2025 年最值得做的技术判断可能不是选哪款模型而是回答一个更旧的问题AI 到底是不是泡沫。这个问题之所以难是因为它不能靠一个二值结论糊弄过去。历史上每一场基础设施泡沫都同时包含两个事实技术是真的估值是假的长期回报是真的短期资本配置是错的。在所有历史参照系里铁路泡沫和当下 AI 热的结构最接近。19 世纪 40 年代的英国铁路狂热、19 世纪下半叶的美国铁路大扩张和 2025 年各大云厂商的 AI 数据中心军备竞赛基本是同一套剧本真实生产力突破、巨额资本涌入、基础设施先于需求被批量建设、同质化供给过剩、最后在恐慌中分成骨干和废线两种命运。这篇文章先把铁路泡沫的完整周期拆开再用同一套标尺去量 2025 年 AI 的资本开支、估值、算力供给和真实需求最后把话题落回工程师团队能实际执行的事情上成本怎么核算、算力利用率怎么看、模型要不要做路由切换、泡沫破裂的信号出现时应该如何收缩。不看叙事只看数据这和我们在本地部署模型时坚持做 benchmark 是同一个逻辑。1. 为什么要把铁路和 AI 放在一起比把两个相隔两百年的行业放在一起不是因为它们都是改变世界的大发明而是因为它们在资本结构上属于同一类高前期投入、长回收周期、需求滞后于供给的基础设施型技术。修铁路要先买地、铺轨、建站资金砸下去之后要等货运和客运需求慢慢起来才能开始回收。AI 也是同样的模式训练一个大模型要先买 GPU、建数据中心、签电力协议模型上线后要等企业客户把工作流真正改造完API 调用量才会爬坡。这个投入在前、收入在后的时间差就是泡沫产生的温床也是把两种很不一样的技术拉到同一张桌面上比较的根本原因。还有一个容易被忽视的相似点铁路和 AI 在狂热期都被认为绝对不会过剩。1845 年的英国投资者认为每一条铁路都有足够的客货流2025 年的投资者认为每一块 GPU 都能被训练和推理需求吃掉。事实证明真实需求确实存在但短期内的供给速度远超需求消化速度。于是泡沫从供需错配开始到叙事定价加速最后在资本收紧时以价格重估收场。这条路径在铁路历史上已经完整走过一遍现在大概率正在 AI 行业重演。2. 铁路泡沫复盘基础设施狂热的完整生命周期2.1 狂热是从哪里开始的英国铁路狂热的高峰集中在 1845 到 1846 年。当时蒸汽机车已经证明了自己能稳定运输人员和货物铁路的盈利能力也出现了真实样本比如利物浦到曼彻斯特铁路开通后表现优异。真实盈利是泡沫最重要的燃料没有它泡沫根本撑不到狂热阶段。随后资本大量涌入新线路的招股书满天飞同一段路线出现多家公司同时申请很多线路的盈利预测建立在双向运量逐年翻倍这类乐观假设上甚至完全不考虑旁边已经在运营的平行线路。市场不关心建设成本是否合理只关心下一条线是不是也能赚钱。到 1845 年底英国议会积压的铁路法案数量爆炸式增长大量资本涌入一个实际建设周期需要数年、需求验证还遥遥无期的行业。2.2 崩盘之后发生了什么泡沫顶部通常缺乏一个明确的万箭齐发时刻。1845 年下半年到 1846 年铁路股先是滞涨然后连续阴跌紧接着融资链条断裂大量中小铁路公司破产。崩盘后相当一部分规划线路被取消已经动工的线路被迫停工幸存下来的是那些连接真正经济枢纽、具备稳定运量的骨干干线。美国的情况更复杂。19 世纪后半叶的铁路建设依赖联邦土地授让、州政府补贴和大量债券融资线路严重重复建设多个互相竞争的铁路公司沿着同一走廊铺线。每隔一段时间就会出现一轮破产潮1873 年和 1893 年的经济恐慌都和铁路过度投资深度相关。但恐慌之后运营良好的干线被整合进更大的铁路网络整个国家的物流成本系统性下降。铁路最终成为经济的基础设施但绝大多数早期投资者没有活到那一天。2.3 铁路泡沫真正留下的东西复盘铁路泡沫能沉淀出一个非常干净的结论技术是真实的行业是长期的但大部分中间资本的配置是错误的。修出来的铁路网不是骗局它是后来所有工业化业态的地基而泡沫期间的损失也真实存在浪费集中在重复线路、过度融资和低于真实回报率的边缘项目上。对今天的 AI 判断来说这条结论意味着两件事。第一AI 有长期价值与当前估值合理是两个可以被同时成立的事实用长期价值否定泡沫存在是逻辑错误。第二泡沫破裂不一定会摧毁核心技术但一定会摧毁边缘产能。最后活下来的大概率是那些连接真实需求、具备成本优势的骨干设施无论它叫干线铁路还是万卡集群。3. 2025 年的 AI 泡沫观察指标看数据不看叙事很多人争论 AI 是不是泡沫争论的却是谁家的演示视频更惊艳哪家大模型又发表了论文。这些不是泡沫的度量指标。要判断泡沫应该看资本、收入、成本和定价四类数据。3.1 资本开支供给侧已经跑步进场2025 年最硬的事实是资本开支。微软、谷歌、亚马逊、Meta 四家云厂商的 AI 相关年度资本开支合计达到数千亿美元的级别市场普遍估计在 3000 亿美元以上的量级。数据中心建设周期长、电力配套受限、GPU 交付排队这些都是典型的供给周期长于需求周期特征。和铁路一样当供给方在短时间内集中投建同类产能时行业大概率会经历从紧缺到过剩的钟摆。2024 年大家还能讲算力荒的故事到了 2025 年算力租赁价格已经出现明显松动部分 GPU 云平台的价格远低于高峰水平。这不是需求消失而是供给增长太快边际定价开始回落。3.2 收入与成本用量在涨单价在跌AI 的收入端其实在增长这是它和纯概念泡沫的本质区别。云厂商在财报里不断披露 AI 业务的收入增速企业级 AI 产品的付费用户数也在涨。但成本端同样在剧烈变化推理 token 的价格被不断压缩开源权重模型把闭源 API 的能力差距抹平了一大截新一代旗舰模型的单位推理成本在下降。这里要警惕一个健康现象和一个危险现象。健康的是价格下降、用量快速上升说明需求是被真实成本驱动放大的危险的是价格下降、用量停滞说明竞争加剧但总需求没有跟上。2023 年到现在我们看到的是前者但趋势是否持续要看企业是否把 AI 从试用功能变成核心工作流。3.3 估值与融资叙事的溢价有多高第三组指标是估值。英伟达在 2025 年多次刷新大型科技公司市值纪录OpenAI 一轮又一轮融资后估值维持在千亿美元级别以上Anthropic 也紧随其后。这些数字本身不意味着泡沫但如果一家公司的估值远远跑在收入和利润前面那么它必须持续用高速收入增长来填平估值缺口。更大的风险在应用层。大量创业公司靠调用大模型 API 做上层产品产品壁垒不足、同质化严重、获客成本居高不下AI 前缀溢价本质上是叙事溢价。一旦资本市场对 AI 叙事的信心松动第一批死掉的就是这类依靠融资续命、现金流为负的边缘公司。这和铁路狂热里大量只有招股书、没有稳定运量的线路公司几乎是同一个宿命。4. 相似点这是同一类基础设施先行泡沫把铁路和 AI 放在同一张表里相似度相当高维度铁路泡沫2025 AI 泡沫技术真实性蒸汽机车真实提升了运输效率深度学习真实提升了自动化与生成能力资本来源股票、债券、政府土地授让股权融资、云厂商经营现金流、长期算力合约供给周期数年才能完成轨道建设数据中心和芯片产能周期以年计算需求判断基于远期客货运量外推基于远期推理 token 用量外推同质化竞争多条平行线路抢同一走廊多个大模型和 GPU 云平台抢同一批客户崩盘结果骨干线路保留边缘线路废弃骨干算力保留边缘产能被整合或关停这张表的核心含义是AI 不是史上最大泡沫AI 是史上最新一轮基础设施泡沫。它和铁路具备相同的风险结构但也会因为数字产业自身的特性而表现得不同。5. 关键不同点为什么 AI 泡沫可能比铁路更软着陆如果只知道相似就会犯守着历史刻舟求剑的错误。AI 和铁路至少有四个本质差异这些差异决定了崩盘方式的温和程度。5.1 边际成本接近零铁路是物理资产一条线路的运力是固定的要增加运量必须继续投入轨道和车辆。AI 的边际成本完全不同模型权重可以近乎零成本复制一次训练完成后部署一万个副本和部署一个副本相比边际成本只在于 GPU 算力和电费。这意味着 AI 的生产力不会像铁路那样被物理容量锁死需求的增长更容易被现有基础设施消化。5.2 算力是可以复用的铁路轨道只能跑火车不能跑汽车不能跑轮船。GPU 集群则是通用算力今天训练模型明天跑推理后天做科学计算任务类型可以灵活切换。如果某个公司的模型在竞争中落败它手里的 GPU 不会变成废铁而是可以转成推理服务或出租给其他团队。这种可复用性大幅降低了基础设施泡沫破裂时的沉没成本。5.3 开源生态提供了系统级的稳定器铁路狂热里没有开源铁轨这一说法。而 AI 行业存在大量开源权重模型比如 Llama、Qwen、DeepSeek 等系列持续拉低整体成本。开源生态意味着即使头部闭源公司遭遇重大挫折整个行业仍然保留着一套可用的技术底座。这种去中心化备份让 AI 行业的系统性风险明显小于铁路行业。5.4 资产负债表结构不同铁路狂热大量依赖杠杆很多铁路公司的资本金极度稀释债务水平高得离谱一旦融资中断就整体破产。2025 年 AI 投资的主体是账上现金流极其充裕的云厂商资本开支虽然大但多数来自经营现金流而不是靠新增高息债务。模型创业公司的融资虽然也依赖市场情绪但整体杠杆率远低于 19 世纪的铁路公司。因此泡沫即便破裂大概率是资产价格重估和局部破产而不是系统性金融连锁反应。6. 最容易炸的地方估值、同质化应用与算力过剩前面的不同点不意味着 AI 没有危险区。最容易出问题的环节集中在三处。第一是私人 AI 公司的估值与基本面之间的缺口。OpenAI 和 Anthropic 的收入增速确实很快但估值是按数年后成为超大平台公司来定价的。只要有一天云厂商或开源模型展现出更强的替代性资本就会用脚投票。高估值模型需要连续不断的故事和增长来维持一旦业绩披露低于预期估值下修可能是快速的。第二是同质化应用层的死亡竞赛。套壳应用的问题不是用了别人的模型而是没有形成模型之外的壁垒。真正的护城河来自工作流集成、私有数据沉淀、评估体系、渠道关系和合规能力。那些只把 API 包了一层 UI 的应用在 model 能力快速升级、API 价格快速下探的背景下连存量客户都留不住。第三是算力过剩的传导机制。如果长期算力合约在行业下行期被客户大量违约GPU 云平台会面临价格和出租率的双重压力进而传导到数据中心运营方和设备供应商。这个链条在 2024 到 2025 年看起来牢不可破是因为需求还处于高速增长阶段一旦需求增速降档边际供给过剩就会以极快的速度暴露。泡沫破裂不是AI 没了而是边际玩家没了。理解这一点就能理解为什么接下来的工程决策非常重要。7. 工程师视角在泡沫周期里做技术决策泡沫判断听起来是宏观话题但它会直接影响每一个技术团队的具体选择买卡还是租卡、用闭源还是开源、要不要预先锁定一年算力合同。下面这套最小观测系统是每个团队都可以在现有业务上快速搭建的。7.1 成本核算把 token 成本算到每百万很多团队对模型成本的理解停留在账单很贵这种程度。正确做法是把推理成本拆解到每百万 token并纳入 GPU 利用率和每天调用量两个变量。def estimate_inference_cost( tokens_per_second: float, gpu_cost_per_hour_usd: float, gpu_utilization: float, margin: float 1.0, ) - float: 估算单次推理的每百万 token 成本美元仅供参考。 seconds_per_token 1.0 / max(tokens_per_second, 1e-6) cost_per_token ( gpu_cost_per_hour_usd / 3600 * seconds_per_token / max(gpu_utilization, 0.01) * margin ) return round(cost_per_token * 1_000_000, 4) # 示例数值仅用于演示计算逻辑 # 单卡输出 50 token/s每小时成本 3 美元利用率 60% print(estimate_inference_cost(50, 3.0, 0.6))这个脚本的价值不在于精确而在于让团队形成成本敏感性。把同样的口径扩展到每天的调用峰值就能算出英伟达涨多少我们才扛不住开源模型部署到内部之后能省多少这类具体问题。无论 AI 是不是泡沫单位成本曲线下降的情况下做这种测算都不会后悔。7.2 算力集群观察先看 GPU 利用率如果团队已经部署了本地推理或训练环境第一步不是优化模型而是先搞清楚 GPU 的真实利用率。下面这条命令每 5 秒刷新一次利用率、显存、温度和功耗适合快速判断集群是否被业务充分使用。watch -n 5 nvidia-smi \ --query-gpuindex,utilization.gpu,memory.used,temperature.gpu,power.draw \ --formatcsv如果你的 GPU 利用率长期低于 30%那么问题很可能不在模型而在于数据加载、推理批大小、请求并发和服务端吞吐设计。在泡沫周期里这可能意味着你根本不需要追加算力采购先把现有资源榨干再谈扩容。这个逻辑放在铁路里叫先提高现有线路的周转率再修新线。7.3 模型路由与降级配置泡沫周期最需要的工程能力是可切换性。不要在代码里把供应商写死而是把模型调用收口到一个路由网关配置好主路和降级路径。# model-router.yaml 示例需按团队实际网关调整 routes: - name: default provider: openai_compatible endpoint: https://api.internal.example.com/v1 model: reason-small max_tokens: 4096 budget_per_1m_tokens: 10 priority: 1 - name: local_fallback provider: vllm endpoint: http://127.0.0.1:8000/v1 model: open-weight-7b max_tokens: 4096 budget_per_1m_tokens: 0.5 priority: 2 fallback: true timeout_seconds: 30主 API 超时或成本超预算时自动切换到本地开源模型这既是一种容灾也是一种价格谈判筹码。铁路狂热中生存下来的公司往往是那些在运营上灵活、能随需求调整线路的公司AI 时代对应的就是能随 API 价格浮动切换模型的团队。7.4 效果与成本双验收清单新模型上线前不能只看演示效果要同时做成本验收。给团队留下一张稳定的验收表验证项通过标准关注指标基础生成效果在固定评测集上不比旧模型差准确率、格式正确率长文本与多轮稳定性上下文窗口拉长后不丢失关键信息召回率、回答偏离度推理延迟与吞吐满足接口 SLAP95 延迟、QPS单位成本成本不超预算每百万 token 成本切换成本从 A 换到 B 不需要重写业务代码路由层抽象度、迁移工时合规与隐私外部 API 数据脱敏、授权确认数据出境策略、日志脱敏把能不能用和用得起、换得起分开评估是泡沫周期里团队自保的最小动作。尤其要注意把企业内部敏感数据送进任何外部 API 之前先做脱敏和授权确认涉及人脸、声音、版权素材的生成任务必须有明确的授权链这既是合规底线也是避免业务被一票否决的前提。8. 泡沫破裂的信号清单什么信号出现就该准备收缩工程师不需要预测泡沫顶部但需要识别趋势反转的早期信号。下面的信号在铁路泡沫的历史里都有对应版本可以当作团队的早期预警指标信号含义应对方向云厂商 AI 收入增速连续多个季度低于资本开支增速投入没有转化为增量收入收紧新增算力采购压缩测试性任务推理 token 价格持续下降但总用量增速放缓需求接近阶段饱和开始优化运营成本而非追求规模开源模型能力迭代速度明显放缓或被政策限制行业整体加速度下降重新评估自研 vs 外购策略数据中心出租率下降、二手 GPU 价格大幅下跌供给过剩进入价格战推迟长期算力合约改用弹性服务头部 AI 公司融资难度上升或估值回调资本环境转向准备好降级方案和核心功能精简企业内部 AI 项目 POC 多、生产级落地少需求停留在试点收缩非核心试点聚焦高 ROI 场景这些信号不能孤立看。比如价格下降用量上升是健康信号价格下降用量下滑才是危险信号。最好的方法是每季度把这些指标汇总一次形成一张类似 benchmark 报告的趋势表。用数据判断而不是用新闻标题判断。9. 历史给今天的实用教训铁路泡沫留给今天的教训可以压缩成三条每一句都可以直接翻译成技术团队的行动准则。第一基础设施最终会赢但大部分参与其中的资本和公司会输。不要因为长期看好 AI就忽略短期估值风险。对工程师个人来说这意味着持续投资自己在模型评估、推理优化、数据工程、系统设计上的技能这些技能在泡沫破裂后依然有极高价值。第二真正留下来的是骨干网络和基于网络的生态。铁路留下的是横跨大陆的干线网络和依托物流展开的经济形态AI 留下的将是能够持续提供高质量推理的基础模型、高效推理引擎以及建立在模型之上的企业级工作流。如果团队只在 API 包装层做事一定要确定自己有数据或渠道壁垒。第三泡沫破裂期是强势方整合资源的最佳窗口。铁路崩盘后摩根财团等强势资本以极低价格整合了大量破产铁路资产把碎片化的线路合并成高效网络。AI 行业下一次洗牌时拥有健康现金流、稳定客户和评估体系的团队会以更低的成本获得人才、算力和市场空间。行业下行不是所有人的灾难而是资产负债表健康者的机会。10. 总结技术是真的估值是另一回事铁路泡沫和 AI 泡沫放在一起看最能说明问题的不是哪个更大而是泡沫的内部机制几乎一致真实技术、巨额资本、滞后需求、同质化供给、叙事定价最后按现金流重新定价。铁路留下的网络改变了世界AI 也很可能留下一个重构了生产力流程的智能基础设施层。但这两件事都不妨碍中间出现剧烈估值波动。对技术团队来说最稳妥的姿势不是清仓离场也不是满仓梭哈而是建立一套基于数据的观测系统算清楚单位 token 成本、监控 GPU 利用率、抽象模型路由层、每季度做一次效果和成本双验收同时持续关注资本开支与收入的剪刀差信号。做好了这些无论泡沫是否破裂你手里的牌都不会太差。这篇文章可以把铁路泡沫当作一枚镜子而不是预言。AI 的终局大概率不是泡沫破裂、技术消失而是泡沫破裂、技术留下、定价重新匹配真实需求。到那时能活下来的不是喊得最大声的而是把单位成本、利用率和切换能力做得最扎实的团队。建议收藏备用下次再看到史诗级泡沫或者AI 永不灭的标题时回到这篇文章里把数据重新算一遍。