为什么这篇文章有问题，因为我简单的用美国已处于AI技术暴露范围内的6.82万亿工资池以及未来更庞大的40万亿全球白领工资池来推算AI市值，但这样的算法明显是有问题的。其中最致命缺陷就是我假设AI的收入替换率在整个白领薪酬池中是均匀分布的。但现实是，替换率是极度两极分化的，在极少数领域，AI可以实现极高的替换率，比如软件行业，因为编程是纯数字工作，有明确的验证标准，Agent可以自动循环试错，生产力提升和AI替代可以直接衡量；但在绝大多数领域，替换率微乎其微，就比如企业管理与高管，虽然其拥有约4万亿美元的薪酬池，但是这些人的核心价值是做决策、承担责任、管理人员、协调资源、同时根据市场环境在不确定的情况下做决定，而这些是AI完全无法替代的。而同样的情况也发生在营销与销售、金融与专业服务、律师、会计师、咨询师这些极度依赖人与人沟通及专业人员承担相应责任的行业中，对于这部分从业者来说，AI只可能是辅助工具，而这就导致在这些行业中AI的替代率极低，最后可能出现的情况就是对于这10万亿左右规模的薪酬池，AI的营收只有5000亿左右，而不是实现替代的10万亿。 而这还是没有考虑到价格战因素下的最好情况，通过这些日子的观察来看，AI用户的忠诚度可以说是极低，而随着各类AI的竞争，尤其是中国开源AI的一次次压低TOKEN的价格和提升自己的技术水平，可以说短期内看不到一个或几个AI完成对市场的垄断，而在这样一个完全竞争的市场上，价格战其实已经打响了，这对AI企业利润及未来估值的伤害无疑是巨大的。 同时，危险的不只是AI企业的估值，硬件厂商的估值也开始被质疑，随着最近几年TOKEN需求量的飙升，资本市场对算力的估值变得越来越大，但是实际情况可能是支撑算力需求的，高度集中在编程上，而其他行业对算力的需求其实并不大。 首先我们来分析为什么编程对算力的需求大？因为AI接管下的编程每一次循环都要重新加载整个上下文，包括项目代码库、之前的对话历史、错误信息、工具调用结果，而这些就消耗大量Token，AI需要阅读完整的错误栈、分析问题、生成修复方案，多Agent协作进一步放大消耗，长上下文窗口的成本非线性增长，上下文从10万Token扩展到20万、100万Token时，推理成本不是线性增加，而是呈平方级甚至立方级增长。在普通的问答中，输出Token占主导；而在Agentic编程中，输入Token占了总成本的80%以上，AI需要反复读取代码、错误日志、工具输出，这些阅读消耗的Token远远超过写代码本身，并且消耗高度随机且不可预测，同一个编程任务，不同运行之间的Token消耗差异可以高达30倍。更讽刺的是，更高的Token消耗并不等于更高的准确率，准确率往往在中等成本时达到峰值，然后在高成本区域饱和甚至下降。很多时候AI只是在无效循环，烧掉了大量Token却没有产生更好的结果。 那么其他的白领行业消耗的算力呢？首先是客服行业，是AI目前应用最成熟的领域之一，但却也是Token消耗最低的领域之一。一个客服对话通常只有几轮到十几轮，上下文窗口很短，问题高度重复，不需要复杂的推理。一个客服AI一天可能处理几百个对话，但总Token消耗可能还不如一个编程Agent跑一个复杂任务。而且客服场景对模型能力要求不高，用7B甚至更小的开源模型就可以胜任，不需要顶级的大模型。 而法律与会计这两个预计会消耗大量算力的行业呢？实际来看，法律和会计工作的核心是检索、比对，而不是循环生成。AI需要做的是从几百万份文档中找到相关的条款或判例，然后进行比对和分析。检索类任务的Token消耗是一次性的，而且向量数据库技术的发展已经把这类任务的成本降到了极低。更重要的是，法律和会计有极高的责任风险，AI生成的合同或审计报告必须由人来最终审核，这意味着AI永远只是辅助工具，不会端到端接管整个流程，也就不会产生无限循环的Token消耗。 所以资本市场所假设的每一个白领的每一份工作，都会像编程一样产生天量的Token消耗，然后AI及相关的算力硬件生产企业和算力运营企业从中抽成是不现实的。全球的算力需求，其实还是由全球的3000万程序员在支撑着。而其他所有白领工作加起来，消耗的Token总量不会比编程这一个领域还多的。 所以最后分析下来，现实情况就是资本市场严重高估了AI的可服务市场规模，而目前投入的天量资本建设基础设施，这些资本开支在可预见的未来是无法收回的，而AI相关公司的估值严重透支了未来几十年的增长，隐含的收入预期是无法实现的。 是的，就像2000年的互联网泡沫一样，目前资本市场的预期跑到了现实前面，资本开支跑到了收入前面，估值跑到了盈利前面。而随着AI价格战的开打，AI企业收入增长不及预期，GPU和内存供给从短缺变为过剩，算力价格开始暴跌，我们会迎来一轮泡沫出清，然后才是AI这个生产力工具真正的带来可持续繁荣。 那么最后的问题就是，现在的泡沫会在什么时候碎掉？