战略冲突 | 为什么 IBM CEO Arvind Krishna 不相信 Sam Altman 的万亿美元愿景——通用人工智能 (AGI) 实现 0% 到 1% 的普及率？
Xpert 预发布
语言选择 📢
发布日期：2025年12月4日 / 更新日期：2025年12月4日 – 作者：Konrad Wolfenstein
战略冲突 | 为什么IBM首席执行官Arvind Krishna不相信Sam Altman的万亿美元愿景——通用人工智能（AGI）普及率在0%到1%之间？——图片来源：Xpert.Digital
通用人工智能 (AGI) 和残酷的数学：为什么数据中心的繁荣永远无法带来回报。
5 年死亡周期：英伟达、微软等公司面临的被低估的风险。
当硅谷正经历前所未有的投资狂潮，数万亿美元涌入人工智能竞赛之际，一位全球经验最丰富的科技公司首席执行官却拉下了紧急刹车。IBM首席执行官阿文德·克里希纳警告说：这场赌博并没有带来回报。
全球科技行业正掀起一股淘金热潮。微软、谷歌和Meta等公司竞相投资新建数据中心，其驱动力源于害怕在下一场重大技术革命中落后。他们的愿景很明确：开发出与人类智能相当甚至更胜一筹的通用人工智能（AGI）。然而，在这股狂热之中，一个强有力的声音响起，它并非来自技术批评家的行列，而是来自权力中心：IBM首席执行官阿文德·克里希纳。
克里希纳以纯粹的算术为基础，冷静地分析，驳斥了硅谷盛行的叙事。他的警告既简单又令人震惊：基础设施成本正在爆炸式增长，而硬件的更新换代速度却远超其折旧速度。克里希纳指出，要维持通用人工智能（AGI）目前的研发速度，需要高达八万亿美元的投资——如果承诺的天文数字利润未能实现，这笔巨额资金甚至可能让世界上最富有的公司破产。
但克里希纳的批评并不仅限于财务数据。他对这种炒作本身的技术基础也提出了质疑。尽管萨姆·奥特曼和OpenAI将超级智能的到来描绘成几乎不可避免的，但克里希纳却冷静地指出，以当今的大规模语言建模技术实现这一目标的概率仅为零到百分之一。
我们是否正面临经济史上最大的投资失误？人工智能热潮是否即将破灭？还是怀疑论者忽略了资产负债表之外蕴藏的变革潜力？本文将探讨相关论点、数据中心经济学中残酷的数学原理，以及“要么全有要么全无”的远见卓识者与务实现实主义倡导者之间的根本冲突。
适合：
IBM首席执行官为何预言科技史上最昂贵实验的终结？
全球科技行业可能正面临经济史上最大的投资失误之一。尽管微软、亚马逊、Meta 和谷歌等公司正投入数千亿美元构建人工智能基础设施，但来自IT行业核心的警告之声却日益高涨。IBM首席执行官Arvind Krishna自1990年起便在该公司任职，他在2025年11月下旬接受The Verge旗下播客节目Decoder采访时，发表了一项基础经济分析，该分析可能会打破围绕通用人工智能的狂热氛围。
他于2025年11月30日和12月1日发表的声明，直击一场在董事会和分析师圈子中日益升温的辩论的核心。克里希纳并非在谈论理论风险或哲学层面的担忧，而是在谈论那些对人工智能领域现有投资模式提出质疑的具体财务难题。他的计算基于简单的算术和合理的商业原则，甚至让乐观的业内人士也感到担忧。
适合：
数据中心经济学的残酷数学原理
克里希纳首先冷静地评估了当前的成本状况。按照今天的标准，一个容量为1吉瓦的数据中心需要800亿美元的资本支出。这个数字不仅包括物理基础设施和建筑物，还包括所有技术设备，从服务器和网络组件到人工智能计算所需的高度专业化的图形处理器。
近几个月来，科技行业致力于大规模扩张。多家公司已公开宣布计划新增20至30吉瓦的计算能力。按目前的每吉瓦成本计算，总投资额至少将达到1.5万亿美元。这一数额大致相当于特斯拉目前的市值，足以说明这项工程的规模之庞大。
但若考虑到通用人工智能（AGI）的宏伟目标，计算结果将更加惊人。克里希纳估计，实现真正的AGI需要大约100吉瓦的计算能力。这一估算基于对当前大型语言模型训练需求的推断，并考虑到了每个开发步骤中呈指数级增长的复杂性。按每吉瓦800亿美元计算，总投资将高达惊人的8万亿美元。
然而，这个投资数字仅仅是问题的一半。克里希纳指出，公众讨论中常常忽略一个重要因素：资本成本。如果投资额达到八万亿美元，企业每年需要产生约八千亿美元的利润才能支付投资利息。这个数字是基于保守的10%利率计算的，该利率包含了资本成本、风险溢价和投资者预期。
人工智能硬件的五年死亡周期
克里希纳论证的关键在于已安装硬件的使用寿命。所有计算能力必须在五年内得到充分利用，因为之后需要报废并更换已安装的硬件。这一评估与业界观察相符，并在金融界引发了激烈的争论。
以准确预测2008年金融危机而闻名的知名投资者迈克尔·伯里（Michael Burry）在2025年11月提出了类似的担忧。伯里认为，大型科技公司高估了其人工智能硬件的实际使用寿命，从而人为地压低了其折旧率。他预测，图形处理器和专用人工智能芯片实际上只能在两到三年内保持经济效益，之后就会被更新、更强大的产品所取代。
半导体行业的快速发展印证了这一观点。作为人工智能芯片的领军供应商，英伟达大约每12到18个月就会发布新一代处理器。每一代产品都带来显著的性能提升，很快就会使旧款产品失去经济效益。数据中心里的传统服务器可以轻松使用六年甚至更久，但人工智能专用硬件则遵循不同的规则。
实际上，情况更为复杂。一些公司调整了折旧年限。2025年初，亚马逊将部分服务器的预计使用寿命从六年缩短至五年，理由是人工智能领域的快速发展。这一调整将使该公司2026年的营业收入减少约7亿美元。另一方面，Meta公司则将服务器和网络设备的折旧年限延长至5.5年，从而在2025年减少了29亿美元的折旧成本。
这些不同的策略表明，即使是那些在人工智能硬件上投入数十亿美元的公司，也无法确定其投资的经济效益能够持续多久。克里希纳描述的五年情景属于这些估计的乐观范围。如果实际使用寿命更接近伯里预测的两到三年，折旧成本以及盈利压力将会显著增加。
无法获得盈利回报
这两个因素之间的联系引出了克里希纳的核心论点。他认为，巨额的资本成本和短暂的生命周期使得获得合理的投资回报成为不可能。人工智能系统需要8万亿美元的投资成本，并且每年需要产生8000亿美元的利润才能覆盖资本成本，这意味着其收入规模必须远远超出目前看来的现实水平。
作为对比，谷歌母公司Alphabet在2024年的总收入约为3500亿美元。即使假设其年增长率高达12%，到2029年，收入也将增长至约5770亿美元。而要证明人工智能投资的合理性，所需的总收入将远远超过这个数字。
ChatGPT 的开发公司 OpenAI 预计 2025 年的年化收入将超过 200 亿美元，并有望在 2030 年达到数千亿美元。该公司已签署未来八年总价值约 1.4 万亿美元的协议。但即使是这些雄心勃勃的数字也引发了一些疑问。汇丰银行的分析师预测，OpenAI 在 2025 年底至 2030 年间将在云计算和人工智能基础设施方面投入 7920 亿美元，到 2033 年，其总计算能力投入可能达到约 1.4 万亿美元。
汇丰银行分析师预测，OpenAI的累计自由现金流到2030年仍将为负值，导致2070亿美元的资金缺口。这一缺口需要通过增加债务、股权融资或更积极的营收增长来弥补。问题不仅在于OpenAI能否实现盈利，更在于其依赖大规模数据中心投资的整个商业模式是否可行。
通用人工智能的概率极低
克里希纳在其经济批判中加入了更为根本的技术维度。他估计，现有技术能够最终实现通用人工智能的概率在0%到1%之间。这一评估意义非凡，因为它并非基于哲学思考，而是基于对大型语言模型的技术能力和局限性的冷静分析。
尽管通用人工智能（AGI）的定义存在争议，但其核心指的是能够在所有认知能力范围内达到或超越人类的人工智能系统。这意味着该系统不仅在特定领域展现出专业知识，还能将知识从一个领域迁移到另一个领域，理解新的情境，创造性地解决问题，并持续改进，而无需针对每个新任务进行重新训练。
克里希纳认为，构成当前人工智能革命核心的大型语言模型存在根本性的局限性。这些模型基于海量文本数据集中的统计模式，在语言相关的任务中表现出色。它们可以生成连贯的文本、回答问题，甚至编写程序代码。但它们并不真正理解自身在做什么。它们缺乏世界模型、因果关系概念以及真正的抽象能力。
这些局限性体现在多个方面。语言模型经常出现“幻觉”，即它们会捏造一些听起来合情合理但实际上是错误的事实。它们难以进行多阶段逻辑推理，而且如果这些任务没有包含在它们的训练数据集中，它们往往无法完成对人类来说轻而易举的任务。它们缺乏情景记忆，如果不重新训练，就无法从自身的错误中学习。
来自各个领域的科学家和研究人员越来越认同这种怀疑态度。Salesforce 首席执行官马克·贝尼奥夫 (Marc Benioff) 在 2025 年 11 月也表达了类似的对通用人工智能 (AGI) 的质疑。在一次播客节目中，他指出 AGI 这个词可能具有误导性，并批评科技行业对人工智能即将实现的能力抱有一种近乎催眠般的迷思。贝尼奥夫强调，尽管目前的系统令人印象深刻，但它们既不具备意识，也不具备真正的理解力。
Meta公司的高级人工智能科学家Yann LeCun认为，无论规模如何扩大，大型语言模型永远无法实现通用人工智能（AGI）。他提倡采用超越纯粹文本预测的替代方法，例如多模态世界模型。这类模型不仅处理文本，还能整合视觉和其他感官信息，从而构建世界的内部表征。
我们在美国的业务开发、销售和营销方面的专业知识
我们在美国的业务发展、销售和营销方面的专业知识 - 图片：Xpert.Digital
行业重点：B2B、数字化（从AI到XR）、机械工程、物流、可再生能源和工业
更多相关信息请点击这里：
具有见解和专业知识的主题中心：
- 全球和区域经济、创新和行业特定趋势的知识平台
- 收集我们重点领域的分析、推动力和背景信息
- 提供有关当前商业和技术发展的专业知识和信息的地方
- 为想要了解市场、数字化和行业创新的公司提供主题中心
人工智能泡沫还是未来引擎？投资、能源消耗和实际利润之间存在着危险的差距。
必要的技术突破
克里希纳认为，实现通用人工智能（AGI）需要的技术远超目前大型语言模型所能提供的。他建议将硬知识与语言模型相结合，这或许是一种可行的方法。他所说的硬知识，指的是关于因果关系、物理定律、数学原理以及其他超越统计相关性的知识形式的结构化、显式知识。
这种观点与神经符号人工智能领域的研究方向相契合，该领域旨在将神经网络的模式识别能力与符号人工智能系统的逻辑推理能力相结合。基于规则和逻辑推理的符号人工智能在人工智能研究的早期占据主导地位，但近年来已被神经网络方法所超越。理论上，将这两种方法融合起来可以构建出既具备学习能力又具备逻辑推理能力的系统。
其他有前景的研究方向包括具身人工智能（系统通过与物理或模拟环境的交互进行学习）、持续学习（系统可以在不丢失先前知识的情况下扩展其能力）以及自主探索和学习的内在动机系统。
即便有了这些额外的技术，克里希纳依然保持谨慎。如果问他这种扩展方法是否能最终实现通用人工智能（AGI），他只会回答“也许”。这种谨慎凸显了即使是那些从事人工智能研究数十年的专家也存在不确定性。通用人工智能的开发不仅仅取决于计算能力或数据量，它或许还需要对智能的本质有全新的认识。
适合：
当今高效人工智能的悖论
尽管克里希纳对通用人工智能（AGI）以及大规模数据中心投资的经济效益持怀疑态度，但他绝非人工智能悲观主义者。相反，他热情地谈论着当前的人工智能工具及其对商业世界的影响。他坚信，这些技术将为企业释放数万亿美元的生产力潜力。
理解他的立场，关键在于区分这一点。克里希纳并非质疑人工智能本身的价值，而是质疑该行业目前所走的特定发展路径的经济可行性。如今的人工智能系统，尤其是大型语言模型，无需耗资八万亿美元的基础设施，就能在许多领域显著提升生产力。
IBM自身就是生产力提升的一个显著例证。自2023年1月起，该公司已在其运营中全面实施人工智能和自动化，并预计到2025年底将实现45亿美元的生产力提升。IBM将这项名为“零客户”（Client Zero）的计划涵盖了混合云基础设施、人工智能和自动化技术以及跨业务部门的咨询服务。
此次转型的具体成果令人瞩目。IBM 已在客户服务中部署了人工智能工具，解决了 70% 的咨询问题，并将解决时间缩短了 26%。在所有业务部门，约 27 万名员工都配备了智能人工智能系统，这些系统能够协调复杂的工作流程并为员工提供支持。
这类人工智能应用无需建设大规模的新数据中心，而是可以利用现有基础设施。它专注于人工智能能够带来显著改进的具体应用场景，而非假设性地开发通用智能。这正是克里希纳论点的核心：这项技术固然有价值且具有变革性，但目前投入数万亿美元追求通用人工智能的做法在经济上是不可持续的。
麦肯锡的研究估计，在63个已分析的应用案例中，生成式人工智能每年有望创造2.6万亿美元至4.4万亿美元的经济价值。如果将生成式人工智能嵌入到目前用于其他任务的软件中，这一估计值可能会翻一番。到2040年，这些生产力的提升有望使年度劳动生产率增长率提高0.1至0.6个百分点。
科技巨头们的分化战略
尽管克里希纳表达了他的担忧，但其他科技巨头却在加倍投资人工智能基础设施。四大科技巨头的支出凸显了这一轮投资的规模。微软计划在2025财年投资约800亿美元建设人工智能数据中心，其中超过一半的投资将用于美国。
亚马逊宣布2025年资本支出约为1250亿美元，其中大部分将用于人工智能及亚马逊网络服务（AWS）的相关基础设施。该公司已暗示2026年的支出将更高。Meta Platforms预计亚马逊2025年的资本支出将在700亿至720亿美元之间，高于此前预测的660亿至720亿美元。该公司表示，2026年的支出将显著增加。
谷歌母公司Alphabet预计，2025年的资本支出将在910亿美元至930亿美元之间，高于此前预测的850亿美元。这四家公司合计计划在2025年支出3500亿美元至4000亿美元，是两年前的两倍多。
这些巨额投资发生在人工智能服务实际收入远低于预期的环境下。OpenAI 公布的年收入超过 200 亿美元，但仍未盈利。微软的人工智能年收入约为 130 亿美元，同比增长 175%，而 Meta 却没有任何直接的人工智能收入。
投资与收益之间的巨大差距令人震惊。摩根士丹利估计，到2028年，人工智能行业在数据中心上的支出将达到约3万亿美元。相比之下，目前的收入微乎其微。麻省理工学院2025年7月的一项研究发现，约95%投资人工智能的公司并未从这项技术中获利。这些公司的总支出估计约为400亿美元。
怀疑的声音日益高涨
克里希纳的警告只是科技和金融界各领域日益高涨的质疑之声的一部分。这些担忧不仅集中在眼前的经济利益上，也集中在当前投资动态带来的系统性风险上。
经济学家指出，人工智能行业在2025年上半年贡献了美国GDP增长的约三分之二。摩根大通资产管理公司的一项分析显示，人工智能在数据中心方面的支出对经济增长的贡献超过了数亿美国消费者消费的总和。哈佛大学经济学家杰森·弗曼计算得出，如果没有数据中心，2025年上半年的GDP增长率仅为0.1%。
这种增长集中于单一领域的趋势存在风险。麻省理工学院经济学家、2024年诺贝尔经济学奖得主达龙·阿西莫格鲁认为，人工智能的实际影响可能远小于行业预测。他估计，未来十年内，人工智能或许只会取代5%的工作岗位，远低于一些科技领袖的乐观预测。
多种因素加剧了人们对泡沫的担忧。科技公司越来越多地利用被称为特殊目的实体（SPV）的金融工具，将数十亿美元的支出从资产负债表中剥离。这些由华尔街注资的SPV充当空壳公司，用于建设数据中心。这种做法引发了人们对透明度和公司实际承担风险的质疑。
Alphabet首席执行官桑达尔·皮查伊在2025年11月接受BBC采访时，将人工智能投资热潮描述为一个非同寻常的时刻，但也承认当前人工智能热潮伴随着某种非理性。他警告说，如果人工智能泡沫破裂，每家公司都会受到影响。就连OpenAI首席执行官、人工智能领域最著名的倡导者之一萨姆·奥特曼也在2025年8月承认，人工智能可能存在泡沫，他将市场状况与互联网泡沫时期相提并论，并强调许多聪明人对一些真话过于兴奋。
适合：
能源问题是一个限制因素
克里希纳并未明确提及，但其成本计算中隐含的另一个根本问题是能源供应。一个100吉瓦的数据中心将需要美国总发电量的约20%。这并非小问题，而是一个潜在的瓶颈，可能会危及整个计划的实现。
国际能源署预测，到2030年，全球数据中心的电力需求可能增长一倍以上，从2024年的约415太瓦时增至900至1000太瓦时。人工智能到2030年可能占数据中心电力消耗的35%至50%。在美国，数据中心的电力需求预计将从2024年的35吉瓦增至2035年的78吉瓦，占全国电力消耗的8.6%。
在许多国家努力实现电网脱碳并提高可再生能源占比之际，数据中心的需求却出现了。挑战在于，数据中心需要全年365天、每天24小时不间断的电力供应。由于风能和太阳能具有间歇性，需要储能解决方案或备用电源，这使得向可再生能源的转型更加复杂。
预计数据中心的碳排放量将从2023年的2.12亿吨增至2030年的3.55亿吨，但这一数字会因清洁能源解决方案的普及速度和能效提升的程度而出现较大波动。一次人工智能生成的图像耗电量相当于给一部智能手机充满电。处理一百万个令牌产生的二氧化碳排放量相当于一辆汽油动力汽车行驶8至32公里。
生成式人工智能所需的能量大约是传统计算负载的七到八倍。训练大型人工智能模型几个月的耗电量可能相当于数百户家庭的用电量。这种高能耗意味着，即使有足够的资金来建设大型数据中心，为这些设施提供动力的物理基础设施也可能无法及时到位。
适合：
替代技术路径及其意义
围绕大规模语言模型局限性的争论促使人们加大对其他领域的研究投入。量子计算被一些人视为一项潜在的突破，有望克服当前的局限性。2025年10月，谷歌发布了其Willow量子芯片，该芯片实现了可验证的量子优势。这是一个超越经典物理学界限的里程碑，为医学、能源和人工智能等领域开辟了新的可能性。
量子计算机的运行原理与经典计算机截然不同。它们利用量子比特（qubit），这种比特可以同时存在于多种状态，从而实现传统系统无法企及的大规模并行计算。然而，量子计算机面临着诸多挑战，尤其是退相干问题，它会影响量子比特的稳定性。
量子比特稳定性的最新突破表明，可扩展的量子计算机可能在未来几年内成为现实。像PsiQuantum这样的公司计划在本十年末之前投入运行比Willow大10000倍的量子计算机——这些计算机规模足够大，可以解决有关材料、药物和自然界量子特性的重要问题。
量子计算与人工智能的融合理论上可以开辟新的可能性。在重要药物和材料的模拟方面，量子算法的性能已经提升了200多倍。有人推测，通用人工智能（AGI）与量子计算的结合可能在未来一到两年内实现，随后在五年内实现超级人工智能。
其他有前景的研究方向包括使用光而非电来驱动芯片的光计算架构。一种名为并行光学矩阵乘法（Parallel Optical Matrix-Matrix Multiplication）的架构于2025年11月发布，有望消除当前人工智能发展中的一大瓶颈。与以往的光学方法不同，它利用单个激光脉冲同时执行多个张量运算，从而显著提高处理速度。
IBM的战略定位
从IBM的战略角度来看，克里希纳的立场尤其值得关注。近年来，IBM有意识地将业务重心从纯粹的硬件和基础设施业务转向企业软件、云服务和咨询。该公司出售了其传统IT业务的大部分，转而专注于面向企业的混合云解决方案和人工智能应用。
这一战略方向与微软、亚马逊、谷歌和Meta等公司的做法截然不同，这些公司都在大力投资构建自己的基础设施。而IBM则专注于帮助企业以透明、选择和灵活的方式，按照自身需求部署人工智能。这种理念体现了IBM的信念：并非所有公司都会使用单一的公有云，尤其是受监管的行业和美国以外的公司会更倾向于混合云方案。
因此，克里希纳对大规模基础设施投资的批评也可以被理解为对IBM策略的隐性辩护。如果通过数万亿美元的数据中心投资来实现通用人工智能（AGI）确实在经济上不可行，那么这将证实IBM的策略是正确的，即专注于能够利用现有或适度扩展的基础设施的特定、创造价值的应用场景。
与此同时，IBM 也积极涉足量子计算等领域，而量子计算可能代表着下一波技术浪潮。该公司正大力投资量子计算机的研发，并与其他科技公司合作推进这项技术的发展。这表明，克里希纳并非反对创新或雄心勃勃的技术目标，而是反对他认为在经济上不可行的特定方法。
🎯🎯🎯 受益于 Xpert.Digital 全面的五重专业知识和全面的服务包 | BD、研发、XR、PR 和数字可视性优化
受益于 Xpert.Digital 全面的五重专业知识和全面的服务包 | 研发、XR、PR 和数字可视性优化 - 图片：Xpert.Digital
Xpert.Digital 对各个行业都有深入的了解。 这使我们能够制定量身定制的策略，专门针对您特定细分市场的要求和挑战。 通过不断分析市场趋势并跟踪行业发展，我们可以前瞻性地采取行动并提供创新的解决方案。 通过经验和知识的结合，我们创造附加值并为客户提供决定性的竞争优势。
更多相关信息请点击这里：
提高生产力，而非通用人工智能：为什么针对特定目标的AI项目可能比巨型模型更有利可图
OpenAI 领导层的视角
克里希纳的怀疑态度与OpenAI首席执行官萨姆·奥特曼的公开声明截然相反。奥特曼曾多次强调，OpenAI已准备好进行巨额投资以实现通用人工智能（AGI）。该公司已签署协议，未来八年总投资额将达到约1.4万亿美元，其中包括与甲骨文、博通和其他合作伙伴达成的重大交易。
奥特曼预测，到2030年，OpenAI的年收入将达到数千亿美元。这一预测基于这样的假设：随着人工智能系统功能的日益强大，对人工智能服务的需求将呈指数级增长。OpenAI的商业模式依赖于企业和个人愿意为获得先进的人工智能功能支付巨额费用。
克里希纳在播客中表示，他理解奥特曼的观点，但并不认同。这种表述方式非常委婉，表明他尊重OpenAI的愿景，但对其技术可行性和经济效益有着截然不同的假设。对于OpenAI能否带来投资回报这个问题，克里希纳的回答非常明确：“不能。”
这种分歧代表了科技行业内部的一个根本冲突：一方相信即将到来的、具有变革意义的通用人工智能（AGI）并准备投入巨额资金；另一方则持怀疑态度，更倾向于采取渐进式、更具经济可持续性的方法。
适合：
折旧政策和会计准则的作用
围绕人工智能硬件实际使用寿命的争论引发了关于会计和透明度的根本性问题。公司对资产进行折旧的方式直接影响其报告利润，进而影响股价和估值。
迈克尔·伯里认为，大型科技公司为了降低折旧成本、虚增利润，会高估其人工智能芯片的使用寿命。例如，如果Meta公司在2025年斥资50亿美元购买了一台新的英伟达Blackwell服务器机架，并按5.5年折旧，那么每年的折旧成本约为9.09亿美元。然而，如果实际使用寿命只有三年，那么每年的折旧成本应该在16.7亿美元左右——这之间存在着巨大的差异。
Burry估计，延长GPU寿命有望在2026年至2028年间为多家大型公司带来总计1760亿美元的利润增长。英伟达在2025年11月的一份内部备忘录中反驳了这些说法，认为超大规模数据中心会根据GPU的实际使用寿命和使用趋势，在四到六年内对其进行折旧。该公司指出，像2020年发布的A100这样的老款GPU，目前仍保持着较高的利用率，并具有显著的经济价值。
实际情况可能介于两者之间。GPU 的物理寿命当然可以超过三年，但随着更新、更高效的型号进入市场，其经济价值会迅速下降。关键因素在于价值的级联效应：老款 GPU 虽然不再是训练最新模型的最佳选择，但仍然可以用于推理任务和运行已训练好的模型。它们也可以用于要求不高的应用，或者在二手市场上出售。
这些细微差别使得做出明确的评估变得困难。专注于人工智能的云服务提供商CoreWeave于2023年1月将其GPU的折旧期从四年延长至六年。批评人士认为此举意在人为地提高盈利能力。而支持者则认为，硬件的实际使用情况足以证明延长折旧期的合理性。
社会和政治层面
围绕人工智能投资的争论也具有政治和社会层面。风险投资家、白宫加密货币和人工智能顾问大卫·萨克斯在2025年11月警告称，人工智能投资热潮的逆转将可能导致经济衰退。他的措辞表明，经济已经如此依赖人工智能投资，以至于一旦停止或大幅放缓，将对宏观经济产生重大影响。
这种依赖性引发了一个问题：社会是否已经让自己陷入了一种境地，为了避免突如其来的冲击，不得不继续投资，而不管其经济可行性如何？这是一种典型的泡沫经济动态，理性的经济考量被对泡沫破裂后果的恐惧所掩盖。
人工智能领域投资和资源的集中也引发了人们对机会成本的质疑。流入人工智能数据中心的数万亿美元理论上可以用于其他社会优先事项，例如改善教育体系、扩大可再生能源规模以及解决基础设施不足等。这种大规模资源投入的合理性取决于其承诺的收益是否能够真正实现。
与此同时，人工智能已经展现出显著的积极影响。根据IBM 2025年11月发布的一项研究，德国三分之二的公司表示，人工智能显著提高了生产力。人工智能带来的生产力提升最为显著的领域包括软件开发和IT、客户服务以及业务流程自动化。德国约五分之一的公司已经通过人工智能驱动的生产力提升计划实现了投资回报率目标，近一半的公司预计将在12个月内获得投资回报。
这些数据表明，人工智能确实创造了经济价值，但也支持了克里希纳的观点，即这种价值并不一定来自于对通用人工智能（AGI）的数万亿美元投资，而是来自于更有针对性、更具体的应用。
技术变革的历史视角
为了更全面地看待当前形势，回顾历史很有帮助。上世纪90年代末的互联网泡沫经常被视为一个警示故事。当时，基于互联网将带来变革的信念，大量资金涌入互联网公司。然而，许多投资最终被证明是错误的，2000年泡沫破裂时，数万亿美元的市值化为乌有。
然而，其底层技术的确具有变革性意义。像亚马逊和谷歌这样在危机中幸存下来的公司，成为了全球经济的主导力量。繁荣时期建立的基础设施，包括一些倒闭公司留下的基础设施，为之后几十年的数字经济奠定了基础。从这个意义上讲，即使许多现有企业最终失败，对人工智能基础设施的过度投资从长远来看也可能是有益的。
然而，关键区别在于资本密集度。第一代互联网公司一旦基础设施到位，就能以相对较低的投资实现规模化发展。网站或在线服务一旦开发完成，就能以极低的额外成本触达数百万用户。人工智能，尤其是目前应用的人工智能，并不遵循这种模式。对大型语言模型的每一次查询都会产生巨大的计算成本。扩展人工智能服务需要相应增加基础设施，这从根本上改变了其经济模式。
另一个可以类比的历史是电力发展。电力刚出现时，企业花了数十年时间才学会如何重新设计生产流程，充分利用这一新机遇。最初，工厂只是简单地用电动机取代蒸汽机，其他方面则保留了原有的布局和流程。只有当工程师和管理人员学会从零开始设计工厂，充分利用电力的灵活性时，生产效率才真正得到提升。
人工智能的情况也可能如此。目前的应用或许仅仅触及了其潜力的冰山一角，真正的变革可能要等到企业学会从根本上重组自身以充分利用人工智能能力后才会到来。这需要时间，可能需要数年甚至数十年，而目前的投资环境是否能够承受这样的等待，目前尚不明朗。
AI发展的未来
尽管存在种种质疑和警告，人工智能的发展仍将继续。问题不在于人工智能是否重要，而在于哪条道路最有前景且经济上可持续。克里希纳的发言可以被理解为呼吁重新评估现有战略，而非要求停止人工智能研究。
最有可能的发展趋势是方法多样化。一些公司将继续大力投资于扩展大型语言模型，而另一些公司则会探索其他途径。神经符号方法、多模态系统、具身智能、持续学习和其他研究方向将并行推进。从量子计算到光计算架构和神经形态芯片，硬件方面的突破可能会改变这种格局。
关键因素在于市场实际接受度。如果企业和消费者愿意为人工智能服务支付高额费用，那么即使基础设施成本高昂也是合理的。然而，到目前为止，这在很大程度上仍是一个悬而未决的问题。ChatGPT 和类似服务已经吸引了数百万用户，但用户愿意为其支付高额费用的意愿有限。大多数用户使用的是免费或价格优惠的版本。
在企业领域，情况则有所不同。企业显然愿意为能够解决特定业务问题的AI解决方案付费。微软报告称，其面向企业的AI服务实现了强劲增长。问题在于，这些收入能否以足够快的速度增长，从而证明巨额投资的合理性。
适合：
多维分析的结果
Arvind Krishna 在 Decoder 播客节目中提出的担忧触及了历史上最重大的经济和技术赌注之一的核心。他的论点建立在合理的经济学原理和技术理解之上。巨额的资本成本、短暂的硬件生命周期以及现有技术实现通用人工智能（AGI）的概率极低，这些因素共同构成了反对当前投资策略的有力论据。
与此同时，克里希纳的观点并非没有反驳的论点。支持大规模人工智能投资的人会认为，变革性技术往往需要巨额的前期投入，计算单元的成本正在不断下降，未来会出现我们目前无法预见的新型商业模式，而且，在可能改变世界的技术领域落后的风险，远大于过度投资带来的财务风险。
真相或许介于这两种极端观点之间。人工智能无疑是一项重要且具有变革意义的技术，它将创造巨大的经济价值。目前的语言模型和人工智能应用已经展现出令人瞩目的能力，并在许多领域显著提升了生产力。与此同时，即使在顶尖的人工智能研究人员中，简单地扩大现有方法的规模就能实现通用人工智能的观点也越来越受到争议。
经济分析结果令人震惊。所需投资规模之庞大，以及在短时间内创造巨额利润的要求，构成了前所未有的挑战。如果克里希纳的计算哪怕只有一点点准确，也很难想象目前的投资策略如何能够持续下去。
然而，这并不一定意味着灾难即将到来。市场具有适应能力。投资流向可以转变，商业模式可以演变，技术突破可以从根本上改变经济格局。技术发展史充满了这样的例子：最初的怀疑最终被推翻，看似不可能的挑战最终被克服。
未来很可能出现一段整合和重新评估期。人工智能投资目前的增长速度不可能无限期地持续下去。在某个时刻，投资者和企业领导者会希望看到实际回报的证据。能够提供引人注目的应用案例和可证明的经济价值的公司将会蓬勃发展。其他公司可能不得不调整战略或退出市场。
克里希纳的介入犹如一记重要的警示，提醒人们在充斥着狂热和追逐潮流的环境中保持谨慎。他在科技领域数十年的经验，以及他执掌全球历史最悠久、最成熟的IT公司之一的地位，都为他的话语增添了分量。时间会证明他的观点是否正确。然而，可以肯定的是，在他提出的问题上，我们必须认真对待并进行深入探讨，以免将数万亿美元投入到一项成功远未得到保证的战略中。
通过“托管人工智能”（人工智能）开启数字化转型的新维度 - 平台和 B2B 解决方案 | Xpert Consulting
“托管人工智能”（AI）开启数字化转型新维度——平台与 B2B 解决方案 | Xpert Consulting - 图片：Xpert.Digital
在这里您将了解您的公司如何快速、安全且无高门槛地实施定制化的AI解决方案。
托管 AI 平台是您全方位、无忧的人工智能解决方案。您无需处理复杂的技术、昂贵的基础设施和冗长的开发流程，只需几天时间，即可从专业合作伙伴处获得根据您的需求量身定制的交钥匙解决方案。
主要优势一览：
⚡ 快速实施：从构思到实际应用，只需几天，无需数月。我们提供切实可行的解决方案，创造即时价值。
🔒 最高数据安全性：您的敏感数据将由您自行保管。我们保证数据处理安全合规，不会与第三方共享。
💸 无财务风险：您只需为结果付费。完全无需在硬件、软件或人员方面进行高额的前期投资。
🎯 专注于您的核心业务：专注于您最擅长的领域。我们负责您 AI 解决方案的整个技术实施、运营和维护。
📈 面向未来且可扩展：您的 AI 将与您共同成长。我们确保持续优化和可扩展性，并灵活地调整模型以适应新的需求。
更多相关信息请点击这里：
您的全球营销和业务发展合作伙伴
☑️我们的业务语言是英语或德语
☑️ 新：用您的国家语言进行通信！
Konrad Wolfenstein
我很乐意作为个人顾问为您和我的团队提供服务。
您可以通过填写此处的联系表，或者直接致电+49 89 89 674 804 （慕尼黑）。我的电子邮件地址是： wolfenstein ∂ xpert.digital
我很期待我们的联合项目。
