最近一直在看科技史，虽说历史不会重复，但许多时候却总是在押韵的。科技史也不例外。

从蒸汽机被发明到今天的两百多年时间里，如果你仔细去看就会发现，科技革命的节奏，或快或慢，也总是踩着类似的鼓点。

比如此刻，越来越像 dot com 泡沫破裂的前夜。

从大洋彼岸的 OpenAI 积极谋求重组为商业实体以扫清上市障碍，到 Anthropic 递交招股书，再到国内以智谱 AI、MiniMax、月之暗面等为代表的 "AI 新浪潮 " 独角兽频频传出拆分、谋求科创板上市的消息。

相似的浪潮，再一次涌到我们这一代人面前。

泡沫会再一次发生吗？这一次，真的会不一样吗？没有人能预知未来，此刻谁也没有答案。巴菲特有一句被用滥了的老话，潮水退去，才知道谁在裸泳。

所以，此刻唯一能够确定的是，泡沫破灭之后，先会得到重估的，可能是穿越过几轮周期的 " 老登 "。

过去三年，全球大模型公司的估值膨胀速度堪称前无古人。而且，这件事甚至不是发生在国内。如果你现在去盘美股的市值前十，会发现，全部都是 "AI 概念股 "。

而马斯克，马上就要成为全球第一个万亿富豪。这一切的发生，得益于人工智能的汹涌澎湃浪潮。

但同时，其实已经有越来越多人发现，故事开始变得越来越诡异了。

当投资人还在以移动互联网时代的估值逻辑看待 AI 公司、等待新平台公司的规模效应时，等到的只有天文数字般的资本开支和极低的投入产出比。

从美国市场的双子星来看，OpenAI 在经历多次融资后，其估值已飙升至数千亿美元，但其每年的运营成本和算力开支同样惊人。

根据行业测算，OpenAI 一年的亏损额度可能高达数十亿美元。而作为其最大竞争对手的 Anthropic，同样面临着巨大的现金流压力。

在中国市场，所谓的 "AI 六小龙 " 在经历了一轮估值狂飙后，也集体迎来了进入二级市场融资格局的拐点。

这种集体性的 " 急于上市 " 的背后，可能不止是创始人的恐惧，同样也有投资人的不确定性。因为大家开始不断发现，旧地图，已经找不到新大陆了。

在传统的移动互联网时代，一家明星创业公司，比如 Uber、滴滴、美团或字节等等，在 B 轮或 C 轮后，其商业模式基本成型，单位经济模型（Unit Economics）可以跑通，资金主要用于市场扩张和用户获客。

商业模式清晰之后，资本杠杆率是随着规模效应递增的。但在大模型时代，这一经典逻辑被彻底颠覆了。

因为现在大家发现，AI 公司的核心资产不是网络效应，而是昂贵的算力与算法人才。而且，token 经济学，是没有规模效应可言的。

这意味着，大模型公司的资本开支是 " 刚性且前置 " 的。为了维持技术领先，它们必须不断购买最新的英伟达芯片，构建万卡甚至十万卡集群。其训练成本与参数量呈非线性指数关系上升。

高昂的研发边际成本，是一级市场任何单一 VC 甚至大型财团都无法长期承受的。

如今第一批投向 AI 的资金已经面临巨大的退出压力。当中美两国的科技巨头都在从最初的 " 疯狂输血 " 转向更为理性的 " 算力置换股权 " 或自研路线时，独立 AI 大模型公司在私有市场的融资路便已基本到头。

因此，走向二级市场，利用公开市场的散户和机构资金来接棒这场昂贵的游戏，成为了 AI 公司唯一的解药。

对于 MiniMax、智谱们而言，上市不仅是为了获得源源不断的资本补充，更是为了给早期的风险投资人提供一个退出的通道。

但问题是，二级市场在听故事之前，还要看账本。

当 AI 公司从 PPT 上的 " 星辰大海 " 走向需要披露季度财报的聚光灯下时，它们必须面对商业化变现和毛利率的终极审判。

目前，绝大多数大模型公司的收入结构极其单一且不稳定。主要分为两类：

一是面向 C 端的订阅费（如 ChatGPT Plus），但它面临着极高的用户流失率，现在，Gemini 和 Claude 都是强有力的竞争对手；

二是面向 B 端的 API 接口调用费。在国内市场，由于腾讯、阿里、字节跳动等巨头为了争夺云服务市场，率先发起了惨烈的大模型价格战，导致 API 价格在极短时间内呈现断崖式下跌，甚至走向了 " 零元购 " 的极端。

在如此恶劣的竞争环境下，独立 AI 公司的毛利率空间被严重压缩。

要知道，传统的 SaaS 软件公司可是有高达 70% -80% 的毛利率空间的，而大模型公司由于需要向算力供应商支付高昂的推理成本，其真实的毛利率往往只有 20% 左右，甚至在某些定制化企业级项目中呈现负值。

这种 " 重资产、低毛利、高研发 " 的财务特征，注定了它们无法在私有市场维持高估值。

唯一的办法，就是抢在市场对这个故事彻底失去耐心之前，迅速推开 IPO 的大门。

前段时间，腾讯公司创始人马化腾有一句话被广泛传播，他用 " 上船 " 来比喻腾讯在 AI 浪潮中的处境：" 原来一年前我们以为上了船，后来发现那个船漏水了，现在感觉站上去了，还坐不下去，还是希望船速能快一点。"

但与此同时有一个梗，或许可能更适合理解当下的 AI ——AI 时代，只要你学得足够慢，你就不用学了。

按照 Gartner 的技术成熟度曲线（Hype Cycle），一门新技术的发展必然经历 " 科技萌芽期 "、" 期望膨胀期 "（也就是泡沫的顶点）、" 泡沫破裂谷底期 "、" 启蒙爬升期 " 和 " 生产力成熟期 "。

之前我们就提过，此刻我们正站在从 " 期望膨胀期 " 向 " 泡沫破裂谷底期 " 过渡的关键转折之中。

当然，我们也没有任何证据。但就像开头说的，回顾历史，我们可以发现极其惊人的规律相似性。

在 19 世纪 40 年代的英国，铁路技术的成熟引发了轰轰烈烈的 " 铁路狂热 "（Railway Mania）。数以百计的铁路公司挂牌成立，并在股票市场上募集了天文数字的资金，人们坚信铁路将彻底重塑人类的空间距离。

然而，随着大量线路盲目铺设，实际客货运量远不及预期，泡沫在 1847 年彻底破裂，无数中产阶级倾家荡产，铁路公司的股票价格暴跌超过 85%。

但历史的另一面是，正是这场泡沫留下的廉价铁路网络，奠定了英国此后半个世纪工业革命的物流基石。

同样的故事在 1999 年至 2000 年的互联网泡沫（Dot-com Bubble）中再次上演。彼时，思科、美国在线（AOL）、雅虎等公司的估值被炒到了天际。

当时的市场共识是：互联网将改变一切。这个共识今天来看完全正确，但问题是，对于当时来说，还太早了。

比尔盖茨在 1995 年出版的《未来之路》中写到过，我们总是高估 ' 短期 ' 变化 , 却低估未来 ' 长期 ' 的变革。巴菲特曾说过这样一句话：" 市场在短期是投票机，在长期是称重机。"

此刻媒体迷恋的 AI 年轻企业家们看起来固然鲜衣怒马，但今天来看，穿越周期的老登们，可能才是对的。

当电信运营商铺设了数百万公里的光纤，却发现根本没有足够的内容去填充带宽时，资本锁链断裂，纳斯达克指数暴跌 78%。

那些曾经不可一世的互联网先驱大多死在了黎明前，而留下的基础建设，最终孕育了谷歌、亚马逊和后来的移动互联网繁荣。

那么，我们回到本轮 AI。

这一轮由 Transformer 架构引发的生成式人工智能浪潮，其技术扩散曲线在前半段表现得极为陡峭—— ChatGPT 在短短两月内累积一亿用户的纪录，让所有人产生了 " 这次不一样 " 的幻觉。

但拉长时间维度来看，它的底层规律并没有逃脱历史的重引力场。

目前，AI 行业的供给侧与需求侧已经出现了严重的失衡。

在供给侧，GPU 的产能和算力投资呈现指数级增长。据红杉测算，全球在 AI 基础设施（主要是芯片、数据中心）上的累计投资已经超过数千亿美元，而要让这些投资获得合理的回报，AI 行业每年需要产生至少 6000 亿美元的收入。

然而，目前全球除了英伟达（NVIDIA）通过买卖 " 铲子 " 赚得盆满钵满之外，整条 AI 应用产业链的实际年收入仅在数百亿美元规模。

这种供需关系的巨大鸿沟，就是泡沫破裂的物理温床。

对于谷歌、微软、阿里、腾讯等科技巨头来说，他们拥有极其强大的 " 护城河业务 " 提供现金流。

微软有 Office 和 Windows，谷歌有搜索广告，阿里和腾讯有电商、游戏和社交。这些巨头即使在 AI 算力上开支巨大，也完全可以通过成熟业务的利润来交叉补贴。

更重要的是，对于这些云厂商而言，AI 本身就是他们兜售云基础设施的绝佳借口。哪怕大模型应用没有赚到钱，他们也已经通过云服务的消耗，实现了资金的左手倒右手。

但独立 AI 公司没有这种退路。

他们既没有可以输血的副业，也没有自己的云基础设施。他们处于产业链生态的最底层，所有的收入都必须依赖大模型 API 的调用或软件订阅。

当泡沫开始出现裂痕——比如风险投资收紧、大企业对 AI 预算进行审计、降本增效成为主流——这些独立 AI 公司将首当其冲地暴露在冬天里。

一旦市场上出现第一家因为现金流断裂而倒下或折价出售的头部大模型公司，多米诺骨牌就会瞬间倒塌。

届时，一级市场的估值体系将彻底崩溃，IPO 的窗口也将随之关闭。这也是为什么，留给这些公司的时间已经不多了。

他们必须在第一块骨牌倒下之前，完成上市的抢跑。

距离 2017 年谷歌团队发表的深度学习论文《Attention Is All You Need》已经过去将近 9 年时间了，这篇文章提出的 Transformer 架构，成为现代 AI 大模型的技术基础。而 Transformer 也让 Scaling Law 得以高效兑现。‌‌‌

但到了 2026 年的今天，全行业开始不得不承认一个事实：Scaling Law，可能正在撞墙。

第一重物理墙是高质量人类数据的枯竭。互联网上所有可用于训练的高质量文本、书籍、代码和学术论文，几乎已经被现有的前沿模型（如 GPT-4、Claude 3 等）压榨殆尽。

虽然业内寄希望于通过大模型自身生成 " 合成数据 " 来继续训练，但最新的学术研究表明，用 AI 生成的数据训练 AI，会导致模型陷入 " 模型崩溃 " 或 " 自噬 "（Autophagia）的怪圈，其熵值会逐渐增大，最终输出毫无逻辑的垃圾信息。

第二重物理墙是能源与物理基础设施的限制。当模型参数量试图跨越到万亿（Trillion）级别以上时，单机房的供电已经无法满足需求。

一个先进的 AI 数据中心所需的电量堪比一座中型城市。而建设新的电网、核电站以及解决跨区域高速互联的物理延迟，其周期是以 " 年 " 甚至 " 十年 " 为单位计算的。

第三重墙，也是最根本的墙，是 Transformer 架构本身的上限。

基于自回归机制的 Transformer 大模型，本质上是一个极其复杂的 " 下一词预测 " 概率匹配机器。它缺乏真正的内部世界模型，没有因果推理能力，也无法进行长周期的逻辑规划。

这导致了大模型身上一个致命且无法根除的缺陷：幻觉。

在一些对容错率极高的泛娱乐、文案写作等场景，幻觉或许可以被称为 " 创造力 "；但在金融、医疗、法律、自动驾驶等真正具备万亿级商业价值的严肃工业场景中，即使只有 1% 的幻觉率，也会带来灾难性的后果。

由于无法彻底消除幻觉，大模型在 B 端应用中的渗透率远低于之前的预期。企业客户发现，为了确保 AI 助手的输出正确，他们不得不雇佣更多的人类专家去审核 AI 的工作。

其最终的综合生产力提升，在扣除高昂的软件许可费和算力费后，ROI 往往难以实现正平衡。

这就形成了一个巨大的预期差。

资本市场原本是按照 "AGI 即将在三年内实现，彻底替代人类劳动力，创造无限边际财富 " 的叙事来给这些 AI 公司进行估值的。

但现实是，我们很可能在相当长的一段时间内，都只能拥有一个更聪明、但依然不靠谱的超级玩具。

从 " 技术突破 " 到 " 商业闭环 "，中间隔着一条巨大的鸿沟。AI 公司必须从追求比如各种 Benchmark 跑分这一类纯粹的技术指标，转向极其平庸甚至繁琐的工程细节、用户体验和销售通路建设。

当故事的泡沫散去，当市场意识到 AGI 的到来不是一场三年内的百米冲刺，而是一场长达三十年的马拉松时，估值的重估就是必然发生的。

当然，那些抢先上市的头部 AI 公司，在泡沫破裂、市场进入谷底期之后，至少可以凭借 IPO 募集到的数十亿美元现金作为储备粮，在冬天的废墟里继续研发，等待技术扩散曲线的下一次爬升。

而那些未能跨过 IPO 门槛的同行，则大概率会在资金耗尽、估值倒挂的绝望中成为时代的灰尘。

抢跑，或许吃相不够优雅，但可能是唯一一根稻草了。