structure｜1️⃣ 三级笔记、思想框架

So, About That AI Bubble —— AI 泡沫论的转向

核心观点/主旨

六个月前，AI 看起来像一场无路径变现的资本狂欢，许多人（包括作者本人）拿它对标 19 世纪铁路泡沫和 90 年代互联网泡沫。今天局面颠倒：以 Claude Code 为分水岭，AI 终于把"会说话的聊天机器人"升级成"会做事的智能体"，营收以违反正常商业重力的速度追赶炒作。

AI 是不是泡沫的争论，已经从"金融问题"变成了一个更深的哲学问题——白领工作的本质是不是和写代码同构？六个月前唱多者画饼，唱空者拿事实；今天角色反过来，举证责任落到了唱空者头上。

一、六个月前 vs 今天：泡沫剧本被改写

1.1 六个月前的 AI 长什么样

• 各家公司在数据中心上砸下数千亿美元（很多是借来的），却看不到清晰的盈利路径
• 专家与记者（包括作者本人）把这一波 AI 建设比作 1800 年代铁路泡沫和 90 年代 dot-com 泡沫
• 连 Sam Altman 自己都公开说："Are we in a phase where investors as a whole are overexcited about AI? My opinion is yes."

1.2 今天的画风彻底变了

• 软件开发者在大规模采用 AI 工具，并报告"astronomical productivity benefits"
• 担心的方向反过来了：从"数据中心是不是建多了"，变成"够不够用"
• Anthropic 成了"possibly the fastest-growing business in the history of capitalism"——增速超过疫情期的 Zoom、2000 年代初的 Google、镀金时代的 Standard Oil
• 按当前增速外推，明年初 Anthropic 营收将超过世界上任何一家公司

二、Claude Code：那条看不见的门槛被跨过了

2.1 11 月的更新是一次"step change"

• Anthropic 在 11 月对旗舰产品做的更新，让 AI 跨过了某条"invisible threshold"——从"interesting gadget"变成"life-changing technology"
• Claude Code 让一群自治 AI agents 接管你的电脑，用几分钟到几小时完成过去人类要做几天到几周的编程任务
• 很多情况下，最终成果几乎不需要人类修改
• 其它公司也跟进推出了同类工具：OpenAI 的 Codex、Anysphere 的 Cursor，水平被认为接近 Claude Code

2.2 时代的分水岭

• Ethan Mollick 的判断："For years now, we've been in an era of chatbots that mostly just say things. Now we've officially crossed into the era of agents that can actually do things."

2.3 行业里的真实信号

• SemiAnalysis 的 Jordan Nanos：同样人数的小团队产出软件量是去年的 4 倍
• Tim Fist：在读计算机博士这件事变得"sort of ridiculous"，因为 Claude 基本能做掉 90%
• Meta 宣布裁员 10%；Zuckerberg 说，过去要"big teams"才能干的活，"now be accomplished by a single very talented person"

2.4 学术研究反转

• METR（Model Evaluation & Threat Research）去年的实验：开发者用 AI 反而比不用慢 20%（耗在纠正 AI 输出上）——这项研究是作者去年 9 月写"AI 是泡沫"那篇文章的关键依据
• 同一批研究者用最新工具重做实验：这次用 AI 的开发者比不用的快近 20%
• 而且 20% 还可能被低估：一些重度用户已经"hooked on AI tools"，拒绝参加第二次实验（没了 AI 干不了活了）

三、企业买单速度：经济学被反过来了

3.1 企业开始痛快花钱

• Ramp 数据：付费订阅至少一项 AI 工具/服务的美国企业占比，从 2025 年初的约 1/4 涨到今天的过半
• Goldman Sachs 4 月中对 40 家软件公司访谈：很多公司 AI 预算被超支"by orders of magnitude"，部分公司的 AI 支出已经占到工程人力总成本的 10%
• Gabriela Borges：企业接纳新技术通常远慢于消费者，"the speed at which we're seeing companies adapting these tools is actually quite surprising"

3.2 供给追不上需求

• 六个月前是"投资跑在需求前面"，今天是"需求跑在物理基础设施前面"
• Anthropic 被迫在"peak hours"对编程工具做使用限制
• OpenAI 砍掉了视频生成 app 来腾算力
• 半导体抢手到，连 Nvidia 2022 年发布的"第四好"AI 芯片，今天比三年前还贵

3.3 营收增速违反商业重力

• Anthropic 年化营收 run rate 在两个月内从 140 亿美元跳到 300 亿美元
• 一个季度的增量，相当于 Google 巅峰期三年扩张的 4 倍
• OpenAI 年化营收从 12 月到 2 月涨了近 20%
• Google / Microsoft / Amazon 云业务同比增长 48% / 39% / 24%，主要由 AI 公司用云驱动
• CoreWeave（neo-cloud）年营收增长 168%；Micron 营收差不多翻了三倍
• Azeem Azhar："this pace of revenue growth is absolutely not normal"

3.4 模型本身还在变强

• Anthropic 4 月初宣布 Mythos —— 强到没敢公开发布
• Mythos 在编程、研究生级问题上横扫几乎所有 benchmark；甚至挖出了人类几十年都没发现的网络安全漏洞（这是它没公开发布的原因）
• OpenAI 的 GPT-5.5 紧追其后
• Jean-Stanislas Denain（Epoch AI）："we were already seeing a big acceleration in the pace of AI progress... And that was before Mythos"

四、看空派的反驳：表象 vs 投机狂欢的顶点

4.1 营收 ≠ 利润

• OpenAI 和 Anthropic 营收很高，但还没盈利——所有钱（以及更多钱）都花在了下一个模型上
• 要变盈利，营收必须再快速增长几年（Anthropic 预计 2028 年盈利，OpenAI 2030 年）
• 真正的问题：当前增速是不是可持续的

4.2 看空派的核心论点：编程是个特例

• 软件开发的特殊性：海量训练数据 + 输出空间相对有限 + 输出可被客观评判 → 天生适合 AI 自动化
• 这三条对其它知识工作不成立：法律 brief 或营销 campaign 无法对照"客观卓越标准"快速验证；而且这些领域可训练的领域数据相对很少
• Paul Kedrosky："Even if white-collar workers use these AI tools for some things, it won't look like anything close to what we're seeing right now for coders"

4.3 如果只是编程的局部繁荣

• AI 公司、芯片厂、数据中心建设方、云厂商在按"全行业普及"的假设备货
• 如果热潮局限于编程，等数据中心建好的时候就找不到足够的付费客户
• 结果：账面上是巨额亏损而非利润，泡沫比六个月前更大，破裂时更痛
• Kedrosky 的类比："The best analogy to me is the real-estate market in 2006, 2007. Market hype leads to more demand. More demand makes you think you need more supply. Before you know it, you've built more homes than anyone can actually afford. And eventually it all falls apart."

五、看多派的反击：知识工作的本质是同一种结构

5.1 Read-Think-Write-Verify 框架

• SemiAnalysis 分析师的论点：所有知识工作（包括写代码）都由四个基本环节组成：
  • Read: 消化信息
  • Think: 调用已有知识
  • Write: 产出有结构的输出
  • Verify: 把输出对照某种标准做检查
• 编程只是这四步上每一步都恰好"更容易"——更多数据可读、更客观的验证标准——但这并不让编程变成一个独特物种

5.2 客观标准 ≠ 唯一标准

• 即便不存在"好论文"或"好法律 brief"的客观标准，专家在场内都拥有"better or worse"的清晰直觉
• AI 系统也许能通过足够多高质量样本学到这种直觉
• Mollick："There's clearly a spectrum here, with coding on one end and things with really hard-to-judge outputs, like short-form fiction writing, on the other... But a lot of knowledge work—law, finance, consulting, marketing—falls somewhere in the middle. And many of the tasks in those jobs are probably closer to the coding side of things."

5.3 MIT 研究：白领任务的"完成率"曲线

• MIT 最近的研究量化了 AI 在 3000 项真实白领任务（设计课程、做产品发布计划等）上的能力
• 评判标准：人类专家会不会判定这个输出"good enough to be sent to a manager with no human edits"，是则记为"complete"
• 2024 年中：领先模型能完成 50% 的（人类需 3–4 小时的）白领任务
• 一年多后：能完成 65%
• 作者外推：到 2029 年，AI 将能完成 80% 到 95% 的文本类任务
• Matthias Mertens："This pace of improvement isn't quite as fast as what we've seen with AI and coding. But it's still really, really fast."

5.4 上面的研究只算了 chatbot；agent 还没上场

• agentic 工具（如 Claude Cowork）能接管员工的笔记本，做 PPT、发邮件、约会议
• 工人才刚刚开始学怎么用它们
• Azhar 的工作流：让 AI agent 生成一组"代表真实客户群"的人造客户 → 在它们身上跑 focus group → 出报告 → 把报告转成具体产品改进清单
• 这一切在人类产品经理睡觉时完成；早上醒来结果在等着他
• Azhar："That is the kind of process that used to require a whole team of workers and months of time. Now we're doing it three times every week."

六、举证责任的反转

• 六个月前：唱泡沫的人手里是事实，反对泡沫的人手里是关于未来的承诺
• 今天：角色反过来了
• AI 的爆炸式增长仍可能撞上某个不可预见的障碍，但 the burden of proof has shifted to the naysayers

关键概念/术语

• Claude Code: Anthropic 11 月发布的旗舰产品更新，让一群自治 AI agents 接管电脑、几分钟到几小时完成人类要花几天到几周的编程任务，被视为 AI 从"会说"跨入"会做"的拐点
• invisible threshold: AI 从"interesting gadget"跨入"life-changing technology"的那条看不见的门槛
• step change: Mollick 用来形容 Claude Code 之后行业能力跃迁的词
• annual run rate: 年化营收——按当前月营收推算未来一年总收入；Anthropic 这一指标两个月内从 140 亿涨到 300 亿美元
• Read-Think-Write-Verify: SemiAnalysis 提出的知识工作四步基本结构：消化信息 / 调用知识 / 产出结构化输出 / 对照标准验证
• Mythos: Anthropic 4 月发布的新模型，强到没公开（部分原因：发现了人类几十年没发现的网安漏洞）
• Claude Cowork: 文中提到的 agentic 工具代表，可以接管员工笔记本完成做 PPT、发邮件、安排会议等非编程任务
• burden of proof: 文章结尾的关键修辞——六个月前事实在唱空派那边，今天事实在唱多派那边，举证责任发生了反转

concepts｜2️⃣ 关键概念、概念网络

agentic reading｜3️⃣ 费曼 x3