最近，关于AI泡沫即将破裂的讨论再次升温。Anthropic的IPO估值预期、OpenAI的新一轮融资规模，都成为市场质疑AI投资热潮的重要依据。

这些担忧并非毫无道理。但我认为，当前关于AI泡沫的讨论，可能忽略了一个更重要的问题：

我们正在用今天的技术格局，为一场远未到达终局的技术革命定价。

AI可能存在泡沫，但不意味着技术革命失败

过去几年，资本市场给予OpenAI、Anthropic等公司的高额估值，很大程度上建立在两个预期之上：

第一，AI将成为未来社会最重要的基础技术之一。

第二，今天领先的AI公司，将在未来继续保持领先，并获得与之相匹配的利润。

第一个判断可能是正确的，但第二个判断存在巨大的不确定性。

AI创造的价值，不一定成为模型公司的利润

目前，大模型已经证明了自己的商业价值。编程、内容创作、知识处理、科学研究等领域，都在发生实实在在的变化。

但商业价值不等于商业利润。

与传统软件不同，大模型每次推理都需要消耗算力。即使用户数量不断增长，企业也未必能够获得传统互联网平台那样显著的边际成本优势。

更重要的是，模型能力的快速进步，可能反过来削弱模型公司的商业护城河。

当越来越多的模型具备接近的能力，价格竞争就不可避免。开源模型的发展，也可能进一步压缩闭源模型的利润空间。

最终可能出现一种看似矛盾的局面：

AI应用越来越广泛，创造的社会财富越来越多，但提供基础模型的公司，却未必能获得相应比例的利润。

真正危险的是资本投入与商业回报之间的错配

当前AI产业正在形成一条庞大的资本投入链条。

资本市场为模型公司提供融资，模型公司购买算力，云服务商建设数据中心，芯片企业扩大生产规模，而部分基础设施企业又通过投资等方式支持模型公司。

这套体系并不必然存在问题，前提是最终能够由真实、持续增长的客户需求提供足够的现金流。

但如果整个产业越来越依赖下一轮融资来维持扩张，风险就会不断积累。

一旦投资者降低未来增长预期，模型公司的融资能力可能下降，并进一步传导至算力、数据中心和芯片产业。

这与2000年互联网泡沫有相似之处。

当年投资者并没有看错互联网的未来，却高估了特定企业实现盈利的能力和速度。

互联网泡沫破裂后，互联网并没有消失，反而真正进入了大规模普及阶段。

AI也完全可能经历类似过程。

技术革命可以成功，而押注这场革命的许多投资者仍然可能遭受巨大损失。

不过，在我看来，今天关于AI泡沫的讨论，还有一个比资本回报更加根本的问题。

真正的不确定性：AI技术革命远未到达终局

当前OpenAI和Anthropic的估值，实际上隐含着一个重要假设：

它们今天在大模型领域领先，因此未来也有很大机会继续领先。

但这恰恰是最值得质疑的地方。

因为今天的大语言模型，距离真正成熟的通用人工智能，仍然存在关键的能力缺口。

而这些缺口一旦被突破，整个行业的竞争规则都可能被重新定义。

记忆与持续学习，是下一代大模型的分水岭

目前的大语言模型虽然已经展现出强大的推理、编程和知识处理能力，但仍存在两个根本性的不足。

第一，缺乏真正端到端的长期记忆能力。

今天的大模型可以依靠上下文窗口、外部数据库、RAG以及记忆管理系统保存和检索信息。

但这种记忆在很大程度上仍是外部工程系统提供的能力，而不是模型能够像人类一样，自主形成、组织、整合和更新长期经验。

一个真正拥有成熟记忆能力的智能体，不应该每次对话都依赖重新读取历史记录来理解用户。

它应该能够在长期交互中形成对世界、环境和个体的持续认知，并将过去的经验自然融入未来的判断。

第二，缺乏真正持续学习的能力。

当前大模型的核心能力主要来自预训练和后训练。模型部署以后，参数通常相对固定。

即使它在某次任务中发现了错误、掌握了新的方法，这些经验也未必能够转化为模型自身稳定、可迁移的能力。

这意味着，今天的模型可以表现得非常聪明，却很难像人类一样，在长期生活和工作中不断积累经验、持续成长。

真正的持续学习，要求模型能够从日常交互中不断更新自身，同时避免遗忘已有知识、错误经验污染以及能力退化。

这显然不只是扩大上下文窗口，或者增加一个记忆数据库就能解决的问题。

我认为，记忆与持续学习的突破，将成为下一代大模型竞争的真正分水岭。

谁率先解决这两个问题，谁就有可能建立一种全新的竞争优势。

因为那时的AI不再只是一个随时可以调用的强大工具，而是一个能够积累经验、理解长期目标、不断提升自身能力的智能体。

这种变化比今天单纯提高模型基准测试成绩，或者给 Harness 工具堆叠功能重要得多。

这两种能力将成为迈向 AGI 极其关键的一步。

今天的领先者，未必是下一阶段的赢家

问题在于，目前我们还无法确定究竟哪家公司会率先取得决定性突破。

OpenAI和Anthropic拥有领先的模型、大量资金、算力资源和研究人才，但这些优势并不意味着它们一定能够解决下一阶段的核心科学问题。

未来的突破也可能来自Google DeepMind、开源社区、大学实验室，甚至今天尚未成立的研究机构。

技术史上，一个阶段的领先者被下一代技术范式颠覆，并不罕见。

如果未来出现一种真正具备长期记忆和持续学习能力的新架构，今天依靠静态参数和外部记忆系统构建的模型，其技术优势可能迅速缩水。

届时，决定企业竞争力的，可能不再是谁拥有更多GPU、谁训练出了参数更多的模型，而是谁率先掌握了新的学习机制。

所以，我认为当前大模型公司的估值存在一种比收入增长放缓更加深刻的风险：

资本市场不仅在预测这些公司的未来收入，还在押注它们能够持续赢得一场尚未明确技术路线的竞争。

这是两种完全不同的不确定性。

LLM之外，还有另一场更漫长的革命

即使语言模型最终突破了记忆与持续学习的限制，AI革命也远未结束。

因为人类的生产和生活，并不只存在于数字世界。

制造、物流、农业、建筑、家庭服务、医疗护理，大量经济活动仍然依赖对物理世界的感知和操作。

这就引出了另一个终极目标：能够真正生活和工作在物理世界中的通用机器人。

它不仅需要理解语言，还需要理解空间、物体、运动、因果关系，以及物理环境中的不确定性。

更重要的是，它必须能够通过实际行动积累经验，在复杂、开放的环境中持续学习。

从这个角度看，长期记忆和持续学习不仅是语言模型的问题，也可能是通用机器人必须解决的核心问题。

而物理世界远比文本世界复杂。

一个模型可以在虚拟环境中反复尝试，但机器人在现实世界中的每一次行动，都可能涉及时间、能源、设备损耗乃至人身安全成本。

因此，物理智能的突破可能需要全新的学习方法、训练体系与硬件架构。

这也意味着，今天围绕LLM建立的竞争优势，未必能够直接转化为未来机器人时代的竞争优势。

未来真正创造巨大经济价值的企业，也许尚未出现在今天的AI巨头名单中。

我们究竟应该如何理解AI泡沫？

回到最初的问题：AI泡沫会不会破裂？

我的判断是，当前部分AI企业的估值确实可能存在泡沫，但这远不能说明AI技术革命接近尾声。

恰恰相反，我们可能还处于这场革命相当早期的阶段。

今天资本市场争论的是，OpenAI和Anthropic究竟应该值多少钱。

但技术领域真正重要的问题可能是：

下一代智能系统会采用什么架构？谁能够率先实现可靠的长期记忆与持续学习？谁能将智能真正带入物理世界？

这些问题中的任何一个出现重大突破，都可能重新排列今天的行业格局。

因此，AI泡沫破裂与AI革命继续加速，不仅不矛盾，甚至可能同时发生。

资本市场的泡沫，源于人们试图提前为未来定价；而真正的技术革命，恰恰在于未来往往无法按照今天的想象展开。

今天最值得警惕的，或许不是人们高估了AI的长期价值，而是过早认定了谁将成为这场革命的最终赢家。