编者按：在 AI 投资与产业叙事持续升温的背景下，是否存在泡沫已成为市场反复讨论的核心问题。一方面，极端风险叙事不断强化人们对技术失控的担忧；另一方面，快速扩张的资本开支与估值水平，也让泡沫论始终挥之不去。在这种分歧之下，市场判断呈现出明显的不确定性。
本文作者 Ben Thompson 是科技分析平台 Stratechery 的创始人，长期关注科技产业结构与商业模式演进。在英伟达 GTC 2026 召开之际，他修正了此前对AI 是否处于泡沫之中的判断：不再将当前视为泡沫，而是将其理解为一轮由技术范式变化驱动的结构性增长。
这一判断，建立在对 LLM 三次关键跃迁的观察之上。自 2022 年 ChatGPT 首次向市场展示大语言模型能力以来，LLM 已从可用但不可靠，发展到具备推理能力，再到能够独立执行任务。尤其在 2025 年底，随着 Anthropic Opus 4.5 与 OpenAI GPT-5.2-Codex 的发布，agentic 工作负载开始从概念走向现实。
其中，关键不在模型本身，而在agent harness的出现。Agent 将用户与模型解耦，负责调度模型、调用工具并验证结果，使 AI 从需要人为持续干预的工具，转变为可以托付任务的执行系统。这一变化不仅提升了可靠性，也拓展了 AI 的应用边界。
基于这一范式转变，作者进一步指出，AI 需求的扩张不再取决于用户规模，而更多取决于单位用户的调度能力；同时，agentic 工作负载具备赢家通吃的特征，将持续推高对高性能算力的需求，并为芯片厂商与云服务提供商带来结构性机会。
在这一框架下，当前的大规模资本开支不再只是对未来的投机性押注，而更可能是对真实需求的前置反映。随着 AI 从辅助工具走向执行基础设施，其经济影响，或许才刚刚开始显现。
以下为原文：
过去，我更倾向于后者，甚至认为，泡沫在某些阶段未必是坏事。
但此刻，站在 2026 年 3 月、英伟达 GTC 开幕之际，我的判断发生了变化：这未必是泡沫。（而具有讽刺意味的是，这一判断本身，可能恰恰正是泡沫的信号。）
LLM 的三次范式跃迁
过去几周，我在讨论英伟达和甲骨文财报时，多次提到 LLM 已经历三次关键跃迁。
第一阶段：ChatGPT
第一个拐点是 2022 年 11 月 ChatGPT 的发布，这几乎无需赘述。尽管基于 Transformer 的大语言模型早在 2017 年就已出现，能力也在持续提升，但长期被低估。甚至在 2022 年 10 月，我在 Stratechery 的访谈中还认为，这项技术虽惊人，却缺乏产品化与创业动能。
但几周之后，一切彻底反转。ChatGPT 让世界第一次真正意识到 LLM 的能力。
不过，早期版本也留下了两个深刻印象，尤其被泡沫论者反复提及：
第一，模型经常出错，甚至在不知道答案时会幻觉式编造。这让它更像一种炫技工具，惊艳但不可靠。
第二，即便如此它仍然非常有用，但前提是你必须知道如何使用，并且需要不断校验输出、纠正错误。
第二阶段：o1
第二个拐点是 2024 年 9 月 OpenAI 发布的 o1 模型。当时，LLM 已因更强的基础模型与后训练技术而显著进步，输出更准确、幻觉更少。
但 o1 的关键突破在于：它会先思考，再回答。
传统 LLM 是路径依赖的，一旦在推理过程中走错，就会一路错到底。这是自回归模型的根本弱点。而推理模型会对答案进行自我评估，它会先生成答案，再判断是否正确，必要时尝试其他路径。
这意味着，模型开始主动管理错误，减少用户干预负担。结果也非常显著。如果说 ChatGPT 的突破在于让 LLM 可用，那么 o1 的突破在于让 LLM 可靠。
第三阶段：Agent（Opus 4.5 / Codex）
2025 年底，第三次跃迁出现。
2025 年 11 月，Anthropic 发布 Opus 4.5，起初反响平平。但到了 12 月，搭载该模型的 Claude Code 突然展现出前所未有的能力；几乎同时，OpenAI 发布 GPT-5.2-Codex，也表现出类似水平。
人们此前一直在谈Agent，但在这一刻，它们终于开始真正完成任务，甚至是需要数小时的复杂任务，而且是正确完成。
关键不在模型本身，而在控制层（harness），也就是调度模型、调用工具、执行流程的软件层。换句话说，用户不再直接操作模型，而是下达目标，由 Agent 调度模型、调用工具、执行流程并验证结果。
以编程为例：
·第一阶段：模型生成代码
·第二阶段：模型在生成过程中进行推理
·第三阶段：Agent 生成代码 → 执行测试 → 自动运行测试 → 错了就重来，用户无需持续介入。
这意味着，ChatGPT 时代的核心缺陷正在被系统性解决，更高的正确率、更强的推理能力、自动验证机制。
唯一剩下的问题是：到底该用它做什么？
主动性的门槛在下降
我之所以反复强调这三个拐点，是为了说明为什么整个行业正在严重缺算力，以及为什么超大规模资本开支是合理的。
三种范式，对算力需求完全不同：
·第一阶段：训练耗算力，但推理成本较低
·第二阶段：推理成本暴涨（更多 token + 更高使用频率）
·第三阶段（Agent）：多次调用推理模型、Agent 本身也消耗算力（甚至偏向 CPU）、使用频率进一步爆炸
但更重要的是第三点：需求结构的变化被严重低估。
目前，使用聊天机器人的人远多于使用 Agent 的人，而且很多人其实并没有充分使用 AI。原因在于使用 AI 需要主动性。LLM 是工具，它没有目标、没有意志，只能被主动调用。
但 Agent 改变了这一点，它降低了对人类主动性的要求。未来，一个人可以同时指挥多个 Agent。
这意味着，即使只有少数人具备主动性，也足以带动巨大算力需求与经济产出。
AI 仍然需要人来驱动，但不再需要很多人。
企业的付费驱动力
消费端对 AI 的付费意愿有限，这一点已经逐渐清晰。真正愿意为生产力买单的，是企业。
企业最兴奋的，不只是 AI 提升效率，而是 AI 可以替代人力，并且更高效。
目前的现实情况是，大公司里真正推动业务向前的，往往是少数人；但组织却很庞大，带来大量协调成本。Agent 的作用，是将推动价值的人的影响力放大，同时减少组织摩擦。
结果就是更少的人 → 更高的产出 → 更低的成本。这也是为什么，未来的裁员，很可能不只是周期调整，而是结构变化。
公司会重新思考，不仅思考是否疫情时期招多了人，还会思考在 AI 时代，我们是否本就不需要这么多人？
这为什么不是泡沫？
从这个角度看，不是泡沫的逻辑就比较清楚了：
1.LLM 的核心缺陷正在被算力与架构持续解决
2. 驱动需求的人数门槛正在下降
3.Agent 带来的收益，不只是降本，更是增收
因此，不难理解为什么所有云厂商都在说，算力供不应求，并持续大幅增加资本开支。
Agent 与价值链重构
另一个关键问题是，如果模型最终商品化，OpenAI 和 Anthropic 还能赚钱吗？
传统观点认为不会，但 Agent 改变了这一点。关键在于，真正的价值不在模型本身，而在模型 + 控制系统的整合。
利润往往流向整合层，而非可替代的模块。就像苹果，它的硬件之所以不被商品化，是因为与软件深度整合。同理，Agent 需要模型与 harness 的深度协同，这使得 OpenAI 和 Anthropic 成为价值链中的关键整合者，而非可替代的一环。
微软的转变就是一个信号，它原本强调模型可替换，但在推出真正的 Agent 产品后，不得不放弃这一点。
这意味着模型未必会彻底商品化，因为 Agent 需要一体化能力。
最后的悖论
我必须回到开头的那个悖论。
我一直认为，只要大家还在担心泡沫，那就还不是泡沫；真正的泡沫，是没人再质疑它的时候。
而现在，我的结论是：这不是泡沫。
但如果我说这不是泡沫本身，反而证明它是泡沫，那也只能如此了。
