卖金铲子的人，何时会倒下

本文系用户投稿，不代表机核网观点
本文含有AI生成，请注意甄别
注：文章由元宝DeepSeek、豆包、深度求索DeepSeek、千问等大模型共同创作而成。 
在当今科技新闻中，有两个词汇出现的频率异常之高：一个是“人工智能”（AI），另一个是“GPU”，也就是“图形处理器”。前者描绘着未来的无限可能，后者则被视为开启这个未来的关键“钥匙”，更是被资本市场奉为“金铲子”。然而，伴随着资本市场对GPU的追捧与争议，“AI泡沫”的论调也甚嚣尘上。
要理解这场正在发生的深刻变革，以及围绕它的希望与焦虑，我们或许需要从这颗被称为GPU的“数字心脏”的故事开始讲起，展开一幅由极多软件开发、硬件研发、微电子技术、开发者社区、顶尖商业领导者共同编写而成的壮阔画卷。
这个故事很长，希望你能耐心看完。
从电子游戏视觉开拓者，到被市场热捧的“金铲子”
当我们打开电脑玩游戏或使用手机上的AI绘画功能时，很少会想到背后有一个关键的硬件在默默工作——它就是图形处理器，简称GPU。传统上，中央处理器（CPU）被视为计算机的“大脑”，负责整体控制和复杂逻辑判断，而GPU则像是专门负责视觉处理的“眼睛”和“手”。我们可以用一个简单的比喻来理解两者的区别：CPU好比是一位全能型的博士，能够处理各种复杂任务，但主要是一个接一个地处理；而GPU则像是由成千上万名工人组成的流水线工厂，每个工人只处理简单重复的工作，但因为他们同时工作，所以在处理大批量相似任务时效率极高。如果让CPU计算一千个“1+1”，它会顺序计算一千次；而GPU会安排一千个计算单元同时计算，瞬间完成任务。
GPU的诞生与电子游戏的发展密不可分。在90年代，随着《雷神之锤》等3D游戏的兴起，复杂的场景渲染需求让CPU不堪重负，这催生了专门处理图形计算的硬件需求。1999年，第一款真正意义上的GPU横空出世，它首次将3D渲染的关键计算环节从CPU分离出来，专门由硬件加速，这使实时呈现逼真的3D游戏画面成为可能。当时，这款革命性产品被简单称为“图形处理器”，其核心创新在于硬件级坐标变换与光照计算，能够重构3D渲染逻辑，让游戏画面从简单的几何建模向物理模拟跃迁。开发者们首次能够在实时场景中捕捉动态光源的物理轨迹，使游戏画面变得更加栩栩如生。
GPU的发展并非一蹴而就。在进化初期，GPU主要服务于游戏画面渲染，各厂商竞争激烈，技术路线五花八门 。2000年前后，显卡厂商不断优化图形处理技术，从支持更高分辨率到实现更复杂的光影效果，GPU的每一次升级都让游戏画面更加逼真、运行更加流畅 。然而，真正的转折点发生在2006年左右，当时一家知名显卡厂商推出了CUDA平台，这是一个革命性的创举，它允许开发者将GPU用作“通用计算处理器”，而不仅限于处理图形 。这意味着科学家和工程师可以利用GPU的并行计算能力，加速科研、设计等非图形处理任务。当时，这一决策一度引发股东对“偏离游戏主业”的质疑，却为高性能计算和人工智能埋下了伏笔 。
GPU的工作原理决定了它特别适合处理大规模并行计算任务。与CPU顺序执行任务的冯·诺依曼架构不同，GPU采用SIMT架构（单指令多线程），能够同时启动大量线程处理相似操作 。正是这种架构差异，使得GPU在处理图像像素计算、科学模拟和AI训练等需要海量并行计算的任务中，表现出比CPU高数十甚至数百倍的效率。现代高端GPU的“流处理器”（可理解为迷你计算核心）数量能达到数千甚至上万个，这种“用数量换效率”的设计思路，让GPU在面对简单但海量的计算任务时具有天然优势 。
GPU的价值在人工智能时代得到了极致发挥。2012年，多伦多大学的研究团队使用GPU训练了一个名为AlexNet的深度神经网络，以15.3%的图像识别错误率赢得国际竞赛，这一成绩远优于其他使用传统CPU的方法 。当时，该团队因神经网络计算量极大，程序运行缓慢，决定尝试使用GPU进行加速。结果，借助GPU的并行计算能力，他们将原本需要数月的训练任务在一周内完成，这一突破性成果震惊了在场的AI研究人员 。神经网络、大数据集和GPU计算这三大AI元素在这一节点实现了交融，催生了后续AI大模型的技术突破 。
随着AI技术的不断发展，GPU已经从游戏领域的专用硬件，蜕变为支持通用计算的GPGPU。GPGPU不是一款具体的芯片，而是一种概念，即利用图形处理器进行一些非图形渲染的高性能计算 。今天的GPU已经成为AI训练、科学计算、金融建模等领域的算力核心，其应用范围远远超出了最初的图形处理范畴。在科学计算领域，气象学家用GPU模拟台风路径，计算速度比CPU快10倍以上；在生命科学领域，研究人员利用GPU进行基因测序分析，大大缩短了研究时间；在影视行业，《阿凡达》《复仇者联盟》等大片的特效渲染也主要依靠GPU完成，将原本需要数月的渲染时间压缩到几天 。
GPU的持续进化方向也反映了算力需求的变化。近年来，GPU架构中加入了专用AI计算单元，如针对矩阵乘法优化的Tensor Core，以及用于实时光线追踪的RT Core 。这些设计使得GPU在特定任务上的效率进一步提升。同时，GPU的制造工艺也不断进步，从早期的微米级到现在的纳米级，晶体管数量从最初的千万级增加到现在的百亿级，计算能力呈指数增长 。然而，随着半导体技术逐渐逼近物理极限，GPU也面临着能耗过高、散热挑战等瓶颈 。这些挑战正推动着芯片制造商探索新的材料、架构和集成方式，以确保算力能够持续提升。
从最初的图形加速器到如今的AI算力核心，GPU的演变轨迹展示了技术创新如何因应用需求而不断转型。它的成功不仅在于硬件性能的提升，更在于它开启了一种并行计算的新范式，这种范式恰好与人工智能时代的海量数据处理需求完美契合。当我们今天谈论AI时，GPU已经从一个技术组件演变为数字基础设施的关键部分，它的故事是适应与进化的典型案例，也是技术如何突破原有边界创造新价值的生动体现 。
软硬件生态深度绑定，GPU如何成为AI世界的基石
GPU之所以能够从众多芯片中脱颖而出，成为人工智能时代的算力核心，不仅源于其硬件的并行计算优势，更得益于其构建的完整软硬件生态系统。这一生态系统的形成可追溯至2006年，当某显卡厂商推出CUDA平台时，他们可能并未预见这一举措将为AI革命奠定坚实基础。CUDA是一个编程模型和软件开发平台，它允许开发者使用C、C++和Python等高级语言直接调用GPU的算力进行通用计算，而不仅限于图形处理。这一定位降低了开发门槛，使研究人员和工程师能够更轻松地利用GPU的并行计算能力。
CUDA的精妙之处在于它创建了一个正向循环的生态闭环：友好的开发环境吸引更多开发者；丰富的应用场景推动硬件销量增长；硬件利润反过来支持软件生态的进一步完善。经过近二十年的发展，CUDA从最初被所有商业领导者和投资人唾弃的“落水狗”，变成了如今已构建起庞大的护城河，形成了包括底层驱动、数学库、算法库和开发框架在内的完整软件栈。今天，全球已有数百万开发者基于CUDA开发生态系统，其应用覆盖AI、科研、工业等各个领域。这种生态优势如此强大，以至于即使其他厂商的GPU在硬件性能上可能接近甚至超越市场领先者，但缺乏可与CUDA抗衡的软件生态，使其难以撼动市场格局。
在人工智能领域，特别是大语言模型的发展中，GPU的软硬件生态发挥了至关重要的作用。大模型的训练本质上是海量矩阵运算，需要同时处理数百万甚至数十亿个参数计算。GPU的并行架构特别适合这种计算模式，而CUDA生态则提供了优化工具，使得研究人员能够高效地利用硬件资源。例如，cuDNN是针对深度神经网络的GPU加速库，为常见深度学习操作提供了高度优化的实现；TensorRT则专门针对模型推理进行了优化，能够大幅提升推理速度和能效比。这些软件工具与GPU硬件紧密结合，形成了一套完整的大模型训练和推理解决方案。
大语言模型与GPU生态的深度绑定关系在OpenAI训练ChatGPT时表现得尤为明显。据报道，训练ChatGPT使用了数千块高端GPU组成的集群，若换成CPU，训练时间可能从“几个月”变成“几十年”。这种效率差异不仅源于GPU硬件本身的并行计算优势，还得益于整个软件栈的协同优化。从内存分配到计算调度，每一个环节都经过精心优化，以确保GPU在长达数周甚至数月的训练过程中保持高效稳定运行。没有这种软硬件的深度集成，大模型训练的成本和时间将是绝大多数机构无法承受的。
GPU生态的繁荣也催生了新的技术标准和商业模式。在云计算时代，各大云服务商纷纷推出GPU实例，允许用户按需租用算力，降低了AI研发的门槛。这种“算力即服务”的模式使得初创公司和小型研究机构也能够接触到大模型训练所需的计算资源，从而推动了AI技术的普及和创新。同时，开源社区围绕GPU计算构建了丰富的工具和框架，如PyTorch和TensorFlow等主流深度学习框架都提供了对GPU的深度支持，进一步丰富了生态系统。
然而，这种深度绑定也带来了新的挑战和风险。一方面，GPU生态的高度中心化导致算力资源集中在少数几家大公司手中，可能抑制技术的多样性和创新活力。另一方面，软硬件生态的闭源性使得其他厂商难以兼容，形成了事实上的技术垄断。有业内人士指出，研发GPGPU的最大难点不仅在硬件指令集的设计，更在于构建完整的软件生态。目前领先的GPGPU厂商拥有千条量级的指令集，而国内大多数AI芯片的指令集仅在百条以内，这种差距不仅体现在硬件设计的复杂程度上，更体现在软件生态的完善性上。
GPU生态的另一个显著特征是它的网络效应：使用者越多，生态价值就越大，从而吸引更多使用者，形成正向循环。这种网络效应在学术研究领域尤为明显。大多数AI论文都是基于CUDA生态进行实验和验证的，这意味着新进入者不仅需要提供兼容的硬件，还需要确保现有代码和模型能够无缝迁移，否则将面临极高的转换成本。这也是为什么即使有其他选择，大多数研究人员仍倾向于使用成熟的CUDA生态进行开发——重写和调试代码的成本往往超过了硬件性能提升带来的收益。
面对AI技术的快速发展，GPU生态也在不断演进。近年来，随着大模型参数量的指数级增长，对显存带宽和容量提出了更高要求。为应对这一挑战，新一代GPU在架构设计上更加注重整体系统性能，而不仅仅是峰值算力。例如，通过高速互联技术连接多个GPU，使它们能够协同处理单个大模型；优化内存层次结构，减少数据搬运开销；引入浮点运算格式，在保证精度的同时提升计算效率等。这些创新不仅推动了硬件本身的进步，也促使软件栈相应地进行优化和调整。
GPU软硬件生态的成功提供了一个经典案例，展示了如何通过软硬件协同设计释放计算潜力。从游戏画面渲染到科学计算，再到人工智能训练，GPU的通用性不断增强，其生态系统也随之扩展和深化。今天，当我们讨论大语言模型时，我们不仅仅在讨论算法创新，也在讨论支撑这些算法的算力基础设施。而GPU及其构建的软硬件生态，正是这一基础设施的核心组成部分。正如某互联网文章所言：“硬件可以被追赶，但生态锁死开发者”。这种生态优势或许正是GPU能够在AI时代保持核心地位的关键所在。
人工智能终极图景，GPU作为基础设施的核心支柱
人工智能的终极目标是成为人类社会的新型基础设施，如同电力网络和互联网一样无形却无处不在。这种基础设施化的AI将深度融入我们的生活，成为支持医疗、交通、教育、金融等各个领域的基础性技术。正如电力革命不仅带来了电灯，还催生了整个电气化时代一样，AI技术有望通过增强人类智能，而不仅仅是替代人力，来重塑社会和经济发展模式。
如同互联网一样，人工智能最终会渗透到我们日常生产生活的每一个角落，也会成为人类与数字世界交互的 “新应用入口”。就像电力让工厂运转、互联网让信息流通，未来的人工智能将赋能医疗诊断、工业生产、城市管理等所有领域；而语音助手、智能驾驶、AI办公软件等，将成为我们获取服务、处理事务的主要方式。
在这一宏大愿景中，GPU扮演着类似于工业革命中“蒸汽机”的角色，即核心动力源，为各种AI应用提供所需的算力支持。
构建AI基础设施的过程需要巨大的前期投入，而GPU正是这一投入的核心组成部分。传统的互联网基础设施主要依靠CPU和网络设备，而AI时代的基础设施则需大规模部署GPU计算集群。这些集群由数千甚至数万颗GPU组成，通过高速网络互联，共同构成能够训练和运行大模型的超级计算机。
例如，为训练ChatGPT这样的千亿级参数模型，需要同时使用上万颗高端GPU持续运算数周甚至数月。这种集中式的算力需求，使得GPU从单纯的硬件产品转变为AI基础设施的关键组成部分。未来，人工智能将不仅是技术工具，更是连接人与数字世界的“神经元”。
人工智能热潮下的GPU，与泡沫风险
随着AI基础设施的扩张，关于“AI泡沫”的讨论也日益热烈。所谓泡沫，本质上是指资产价格远超其内在价值的经济现象。在AI领域，泡沫论的支持者指出了一系列警示信号：科技巨头在GPU等AI硬件上的过度投资、初创公司估值虚高、商业落地困难以及债务风险累积等 。例如，2022年至2024年间，AI芯片市场以年均超250%的增速扩张，高端GPU一度溢价2-3倍仍一卡难求 。这种恐慌性囤货与台积电等代工厂产能受限的供需失衡，共同将GPU价格推向巅峰，也为未来的市场调整埋下伏笔。
AI泡沫论的核心论点在于：当前AI投资的商业回报远低于资本预期，而GPU作为AI算力的核心载体，其折旧周期成为争议焦点。一方观点以部分投资机构和科技巨头为代表，他们认为GPU具有长期价值，其经济寿命可达6年，即使技术迭代，旧款GPU仍能持续产生可观的经济效益 。另一方则以知名“大空头”迈克尔·伯里为代表，他认为AI硬件迭代周期已压缩至2-3年，延长折旧不过是虚增利润的会计“戏法” 。伯里测算，2026-2028年间，仅几家科技巨头就可能通过延长GPU折旧周期虚增1760亿美元利润 。这种会计政策之争，折射出市场对AI投资真实回报率的深刻分歧。
GPU在AI基础设施建设中的角色变化也反映了行业热度的波动。在AI热潮初期，企业倾向于大量购置GPU硬件，形成了一种“囤积算力”的心态 。然而，随着市场趋于理性，企业开始从“拼参数规模”转向“提效率”，通过优化调度系统提升GPU利用率 。这种转变使得同量级的算力能够支持更多的AI应用，从而在一定程度上降低了GPU需求的增速。市场数据显示，2025年第三季度全球独立GPU出货量同比暴跌42%，创下近20年新低，曾经溢价热销的显卡纷纷回归甚至低于指导价 。这种市场降温被视为AI泡沫开始萎缩的信号。
AI泡沫论的另一个支撑点是商业落地的滞后性。许多AI企业沉迷于技术概念炒作，却未能找到可持续的盈利模式 。例如，一些所谓的“AI独角兽”公司，虽然融资额巨大，但实际营收仅能覆盖一小部分运营开销，最终因资金链断裂而陷入危机 。这种商业空转现象与2000年互联网泡沫时期有相似之处：资本追逐概念，而非切实的商业模式。当投资者意识到许多AI企业无法在合理时间内实现盈利时，市场信心可能迅速崩塌，引发连锁反应。
然而，对AI泡沫的简单化判断可能忽略了这个行业的特殊性和潜在价值。与前几次技术泡沫不同，AI已经在一些领域展现出显著的生产力提升效果 。例如，在医疗影像分析、工业质检、新药研发等领域，AI技术已经能够帮助专业人员提高工作效率和准确性。这些实际应用表明，AI并非完全虚幻的概念，而是具有实实在在的价值创造潜力。问题的关键不在于AI技术本身是否有价值，而在于市场是否过于急躁，对技术商业化的时间线估计得过于乐观。
GPU供需关系的变化也为AI泡沫讨论提供了新的视角。随着芯片制造工艺的进步和产能提升，GPU市场从“供不应求”逐步转向“供需平衡”，甚至可能出现局部过剩 。这种转变对GPU价格和厂商营收产生下行压力，进而影响整个AI产业链的利润分配。同时，云算力租赁模式的兴起，使中小企业能够按需获取算力，减少了对GPU硬件的直接采购需求 。这种模式提高了算力利用效率，但也降低了GPU的总体需求增速，进一步加剧了市场对产能过剩的担忧。

   
    
  
   
    
  
   
    
  

从更广阔的视角看，AI泡沫的讨论本质上反映了社会对技术变革速度的不同预期。技术乐观主义者认为，AI将引领新一轮产业革命，当前的投资是为未来必要基础设施的合理布局；而谨慎观察者则指出，技术成熟度和商业落地之间可能存在时间差，过度超前投资可能引发资本配置效率低下和金融风险 。这两种观点的碰撞，使市场对AI和GPU的前景判断出现显著分歧。正如一位行业专家所言：“没有哪个‘卖铲子’的人会告诉淘金者山里没有金子” 。作为AI硬件的主要供应商，GPU厂商自然有动力宣扬AI的广阔前景，而这与实际金矿的含金量并非完全一致。
泡沫的辩证观：GPU狂潮背后的价值重估
关于AI是否存在泡沫的辩论中，权威人士的观点呈现出鲜明的光谱分化。诺贝尔经济学奖得主迈克尔·斯宾塞提出“理性泡沫”概念，认为尽管AI投资存在过热现象，但这也是市场对技术潜力的一种正常反应。谷歌CEO桑达尔·皮查伊则更为谨慎，直言当前AI投资热潮中存在非理性成分，并警告若AI泡沫破裂，没有任何一家公司能独善其身。与此形成鲜明对比的是，头部GPU厂商的CEO黄仁勋在财报会议上高调宣称最新架构芯片“销量爆表”，直接驳斥“AI泡沫论”；而英伟达财报透露出强劲增长也展现出商业领域对当前局面的信心。这种观点分歧凸显了AI泡沫问题的复杂性。
支持“泡沫论”的一方提出了多项令人信服的证据。首先是以GPU为核心的AI硬件投资与实际商业回报之间的不匹配。到2025年上半年，全球1300家主要科技公司的有息债务已达1.35万亿美元，是10年前的3倍，其中负债权益比超过1的企业比例升至13.8%。这种债务累积与2000年互联网泡沫破裂前的情景有相似之处。其次，AI硬件迭代速度远快于实际需求增长，导致技术寿命与经济寿命的脱节。迈克尔·伯里等看空派认为，AI芯片的迭代周期已从过去的2年压缩至1年，今天部署的高端GPU，明年就可能被性能更强、能效更高的下一代产品淘汰。这种“一年一代”的节奏，让GPU的技术寿命被大幅压缩，难以支持6年折旧期的假设。
然而，反对“泡沫论”的一方则指出，当前AI热潮与历史上的技术泡沫有本质区别。首先，AI技术已经在一定范围内产生实际经济价值。例如，AI技术在内容推荐、广告投放、医疗影像分析等领域的应用已经显示出明显的效果提升。其次，市场对AI的投资更加集中于基础设施层面，而非简单的概念炒作。科技巨头将AI投资重点放在算力、算法和数据等基础要素上，这些投入即便在短期存在过度投资之嫌，但从长期看仍是数字经济发展的必要基础。联想CEO杨元庆也曾表示，AI不仅是大语言模型，更涉及计算机视觉、自动驾驶、工业自动化等多个领域，其普惠化和深入应用才刚刚开始。这种观点认为，当前投资是对未来必要基础设施的合理布局。
GPU在AI发展中的角色也面临着价值重估。随着行业理性回归，企业不再简单比拼“拥有多少GPU”，而是追求“每颗GPU创造多少价值”。这种转变推动AI产业从硬件内卷转向价值创造。2024年，某些专用AI芯片在特定场景的“每美元算力产出”达到通用GPU的2.3倍。专用芯片在医疗影像、工业质检等领域快速崛起，2024年专用ASIC芯片市场规模同比增长240%。这种多元化发展模式，让AI从“孤军突进”转向“生态共建”，为未来大规模商业化应用奠定基础。
针对AI泡沫的争论也折射出更深层的产业规律——“牧村波动”理论。该理论由日立公司总工程师牧村次夫提出，认为半导体产品未来可能将沿着“标准化”与“定制化”交替发展的路线前进，每十年波动一次。如果这一理论继续奏效，那么半导体行业在经历了AI芯片的“定制化”波峰后，下一个波峰可能是“超高灵活度集成的芯片”。这种周期性的波动意味着，当前AI和GPU的热潮可能只是技术发展长河中的一个阶段，而非终极形态。
对于普通投资者和公众而言，辨别AI泡沫真相的关键在于区分“基础设施投资”与“概念炒作”。真正的基础设施建设具有长期价值，如云计算中心、6G网络等，即使短期存在投资过热，但从长期看仍是数字经济发展的基石。而单纯的概念炒作则缺乏实际应用支撑，难以产生可持续的商业价值。当前的AI投资中，这两类项目混杂在一起，需要仔细甄别。一位分析师指出：“当一家企业需要靠延长折旧来维持利润增长时，其估值泡沫就已濒临破裂的边缘”。这种财务手段可能掩盖了真实的盈利能力。
如果AI泡沫真的破裂，可能会产生一系列连锁反应。首先，过度投资AI的科技巨头可能面临严重的财务压力，不得不大幅削减开支并进行重组。其次，依赖风险投资的AI初创公司将面临融资困难，可能导致一批公司破产清算。此外，GPU等AI硬件需求可能骤降，影响整个半导体产业链。对于普通公众，AI泡沫破裂可能通过养老金账户、就业市场等渠道产生影响。然而，与2000年互联网泡沫不同，当前AI技术已在诸多领域形成实质性应用，即使投资降温，也不太可能完全消失，而是回归理性轨道。
对于普通人而言，泡沫的破裂在短期内可能带来两种感知。一是我们日常使用的互联网服务中，那些华而不实的AI“噱头”功能会减少，市场会更聚焦于解决真实痛点的应用。二是就业市场可能经历一轮调整：与AI炒作直接相关的非核心岗位会减少，但同时，那些真正懂得如何利用AI工具提升各行业效率的“人机协同”型人才，价值会凸显。
更重要的是，即便经历资本泡沫的挤压，AI技术向前发展的浪潮也不会逆转，但它可能会转向更务实、更分散的路径。行业共识是，电力而非资金，正在成为AI发展的终极硬约束。训练大模型的能耗巨大，未来AI的布局将不得不与能源供给深度绑定。这意味着，投资热点可能会从单纯的算法和算力，部分转向能源基础设施、能效创新和全球电力资源布局。
从长远来看，AI技术的发展很可能不是线性上升，而是阶梯式前进。当前的大模型竞赛可能只AI技术发展的一个阶段，未来可能出现新的技术范式。GPU作为算力基础，其价值不会因短期波动而消失，但具体形态和商业模式可能不断调整。有互联网文章指出：泡沫破裂并非AI产业的终点，而是行业重构的开始。2025年下半年，市场逐渐显现出“去伪存真”的特征：那些真正具备技术实力与商业落地能力的企业开始脱颖而出，而单纯炒作概念的玩家被加速淘汰”。这种良性调整可能有助于行业健康发展。
尾声：超越情绪，回归价值
资本市场的情绪宣泄与AI技术的真实价值之间，存在一道深刻的裂隙。一方面，华尔街对AI的狂热推动着GPU厂商市值屡创新高，资本涌入AI领域的速度令人瞠目；另一方面，这种资本热潮往往忽略了一个基本事实——AI的价值不在于其概念的炫目，而在于其赋能普通人的实际能力。这种普惠性才是AI技术长期发展的根本动力。
GPU作为AI算力的核心载体，其本质是一种工具，而任何工具的价值都体现在它能够为人类解决什么问题。从历史维度看，真正革命性的技术如电力、互联网，最终都成功转化为大众可及的产品与服务，悄然融入日常生活底层，成为无处不在却隐而不见的基础设施。AI技术的终极目标也当如此——不是作为实验室中的珍奇或资本市场的炒作标的，而是成为赋能普通人的工具，帮助临床和制药行业更精准地诊断疾病，帮助学生更高效地自主学习，帮助艺术家更专注地表达创意。这种赋能可能不如大模型参数竞赛那样引人注目，却是AI技术可持续发展的根本所在。
当前AI发展中最值得警惕的倾向，是资本市场对技术的异化。当金融逻辑取代创新逻辑，当估值游戏掩盖真实价值创造，技术发展就可能偏离正常轨道。一家AI独角兽在成立仅6个月就获得巨额融资，却连基本的产品提成方案都未能确定；另一家公司所谓的“AI生成代码”实则由人工完成，烧光数亿美元后破产。这些案例表明，当资本过度追逐概念而非实质时，市场机制已经在一定程度上失灵。
AI技术的发展前景最终取决于它能否创造真实价值，而非仅仅在资本市场制造情绪性话题。与历史上的技术泡沫相比，AI已经展现出在多个领域的实际应用潜力。例如，在医疗领域，AI辅助诊断系统能够帮助医生提高早期病变检出率；在教育领域，自适应学习平台能够根据学生掌握情况动态调整教学内容；在环保领域，AI优化能源系统能够显著降低能耗消耗。这些应用可能不如通用人工智能那样引人遐想，却实实在在地改善着人们的生活质量。
GPU厂商的未来角色也需重新定位。随着AI从训练走向推理，从云端走向边缘，GPU的形态和商业模式也将多元化发展。在端侧设备上，低功耗、高效率的AI推理芯片将成为主流；在特定应用场景，专用AI芯片可能提供更优的性价比。这种多元化趋势有助于打破单一技术路线的垄断，形成更加健康竞争的生态。同时，开源软件和开放标准的发展，也将降低AI开发的门槛，使更多企业和开发者能够参与创新。
对于普通公众而言，面对AI泡沫的争论，保持理性态度至关重要。一方面，不必因泡沫风险而全盘否定AI技术的潜力；另一方面，也需警惕过度炒作带来的投资风险。AI技术的发展轨迹更可能是螺旋式上升，而非直线前进。当前的泡沫争论和可能的市场调整，都是技术成熟过程中的正常现象。正如一篇互联网文章所指出的：“泡沫破裂并非AI产业的终点，而是行业重构的开始”。这种重构可能痛苦，但有助于行业回归价值创造的本源。
在AI热潮中，GPU的故事提供了一个观察技术变革的重要窗口。从游戏图形处理器到AI算力核心，再到数字基础设施的关键组成部分，GPU的演变展示了技术创新如何因应用需求而不断进化。它的成功不仅在于硬件性能的提升，更在于它开启了一种并行计算的新范式，这种范式与人工智能时代的海量数据处理需求完美契合。当我们超越短期市场波动，从更长远的技术和商业视角看，GPU和AI的故事可能才刚刚翻开序幕。
（头图来源：豆包AI生成）