昨天才 last day 的前 OpenAI 研究员 Andrew Ho 发长帖看空 OpenAI 和 Anthropic 这样的前沿 AI 实验室，之所以会刷屏，一是观点反主流，二是可能戳中了某些情绪？

---

实际上，我对头部 AI 实验室的估值相当悲观。迄今尚未见过令我信服的论证，睡前便想随手涂几笔想法。

根本问题在于这些 AI 实验室深陷亏损。这看起来显而易见，但私募市场的估值往往是非常不理性的；然而一旦上市，就像 SpaceX 的走势一样，IPO 后的定价会苛刻得多，尤其是在标准的 6 个月禁售期结束后，抛售压力加剧的时候。

许多人声称这些实验室利润率极高。但即便毛利可观，要支撑万亿美元的估值，前提也必须是实验室除了做推理服务外什么都不做（从而成本仅限于推理相关的开支），且年收入达到 1000 亿 - 2000 亿美元——这还是在假设毛利率约 80%、市盈率 20 倍的情况下。

这一假设显然不成立，因为头部 AI 实验室必须持续烧钱训练下一代模型。这是源于后来者的市场竞争。比如，如果 OpenAI 去年暂停研发，用户就没有理由支付 GPT-5 的 API 高价——毕竟大可以用便宜得多的 Qwen 或 Kimi。

因此，实验室被迫将越来越多的资金砸向模型训练；在任何特定的时间点，下一代模型的投入都远超实际营收，因为即便收入随模型能力提升而增长，未来的训练成本亦水涨船高。这是一种极为严酷的机制，对领跑者惩罚尤甚。

（此外，还有一些 AI 实验室声称，他们可以蒸馏出领先的模型，使其在较低智能水平下也能胜出。但这毫无道理，因为这种推理的利润率相当低，相关的收入实在太低了。）

AI 实验室的估值似乎很大程度上基于这样一个假设：随着规模的扩大，涌现出的能力将足够通用和强大，从而带来爆炸式增长，例如 AI Agent 能够自主启动并管理整个由子 Agent 组成的公司。但我对此存疑。

事实上，正如我在之前的文章中提到的，我认为能力增长的速度会比人们目前预想的更慢、波动更大，并且更受数据瓶颈制约。

或许终有一天，我们会见证此类爆炸式增长，实现经济的全面自动化，但至少在我看来，抵达那一天还有很长的路要走（以数十年计）。我不确定头部 AI 实验室能否长期处于亏损状态，这或许预示着某种不可避免的国有化结局。

我还想就技术扩散谈一个更宏观的视角。技术扩散之所以缓慢，并不仅仅因为老年人学习使用新技术需要更长的时间（尽管这在某种程度上的确是原因之一）。在我看来，当一项革命性新技术问世时，如何将其融入后续发展，路径并不总是清晰可见，事实上也未必能凭纯粹理性推导出来。如果能够做到这一点，那么或许在某个阶段，前沿模型就能完全理解 LLM 应用层应该如何开发，然后它们就能自主地编写代码、部署和销售这样的应用层。

但在我看来更合理的解释是：这种技术扩散更受「经济计算难题」的掣肘——亦即哈耶克所阐发的那个洞见，价格体系通过渐进方式促进资源的有效配置，而这无法被中央计划所模拟——即便我们将当前的能力水平冻结在今天的水平，把大语言模型完全融入我们日常的生活，恐怕也需要二十余年。

因此，这一视角对实验室的持续盈利前景相当悲观：它降低了它们找到下一个与 coding Agent 盈利能力相当的产品的可能性，而后者似乎本就是 Anthropic 某种程度上的幸运发现。换句话说，即便你广招工程师人海战术，也未必能足够快地摸索出「正确」的产品形态。

总的来说，我认为人们并没有清晰地梳理出实验室股权价值如此之高的根本原因，而且即便你真的费心把这个商业模型写下来，最终的结论可能也并非你所期望的那样。这并非意味着我不看好 AI 在未来几十年迎来一场巨大的蓬勃发展，只是说如果现在有机会，我未必愿意以目前的估值入手 OpenAI 或 Anthropic 的股票。

当然，作为一名前 OpenAI 员工，说这些无异于砸自己的饭碗；按理说，我本该多给大家一些看涨的理由。但说到底，人微言轻，说了也无妨，何不图个痛快？