【文/观察者网专栏作者 顾嘉时】

一段时间以来，全球AI和半导体板块持续受到全球市场追捧。尽管相关股价、指数上上下下，但英伟达、台积电、博通、美光等一众AI产业链核心公司的总体市值仍在不断推高。AI浪潮所催生的巨大红利，也让市场开始争论一个老问题：这轮由算力、芯片、存储和数据中心投资推动的AI行情，到底是不是泡沫？

市场的摇摆也许恰恰说明，AI行情并非没有真实的产业基础，但围绕AI的讨论不应只停留在“有没有泡沫”。更值得追问的是：当AI红利首先集中于少数产业链节点时，它会不会进一步强化企业、行业与劳动者之间的分化，并成为K型经济的新因素？

AI的能力天花板受限于使用者本人

AI是放大器，不是增高器。

总的来说，AI更擅长放大使用者已经存在的知识、经验和流程，对于问题定位不清、信息不足、流程模糊的复杂任务，AI工具再强，也很难替使用者补上关键的专业判断。所以AI的产出天花板，很大程度上限制在使用AI的人自己身上。

某龙头AI大模型提供商的一项基于约40万条AI交互会话的研究发现，按其模型推断为“专家”级的会话，每条提示平均触发约12次动作、生成约3200词；“新手”级会话约为5次动作、600词。它至少说明，在复杂编程代理任务中，用户经验与AI调用深度、任务复杂度和完成质量存在显著正相关性。

以搭一个实际项目为例，要让AI做出真正有用的东西，至少要满足三项条件。

第一，清晰界定需求。需求没想清楚，AI只能边猜边做，猜对是运气，猜偏可能是常态。

第二，提供充足的上下文。AI掌握的是通用知识，并不了解使用者的具体情境，如果不提供详细的背景资料、真实的业务数据，AI大概率只能产出看起来没什么错误、实际上几乎无用的成果。

第三，检查产出。AI做出来的东西，看起来像模像样，但是准不准、对不对，还得需要专业的人仔细核对，而核对本身非常需要专家的经验。

以上三个环节，AI可以参与协助，但在目前的实际应用中，最终判断和责任仍主要由人承担。

我们再从技术的角度看，现在的大模型，多采用一种叫作MoE（混合专家）的架构，我们可以把它理解成一所有很多专科的大医院：模型内部有大量分工不同的“专家”，每次回答问题，只激活其中最对口的科室出诊，而不是全院出动，从而控制成本、提高效率。

混合专家模型架构图 CSDN

而能否准确激活最对症的科室，则取决于使用者描述问题的质量。就像分诊台根据病人描述的症状自动分流：描述越精准，越能分到对症的科室，得到合适的治疗；描述含糊，可能被分到不太对症的科室，治疗效果也就差强人意。因此，如果使用者无法向AI问出高质量的问题，也就很难获得高质量的答案。

如果我们简单地将AI视为无所不能、无限赋能的工具，可能既高估了AI的能力边界，甚至带来对AI在真实商业场景中的使用价值和经济回报的盲目乐观。

提效却不一定更赚钱

前文讲到，AI的产出受限于使用者本身，但即便假设使用者的上限够高、使用AI的产出效率确实提升了，其效率并不一定等于效益。

以电商网店为例，现在网店普遍引入AI客服来承担售前咨询和售后服务，消费者打客服电话接听的往往是AI。AI经过合理训练，确实能胜任这份工作，客服效率是实打实提高了。但引入AI客服，不会必然带来新客户，也不会必然带来销售增长，客服效率提升可以改善转化、复购和服务体验，但未必足以带来与效率提升相匹配的新增收入。而AI客服则可能减少新增招聘、压缩外包需求，或让同等规模的客服团队承担更多工作量，省下的人力如果没有转岗，大概率会被裁员。

当各行各业都在引入AI提效，更大范围的人力资源释放也在同步发生。更关键的问题在于，被裁掉的人能往哪里去。过去的经验里，裁员并不一定等于失业，因为经济中有一个隐形的就业蓄水池，就是门槛不高、人力密集的中低端服务业。但AI替代的岗位，往往集中在这个蓄水池里。

国际商业研究与咨询机构Forrester预计，到2030年，美国当前客服岗位中约49%可能因AI应用而消失或被重构。希思罗机场部署的AI助手Hallie则披露，约90%的在线聊天问题无需转人工即可解决。翻译、内容审核、数据录入，这些规则化、可重复的岗位，往往是AI最先能够实现替代或显著压缩人力投入的领域。

知名未来学者伯纳德·马尔（Bernard Marr）（左）采访希思罗机场的相关工作人员，了解其AI助手Hallie的相关情况。 视频截图

如果被裁掉的人没有找到合适的工作，收入大幅下降，则会进一步减少消费。一个行业的裁员，通过消费链条传导到其他行业，循环往复：AI提效有可能通过失业增加、收入预期走弱、消费减少等渠道，对总需求形成压力，这必须是提前防范的一种风险。