超级预测者预测AI营收:为何7700亿美元被视为看空?

一组引发争议的AI营收预测
近日,一组由"超级预测者"(Superforecasters)给出的AI巨头营收预测在社交媒体上引发热议。根据这组数据,OpenAI 和 Anthropic 两家公司未来的年化营收运行率(annualized revenue run rate)预测如下:
- 2026年:900亿美元
- 2030年:3000亿美元
- 2040年:7700亿美元

有意思的是,发布这组数据的推文标题却是"my god are they bearish"(天哪,他们也太看空了)。这句话本身就揭示了当前AI行业一个耐人寻味的现象:即便是这样看似庞大的数字,在部分行业观察者眼中仍然被认为过于保守。
什么是超级预测者(Superforecasters)
"超级预测者"这一概念源自宾夕法尼亚大学心理学家 Philip Tetlock 的研究。在其著名的"良好判断项目"(Good Judgment Project)中,Tetlock 发现有一小部分普通人在预测地缘政治和经济事件方面表现出色,准确率甚至超过了掌握机密信息的情报分析师。
这些人之所以能做出更准确的预测,往往是因为他们具备几个共同特征:善于将复杂问题拆解、能够综合多方信息、愿意根据新证据更新判断,并且对不确定性保持谦逊。因此,当超级预测者给出AI营收预测时,通常代表了一种基于概率思维、相对克制的"中位数"判断,而非行业内部人士那种带有强烈信念的乐观叙事。
为什么这些数字被认为"看空"
要理解为何这组庞大的数字会被贴上"bearish"的标签,需要将其放在当前AI行业的增长语境中来审视。
当前的营收基线与增长速度
OpenAI 的营收在过去几年经历了爆发式增长。从 ChatGPT 发布至今,其年化营收运行率已经从几乎为零迅速攀升至数十亿美元规模,并有望在近期突破更高门槛。Anthropic 作为 Claude 系列模型的开发者,同样在企业级市场快速扩张。
如果按照这些公司过去的增长曲线线性甚至指数外推,部分乐观者认为到2030年两家合计营收突破3000亿美元只是"基准情形",而非上限。相比之下,超级预测者给出的2030年3000亿、2040年7700亿的数字,隐含的年复合增长率在后期明显放缓——这正是它被视为"看空"的核心原因。
增长放缓假设背后的逻辑
从2030年的3000亿到2040年的7700亿,十年间增长约2.6倍,年复合增长率不到10%。这与AI行业当下动辄翻倍的增长节奏形成鲜明对比。超级预测者的这一假设,实际上暗含了几个关键判断:
- AI市场终将走向成熟,高速增长无法永久持续;
- 竞争加剧会压缩单个厂商的市场份额和定价能力;
- 技术突破的边际收益可能递减。
换言之,超级预测者用一种"回归均值"的视角,给狂热的AI叙事泼了一盆冷水。
乐观派与谨慎派的根本分歧
这组数据之所以有价值,在于它清晰地折射出AI行业内部两种世界观的碰撞。
乐观派认为,我们正处于一场堪比互联网甚至工业革命的技术变革前夜。如果通用人工智能(AGI)真的到来,AI 将渗透到几乎所有经济活动中,届时营收天花板将高到难以想象,7700亿美元可能只是零头。
谨慎派则指出,历史上几乎所有技术革命都伴随着过度炒作和随后的估值回调。巨额的算力投入、尚不清晰的盈利模式、监管的不确定性,都可能成为增长路上的绊脚石。从这个角度看,超级预测者的数字反而更加踏实可靠。
说个细节,超级预测者的方法论恰恰是为了纠正人类在面对新兴叙事时的"过度自信"倾向。因此他们的"保守",某种程度上是一种刻意的方法论选择,而非对AI前景的否定。
如何理性看待AI营收预测
对于关注AI行业的从业者和投资者而言,这组数据提供了几点重要启示:
任何长期预测都应被视为概率分布,而非确定性数字。 无论是2040年的7700亿,还是乐观派口中的数万亿,都建立在大量假设之上,任何一个假设的变化都会导致结果的巨大偏移。
要警惕锚定效应。 当行业普遍沉浸在指数增长的兴奋中时,一个相对克制的第三方视角反而具有校准价值。超级预测者的意义正在于此——他们不参与叙事的构建,只关注概率的分布。
营收数字本身并非全部。 即便 OpenAI 和 Anthropic 达到甚至超越这些营收目标,其背后的资本支出、竞争格局以及能否实现可持续盈利,仍是更值得深究的问题。
结语
"my god are they bearish"这句感叹,本身就是当前AI行业情绪的一个缩影。当7700亿美元的十年营收预测都能被称为"看空",足见市场对AI未来的想象力已经膨胀到了何种程度。
无论最终这组数字是过于乐观还是过于保守,它都提醒我们:在一个被巨大不确定性笼罩的领域,保持多元视角、尊重概率思维,或许比押注任何单一叙事都更为明智。
相关推荐

GEN-1.5单样本学习解析:机器人如何看一次就学会
深入解析GEN-1.5单样本学习器的即兴能力,探讨机器人如何仅通过一次演示就掌握新技能,分析单样本学习在具身智能领域的技术原理、实际意义与局限性。

从RAG到Agent:企业级智能体落地全景解析
深度解析大模型从提示工程、RAG到Agent的四阶段演进路径,详解Agent核心能力、四大商业赛道及企业落地实践,助力开发者掌握智能体开发的关键技能与就业方向。

AI幻觉终结?当Bard学会说"我不知道"
当Google Bard首次回答"我不知道",引发了关于AI幻觉、大语言模型诚实性与校准能力的深度讨论。本文解析AI从"不懂装懂"到坦承无知的技术进步,探讨RLHF对齐训练如何让AI变得更值得信赖。