度，也与认识一切其他科学对象一样，首先进行定性的分类，然后进行测量。

度可以分为两大类：极限与质变点。这些度都是直接可以精确测量的，因此它们完全是科学的研究对象，而绝对不是任何哲学的课题。凡是把它们当作哲学概念研究的任何做法，都只会让它们变成错误、不可理解、不可检验的东西。要科学地认识度，哲学家能帮到最大的忙，能对人类的科学文明做出的最大贡献，就是从此对所谓的“辩证法”别再说什么了。

质变点。当量变越过它就会引发质变的点。例如水的各种相变点，一个大气压下水温从摄氏零度以下变到零度以上，水就会从固相变为液相。“一个大气压下零度”就是一个“质变点”。“一个大气压下100度”就是水的液相与气相互变的质变点。

质变点很可能并不是绝对的。如果它与某些技术条件有关，改变这些技术条件，质变点就可能会发生变化。例如，在十个大气压下，水的液-气质变点就会变成摄氏179.9度。虽然我们称“质变点”，但改变特定的条件（如气压），所有质变点可能会形成一条曲线。下图是水在不同压力和温度下质变点形成的曲线。

图中彩色的线都是质变线

三条质变线分别为升华线、溶解线、汽化线

所以，一切质变点一定要指明所对应的技术条件才有意义。

极限。有一些度是从理论上就不可能被越过。或者，在某些特定技术条件下不可能被越过。这类度都被称为“极限”。

例如，温度从理论上说就不可能低于绝对温标0度（开氏温度，摄氏零下273.16度），物体运动的速度不可能超越光速，这些就是作为极限的度。

有些极限不是理论上无条件的，它们会与相应的技术条件相对应。例如，光刻的最小尺寸极限理论上受限于所采用的光波波长。它们之间的关系称为“瑞利光刻分辨率公式（半导体光刻标准形式）”：

这个极限并不是绝对的，从公式里可以看出，如果缩短光刻机所采用的光波波长，就可以缩短光刻的线宽。

这个缩短最终会遇到一个更强的极限，就是量子隧穿效应。比量子隧穿效应还强的极限是原子。我们目前在科学的原理上还没法想象能采用比原子还小的元件来做晶体管。

20世纪80年代初，我在南邮上大学期间，就读过一些关于摩尔定律的文献。至少在那时，科学家们就已经很清楚，摩尔定律最终将遇上量子隧穿效应决定的极限，并且那时就已经根据摩尔定律精确推算出半导体产业开始遇到极限的时间点就在2010年至2015年。

土地承载力的极限点计算模型最早采用逻辑斯蒂方程( Logistic Equation) 来描述，方程中的K就是极限（如下图所示）。种群最初会以指数增长，最终会遇到一个极限K而趋于平缓，形成一个S形的增长曲线。

但是这个极限K同样是可以随着土、水、光、肥、种子甚至工业生产食物等技术条件而变化的，但变化之后并不是就没有度了，只是度的数量发生了变化。

二、商用质变点

如果量变的是技术能力，这种能力超过一定的度，就可以使对应这个度的某种业务需求获得实用化，这样的度就被称为“商用质变点”。

例如，计算机最初能力是有限的，还不能处理实时的视频信号。根据人眼的规律，大于每秒24帧的视频，就不会感到闪动。所以，视频信号其实是每秒24帧的一系列静止图片组成的。大致来说，如果在24分之1秒内可以有效处理完一帧静止图像，就可以有效地对视频信号进行实时处理。如果能在24分之1秒内解压缩一帧图像，就可以实时播放这个视频。这对应的计算能力，就是这个格式视频的商用质变点。

如果压缩方法不变，视频的行数和每行的像素数都增加一倍，整个图像的像素数会增加4倍，需要的处理能力也会随之增加4倍。根据以往的摩尔定律，每18个月计算能力增加1倍，3年增加4倍。所以，在视频压缩算法不变且摩尔定律有效的情况下，每隔3年，计算能力就会越过更新一代的视频商用质变点。

如果算法改变了，将改变后增加的计算能力加进去考虑，就可以有效计算出下一代视频达到商用质变点的准确时间。

回顾一下从QCIF格式，CIF格式(大致对应VCD)，DVD,蓝光（HD、2K），4K，8K的整个发展过程，非常有效地符合以上分析的规律。从QCIF到DVD，算法变化不大，大致就是每3年换一代视频格式。1990年QCIF格式的视频应用开始出现，VCD在1993年开始普及，DVD在1996年开始商用，它们之间的间隔正好就是3年。

从DVD提升到HD或2K变化比较大。像素数量提升了5倍至8.89倍（有不同格式）而不只是4倍。视频处理算法复杂度也增加了，从MPEG2升级为H.264（2.5至3.5售）甚至H.265（比H.264又提升了1.5至2倍）。两相合计计算能力提升了22至31（H.264），甚至35至62倍（H.265）。所以从DVD到HD或2K的升级时间从原来每一代的2个摩尔周期（3年），增长为5至6个摩尔周期（7.5到10年）。同时这个涉及终端电视屏幕和电脑显示屏分辨率的升级，花得时间更长一些。实际2K视频是在2007年开始商用，同样比较精确地符合了以上规律。4K与8K并不只是计算能力的升级问题，而且都涉及屏幕的升级，并且摩尔定律开始因遇到极限而变慢，越过商用质变点的周期长度上都相对拉长了一些。

三、奇点

1.奇点概念产生的逻辑背景

当计算能力以摩尔定律增长时，一旦能力越过商用质变点，相应的业务就会非常迅速地获得普及，并且计算能力还在继续以摩尔定律的指数规律进行量变，所以相应的业务应用成本也会迅速下降，整个普及的速度也会呈现极强的指数增长。

以上这种规律就是“奇点”这一概念产生的根源。但是请一定要注意，以上这种规律是在摩尔定律时代非常普遍的现象，没人把这看作是奇点。

但是，针对人工智能特定的应用提出奇点概念后，给人的印象和概念是：

• 奇点只是一个简单的能力点，当计算能力越过之后，就会像一般的越过商用质变点一样使相应领域迅速商用和普及。

• 当AI越过这个奇点后，能力还在继续以指数增长，距离商用质变点迅速地越来越远。如果AI的商用质变点是人类的智能和使用这种能力的成本，那么一旦其在能力上超过这种人类能力，低于人类使用这种能力的成本，此后AI还会以指数的能力增长与成本下降极为迅速地拉开与人类的距离。

• AI能力的增长是无限的，没有边界的。所以，AI越过奇点后，其相对人类的优势会以指数增大的距离拉开，会使人类的能力被压低到极其微不足道的程度。就如同今天4K的视频已经商用化，当年QCIF格式的处理能力在今日看来就实在是太微不足道了。AI会以4K甚至8K的优势，去俯视还只是处于QCIF格式处理能力的人类。

2.人类智能的商用质变点不是单一的一个点

以上对奇点的认知存在两个问题。

首先是人工智能的商用质变点是一个简单的点，还是一系列的点？例如前面我们描述的视频商用质变点，它并不是一个简单的点，而是一系列不同视频格式对应的差异极大的商用质变点。人类的智能是可以用一个简单的、单一测量值表达的对象吗？显然很难。例如，人类的算术计算能力很早就被计算机超过了。

1961年，英国的Bell Punch公司就开始销售一款用电子管制作的电子计算器ANITA Mark VII。3年后日本夏普就开始销售用集成电路生产的电子计算器。在算术计算上的商用质变点在那个时候就越过了。

人类智能中不同的能力，对应的AI商用质变点是差异极大的。或者说，人类的智能如果要用AI去替代的话，是一系列相差巨大的商用质变点组成的。不可能说超过某一个商用质变点后，AI就算“超过了人类”。

因为对这个问题产生了巨大的误解，最近一大批国际巨头做了一些过头的事情：先是以为AI会大规模替代人，所以纷纷大规模裁员，并将投资投向AI基础设施。但在裁员后发现事情并不像原来想象得那样简单。原因何在？因为事先就没有对人类相应能力被AI替代的精确商用质变点进行深入研究，就盲目地做出了决定。等把人裁完了发现很多事情离了人还真是搞不定。而且我们将看到，AI替代一些事务性的如文员类的岗位可能还行，最不该替代的正是软件开发人员。为什么？

现在有些计算机软件公司在采用AI后，原以为可以大量节省软件开发人员，却发现一个极为意外的结果：采用AI不仅没有使总体效率提升，反而更进一步“下降”了。因为采用AI后，代码开发时间的确是极大地缩短了，但开发软件是要满足需求的，需求却往往是多个部门之间协调出来的结果。因为代码效率提升，提出软件需求的部门可以采用两种策略：

一是需求完全一样，这样用更少的软件代码人员就可以完成相应的工作，结果就是裁员。

但他们也可能采用另一个策略 —— 增加软件的需求。既然写代码效率大大提高了，那就可以很容易满足更多需求。需求的增加不仅是近乎无限的，还会导致代码量指数级地增长，关键是会导致不同开发部门之间的沟通工作量指数级地增加。人与人的沟通和需求定义是很难用AI来实现的，或者要实现的话，那是能力可能相差几个数量级的另一个商用质变点。

到底是裁人减成本，还是人不裁增加需求，开发更高水平、功能更多、质量更高的软件以提升价值？这是一个最终需要一定时间的市场竞争来选择的问题。如果有些公司利用AI效率大幅度提升后，大大增加软件的需求，开发品质更高的软件，这样更好的软件产品在市场上竞争力更强，这就会逼得其他公司也得跟着提高软件需求。

所以，AI的使用并不一定必然带来软件开发人员的减少，而是存在不同竞争策略的选择。

但不管怎样，的确是会使用AI或研发AI的员工会有更多的机会。如果不会AI，大概率还是面临被裁员的结果。

Agent的出现最初让业界非常兴奋，以为有了它就可以自动地完成很多工作，它会像秘书那样自动地安排很多事情，但人们很快发现不能简单地这么理解。就是人类的秘书也不是完全自动化的，不请示汇报就私自地随便决定所有的事情——必须要首先搞清楚到底谁是老板谁是秘书？如果不首先搞清楚这个问题，随意去使用Agent当然是要出大错的。

3.极限的必然存在

极限是普遍存在的。只有在多年前，计算能力还在以摩尔定律能力指数增长的早期，技术能力远未达到极限，从而可以近似地把计算能力看作是可以无限增长的。例如，在VCD普及时，基本上是可以不用考虑计算能力极限问题的。

但是，人工智能大规模爆发的时候，最底层的芯片计算能力已经开始遇到量子隧穿效应的极限了。虽然其他技术条件持续改善可以将这个极限之内的潜力持续挖掘，但这个空间也是有极限的，并且遇到这些极限的时间很难超过从现在开始算起的十年之内。这不是说十年之后技术能力一点都不能增长了，甚至它可能一直都会持续增长，但增长速度会越来越慢。最终计算性能的增长会与之前燃油车的效率增长类似，每增长0.1个百分点都难如登天。倍增周期会从之前的18个月，逐步拉长为3年、8年、18年。GPU芯片的算力性能倍增周期会迅速从6个月，拉长为1年，3年，8年。

从很快的量变，变为很慢的量变，没有质变。

四、指数增长-极限背后的循环因果律

辩证法的另一个规律“否定之否定规律”也叫“循环螺旋上升规律”。这些名称本身同样就是错误的。

第一，有很多这类规律是“肯定之肯定”，这就是正反馈，自我膨胀。炒股票中为什么越买越涨，越涨越买？这就是一种“肯定之肯定”，而不是“肯定-否定-否定之否定”，它是“肯定-肯定-更大的肯定-更疯狂的肯定”，一直自我肯定，直至遇到极限崩盘进入另一种循环。

第二，循环螺旋的不一定是上升，还有很多是下降。例如，股票崩盘时就是如此。循环螺旋的也可以是周期振荡，例如，电子科技中常用的正弦波信号发生器，其输出的结果就要求是严格一致的正弦波周期振荡，也有脉冲信号发生器产生的脉冲周期振荡。这个循环螺旋的即不是上升，也不是下降，而必须是“循环螺旋不变”。

正确的科学说法是“循环因果律”。这是西方逻辑学中持续了两千多年一直无法解决的难题。黑格尔试图用辩证法来解决，却陷进了哲学的泥潭里。

我通过引入时延参数，有效将循环因果还原为经典因果，从而完全解决了这个规律的形式化问题。

循环因果的表现可以是多种多样的：

• 周期振荡。时延大小就严格决定了振荡周期的长短。

• 指数增长。如果循环因果过程存在放大，就会形成指数增长。

• 指数衰减。如果循环因果过程是衰减，就会形成指数衰减。例如放射物质的放射性衰变。

• 进化或演化。如果循环因果过程存在变异和选择，就会形成进化或演化。

指数增长规律是“汪涛产业定律”的基石，这个定律又可以逻辑推导出摩尔定律、何庭波定律、黄仁勋定律、太阳能产业定律（每瓦成本每年下降10%）、锂电池产业定律（度电成本每年下降10%）等。

把指数增长规律与极限相结合，就可以形成“指数增长-极限定律”的分析方法，这是逻辑斯蒂方程等模型的最底层的逻辑基础。

时间序列是一种循环因果律数学化的最简单工具。我采用这种数学工具将毛泽东军事思想完全公理化，并且将其完全用数学公式推导出来，完成了《超越战争论》一书。这可以说建立了一套完全数学化和科学化的军事理论体系。在军校等场合讲课时，我用的标题都是“毛泽东军事思想的数学原理”。

控制论、系统论、超循环理论、协同论、耗散结构理论、混沌学、突变论等，它们最底层的逻辑，主要就是循环因果律。

为系统介绍循环因果律，随本文同时发表了“循环因果律”与“指数增长与极限”两篇文章，有兴趣深入研究的读者可以参考。

所以，我们说辩证法的名称都是错的，并不是说它们试图描述的规律是错的或不存在，而是用哲学范畴的辩证法来研究这些对象和规律的“研究范式”是完全错的。

所以非常诚恳地求求哲学家们，为了中华文明的复兴大业，你们就别再多余添乱了。把哲学和自然辩证法这些学科停掉，最多当成历史来研究。即使他们历史上是起到一些作用的，现在也需要停掉了。

一切不能用数学和统一测量学作为研究范式的学科，全都可以停掉了。

五、金融炒作规律

如果仅仅是以上限制，到也不算是根本性的问题。关键在于，美国的技术进步都是靠金融资本推动的，所以总是人为制造出技术进步对应的泡沫问题。在投资界时常采用一个技术成熟度曲线（Gartner Hype Cycle，高德纳炒作周期）来描述新技术的成长周期。

这个曲线是高德纳研究所（Gartner Research）的副总裁兼研究员杰姬·芬恩（Jackie Fenn），1995年在其内部研究简报《When to Leap on the Hype Cycle》首次提出，并手绘的曲线。这个曲线提出之后很快风靡全球投资界。请特别注意两点：

一是这个曲线的名称一开始就被称为“Hype Cycle”（炒作周期），不带任何遮掩的。就是在过热期为什么会有那样过高的估值原因所在——这就是人为炒作起来的。

二是在曲线的过热期达到的峰值，远远高过最终成熟期的高度。这意味着什么？就是在这个时间点套进去的资金，就永远也别想解套了。

按理来说，在萌芽期投入的种子期和天使期的资金，人家是最早扶持科技创新的。所以在技术开始进入市场后获得应有的高回报是理所应当的，问题只是回报的比例到底多“高”才合理。后期投入的资金回报比例应该远低于初期投入的资金，但如果是让这个阶段投入的资金固化地、制度性地、永久性地陷入亏损并且严重亏损的境地，这就不合适了。

更重要的是：如果这个过热期就是让美国的早期投资人获得过度比例的回报，却把在过热期套进去资金的“机会”全塞给中国和其他国家的投资人，那就远远不止是合理不合理的问题了——这纯粹是美国利用每个阶段的技术创新收割他国的金融战略陷阱。

进一步的问题是：为什么会在过热期会过热？并不是市场自然发展的结果，而是人为炒作的结果，而且人家明说就是人为炒作的。这种炒作的具体实现，就是在过热期里的各种最热的理论。这就是美国人为什么总是特别善于制造各种技术理论，并且被市场热炒的真正原因所在。

为什么美国总是有那么多技术畅销书风靡全世界？为什么美国人总是在提出风靡全世界的技术概念？是他们技术很牛，是那些写书的作者水平真的很高吗？大错特错，是背后有一整套“炒作链”在支撑这些理论和概念的炒作。美国人永远不会停止技术概念炒作的。

这就是为什么每当美国人提出新的技术概念时，我总是站出来先泼一波凉水的真正原因所在——别跟我来这一套，我在这个圈子混了几十年了，所有的概念炒作我几乎都完整经历过。但中国有太多不明就里的人总是一遇到美国人炒什么概念，就马上跟着去炒。

我去泼凉水并不是说它们一定都是错的，而是它们炒得太过头了。美国早期投资人获得合理的高额回报，那是人家该得的，但不能永远把中国投资人必然给套死。如果中国投资人现在还不具备吃种子期和天使期超额回报的本事，喝点汤总应该是可以的，但不能汤都没喝着只是把自己的血和肉都赔进去。

3D电视概念刚开始炒作时，我还在数字电视领域工作，我一直对这个概念泼凉水，这是一个不可能成功的方向，我泼凉水的努力有效减少了所在公司和所属行业的投资损失。当时中央电视台都已经在进行3D电视试播了。

元宇宙概念刚开始炒作时，我马上泼了一波凉水，并引发了很多人如袁岚峰老师跟进，很快把这个火给浇灭了。元宇宙这个概念有一点实质内容（VR等），但真正的实质内容太少，元宇宙概念已经快接近诈骗的范畴了。

这一轮AI大规模成功后的极力炒作与之前的3D电视和元宇宙有很大不同，其实质内容是比较多的，但目前已经进入过热期，太过头了。并且，正因为AI的实质内容相当多，相当大，这很可能造成过热期的泡沫程度远远超过之前其他炒概念带来的风险。

需要说明一下，中国的AI应该没有那么大风险，因为中国投资界还没学会造理论概念和炒概念。但愿中国投资界永远别学美国这一套。

十几年前在美国刚刚开始投资通用人工智能的时候，我在硅谷做投资，就在硅谷看过很多相关的项目。那时谷歌的Transfomer都还没出现，OPEN AI公司都还没成立。那时我通过看多个通用人工智能项目，并与创业者深入交流后就明白了，这一轮通用人工智能真正最大的突破是建立起一个通用的人机界面，接近语义理解。人接近于可以与机器通过自然语言进行对话和发指令。除此之外，原有AI根本性的缺陷，主要是可靠性的缺陷不可能通过此轮AI大模型革命解决。只不过业界给了它一个新的名词——幻觉。

一定要知道，美国人是几乎在过去几十年每一个新技术的节点上，全都在重复以上的高德纳炒作周期，都是在过热期狠狠地赚一大把，将不明白的其他投资人套死进去。只不过之前有很多搞不明白的美国投资人也被套死进去了。高德纳研究所总结出炒作周期，并且定期给出不同新技术在这个周期中所处的阶段，就是提醒美国投资人别在过热期陷进去，那个过热期之后的泡沫低谷的深坑，是留给那些人傻钱多的诸如中东和中国投资者的。

为什么这个高德纳炒作周期丝毫不带遮掩的，因为一方面要热炒概念把其他国家人傻钱多的人给忽悠进来，另一方面又要避免把更多美国投资人也同时给忽悠进来了，难啊！这是要让美国自己投资人看明白，说得太含蓄了他们搞不懂啊。那说这么明白其他国家的投资人也看明白了怎么办？放心好了，这个世界上人傻钱多的人太多了,说再明白都没关系的，照样套死一大堆人。

那被套死那么多人，难道就没人总结经验教训，提醒其他人别上当吗？放心好了，绝对不可能的。因为仅仅看在自己面子的份上，无论被套死到什么程度，都绝不会承认自己被美国人忽悠了从而导致投资失败的 —— 这是人的本性。美国人的极度聪明就体现在这里——把人性看透了，拿捏得死死的。

1995年提出的这个高德纳炒作周期，可以说就是为2000年左右的互联网泡沫破灭准备的。可是，并不是所有美国投资人当时都看明白了，所以在这个巨大的泡沫破灭中，还是有很多美国投资人陷进去。也有很多美国企业、包括朗讯陷进去而最终破产，做光纤的康宁等公司陷入巨亏。

最近十多年美国炒作的很多技术概念都没成功，但AI不同，它的确是有很大实质性内容的。所以，近五年多美国股市全靠这波技术概念支撑起来。

这是为什么这个高德纳炒作周期一经提出，全球投资界很快就高度关注它，尤其在互联网泡沫破灭后，人们开始更加关注它的原因所在。得通过这个图搞清楚什么时候可以介入哪些新技术，哪个时间点该提前跑路。简单总结一下就是：当美国炒作的哪个技术概念处在火热到极点、全世界都在热议的时候，就是该赶紧跑路的时候了，否则就会被套死进去。任何今天还在准备投美国AI项目的，都应该先认真研究一下这些项目处在高德纳炒作周期的哪个阶段的准确位置，再做决策也不迟。

五、如何理性地看待AI？

只有充分理解了以上高德纳炒作周期，将人为炒作带来的主体误差消除掉之后，我们才能理性地、有效地认清一切技术，包括AI技术真正的本质是什么。

互联网是有很大实质性内容的，并且成为进入21世纪后整个人类科技发展的基石。AI的地位可能不亚于互联网，其泡沫化程度也可能远超2000年时的互联网。

泡沫的破灭本质不是说这个技术不对，更不是说它以后就不发展了，关键是其估值的程度已经远远超出了合理的范围，市场开始发现：现阶段的过度投资永远也不可能收回来。此时就会迅速停止并撤回投资，而事实上在背后推动这个炒作的早期投资人早就已经跑路了。

无论美国还是中国的AI都还会继续大发展，包括世界模型等技术进步。但是，刺破美国AI泡沫的因素，主要是中国AI和芯片业的崛起，形成了明显的价值比较，使得无论傻到什么程度的投资人都看明白美国现阶段AI的投入产出比，已经不合理到何种变态的程度了。

DeepSeek、KiMi K3等开源大模型的性价比，已经让美国的大模型成为一种任何人都看得清是可笑到极点的产品。

长鑫科技上市、中国EUV光刻机呼之欲出、中国大量AI芯片企业上市......这一切都会让英伟达的GPU芯片投资价值迅速衰减。美国自己的谷歌等公司推出的高性价比AI产品，也会有利于使投资者重估整个美国AI的投资价值曲线。

泡沫破灭的本质，是正确技术的价值评估出现理性回归，而不是技术本身绝对不对，也不是它不再有需求，更不是不再继续发展。不是相应的股票价值归零，而是一定会有较大幅度的回调。