Ed Zitron批评生成式AI：商业价值存疑，巨头押注背后的增长焦虑

一场直指行业核心的公开质疑

科技评论人Ed Zitron近日登上CNBC，发表了一番对当下生成式AI狂热浪潮极具挑衅性的批评。他的核心论点简单而尖锐：生成式AI（GenAI）并没有真正"跑通"，而科技巨头之所以疯狂押注AI，本质上是因为他们已经想不出下一个能支撑"超高速增长"（hypergrowth）的故事。

这番言论在Hacker News等技术社区引发了广泛讨论。作为长期以"泼冷水"著称的评论者，Zitron的观点未必代表主流，但他触及了一个越来越多人开始私下讨论的问题：当前对生成式AI的巨额投入，究竟建立在坚实的商业回报之上，还是建立在资本市场对增长叙事的饥渴之上？

核心论点一：生成式AI"商业落地"到底卡在哪里

当Zitron说"生成式AI不工作"时，他并非指模型无法生成文本或图像——这些能力显然真实存在。他真正质疑的是商业层面的可行性：这些技术是否创造了与投入相匹配的价值。

技术本质与成本结构的内在矛盾

生成式AI（Generative AI）是指能够根据输入提示生成新内容（文本、图像、代码、音频等）的人工智能系统，其核心是基于Transformer架构的大型语言模型（LLM）。这类模型通过在海量数据上进行预训练，学习语言的统计规律，从而具备生成连贯、上下文相关内容的能力。然而，训练一个GPT-4级别的模型，估计耗资超过1亿美元，且每次推理（inference）调用都需要消耗大量GPU算力。OpenAI等公司长期处于"卖得越多、亏得越多"的困境，这正是单位经济模型（unit economics）不清晰的直接体现，也构成了理解整个行业商业困境的技术底层逻辑。

收入与成本之间的巨大落差

这一批评的背景是行业普遍面临的经济难题。训练和运行大型语言模型的成本极为高昂，涉及天量的算力、能源和数据中心投资。然而，能够直接归因于生成式AI的可持续营收增长却相对有限。许多AI功能被作为"附加价值"塞进现有产品，却难以驱动用户为此额外付费。

"演示震撼"与"生产可靠"之间的鸿沟

Zitron的批评还隐含着对可靠性的质疑。生成式AI在演示（demo）中令人惊艳，但在需要高准确性、强可预测性的生产环境中，幻觉（Hallucination）问题依然是实际部署的重大障碍。所谓幻觉，是指模型生成听起来合理但实际上错误或捏造的内容——这一问题源于模型的本质：它是概率性的文本预测器，而非具备真实世界知识检索能力的系统。在法律文书、医疗建议、财务分析等需要高准确性的生产环境中，幻觉问题足以使模型完全不可用。尽管检索增强生成（RAG）、思维链提示（Chain-of-Thought）等技术在一定程度上缓解了这一问题，但并未从根本上消除。演示效果与落地困难之间的落差，正是"不工作"这一说法最具说服力的现实依据。

核心论点二：科技巨头的增长引擎已经耗尽？

Zitron更具冲击力的观点在于：科技巨头之所以全力押注AI，是因为它们已经耗尽了其他能够支撑超高速增长的方向。

超高速增长叙事的资本市场逻辑

超高速增长（Hypergrowth）通常指年收入增速超过40%的企业扩张阶段，是硅谷风险投资体系和华尔街对科技股估值的核心叙事框架。科技巨头在移动互联网和云计算时代享受了长达十余年的超高速增长，这使得市场对其估值倍数远高于传统行业。当增长引擎趋于饱和，股价维持高估值的合理性就受到根本性挑战。在这种结构性压力下，管理层和投资者都有强烈动机寻找新的"增长故事"，即便该故事的商业验证尚不完整。

传统增长引擎趋于成熟

回顾过去二十年，科技行业经历了几波清晰的增长浪潮——PC互联网、移动互联网、云计算、社交网络。每一波都为科技公司带来了实质性的用户与收入爆发。但如今，这些引擎已普遍趋于成熟：智能手机市场饱和、云计算增速放缓、社交网络用户见顶。

在这一背景下，华尔街依然期待万亿市值公司维持高速增长。Zitron认为，生成式AI恰好在正确的时间出现，成为满足这种叙事需求的"救命稻草"。换句话说，AI热潮的驱动力可能更多源于资本市场的期待，而非技术本身的成熟度。

叙事驱动的投资决策隐患

这一视角提出了一个值得警惕的问题：如果巨头的AI投资在很大程度上是为了向投资者证明"我们仍在增长"，那么投资决策标准可能已偏离真实的商业回报逻辑。当资本充裕、竞争焦虑（FOMO）盛行时，理性的成本收益分析容易被增长焦虑所压倒。

如何理性看待这种"唱衰"声音

必须承认，Zitron是行业内知名的批评者，其观点带有强烈的立场倾向，容易走向另一个极端。全盘接受他的判断同样并不理性。

批评中值得重视的合理内核

尽管言辞激烈，Zitron的批评确实指出了几个真实存在的问题：

单位经济模型不清晰：许多AI产品目前的运营成本可能高于其带来的收入。
杀手级应用尚未出现：所谓"杀手级应用"，是指某种足够刚需、足够普遍，能够独立驱动整个技术平台被大规模采用的应用场景。目前，生成式AI最接近这一定义的场景是编程辅助——GitHub Copilot已被数百万开发者付费使用，Cursor等AI原生IDE也迅速获得大量付费用户。然而，编程辅助的用户群体本质上仍局限于技术人群，规模上限相对有限。对于普通消费者而言，将"活跃使用"转化为"稳定付费"的留存率和变现效率，仍然是整个行业悬而未决的核心商业命题。
市场估值与商业现实脱节：当前估值中包含了大量对未来的乐观假设，而这些假设尚未被足够的商业数据所验证。

不应忽视的另一面：云计算的历史先例

另一方面，将生成式AI简单定义为"不工作"，忽视了其在特定领域已经产生的真实价值。代码辅助工具已改变了许多开发者的工作流，AI在客服、翻译、内容草稿等场景中也切实提升了效率。

技术从早期投入到规模化盈利，往往需要数年时间——云计算的历史提供了最具说服力的参照。亚马逊AWS自2006年推出后，在相当长的时间内被视为主营电商业务的"辅助部门"，前期基础设施投入巨大，盈利模式并不清晰。直到2015年AWS首次单独披露财务数据，外界才意识到它已成为亚马逊利润的主要来源，这一历程耗时近十年。然而，这一类比也暗示了反向风险：并非每项巨额投入的技术都能复制AWS的成功路径。云计算具有独特的网络效应和用户锁定效应，生成式AI是否具备同等的结构性竞争优势，仍有待验证。

对企业与从业者的实际启示

无论是否认同Zitron的判断，他的批评都为过热的行业提供了一个必要的冷静视角。

对企业而言，关键不在于"是否投入AI"，而在于如何将AI能力转化为可持续的商业价值，避免为追赶叙事而盲目布局。对从业者而言，理性区分"技术潜力"与"当前落地成熟度"，比一味追逐热点更有价值。

生成式AI究竟是改变世界的下一次技术革命，还是被资本催熟的增长泡沫？答案或许介于两者之间。而Zitron这样的"逆耳之言"，恰恰是防止行业陷入集体狂热的重要制衡力量。