Ed Zitron 质疑生成式 AI 的经济账
原文标题：The Man Who Calls BS On AI: AI Is The World’s Greatest SCAM, And They All Know It! | Ed Zitron
原文链接：https://rss2.flightcast.com/xmsftuzjjykcmqwolaqn6mdn#flightcast_01m0zjxtqspbevy6x1t0ez7m9c
发布日期：2026-08-27
转录来源：查看原始转录或字幕
来源状态：已按完整节目转录复核；官方 RSS VTT 字幕；逐段核对官方 VTT 第 1—2553 段，00:00:00—02:26:54；RSS 音频时长 02:27:19，末尾相差约 25 秒；核对日期 2026-09-23。
Ed Zitron 反对把生成式 AI 的使用增长、资本开支和未来利润混为一谈。他承认模型在排查技术问题、编程、资料梳理等任务上有用，却认为这些用途尚不能证明投入数万亿美元的商业回报。主持人用自己的高频使用经验和技术进步反问。两人谈的是产业判断，节目没有拿出足以独立核验企业利润和未来市场走势的完整财务数据。
确定行动指南
核心建议
- 评价 AI 产品时，先说清任务与对照组。 主持人说 AI 已帮他完成不少工作，Zitron 则问：输出质量、人工复核时间和真实运行成本，与搜索、传统软件或人做同一任务相比究竟怎样？用过的人很多，与每项任务都值得付费，是两回事。
- 把模型能力、产品收入、产业投资分开核算。 Zitron 的批评主要针对当前大型语言模型及其商业模式，不针对自动驾驶、机器人、蛋白质结构预测等全部机器学习。他认为数据中心支出和模型调用需求被市场过度解读；这需要用分产品收入、算力成本、资本开支和可持续现金流检验，不能只凭下载量或融资额下结论。
- 把崩盘预测当成情景，不当成投资指令。 Zitron 预测部分 AI 企业可能无法负担持续的算力投入，并推演芯片公司收入骤降甚至更广的经济冲击。节目中的年份、亏损额、收入降幅与他持有现金的个人选择均未在访谈内得到独立核验，不能据此调整个人投资。
实施要点
- 若团队正在购买 AI 服务，可在同一批真实任务中记录完成率、错误或编造率、复核分钟数、隐私及服务风险、按量计费和订阅总价；按高风险与低风险任务分别决定是否采用。主持人提出模型错误率在下降，Zitron 则强调低频严重错误也可能让使用成本陡升，两者应由实际任务测试裁决。
- 看企业公告时，标明哪些收入来自终端客户，哪些依赖云平台和模型公司的相互采购或投资；同时检查电力、水、土地与基础设施成本由谁承担。这是核实他所谓“循环融资”的办法，但访谈本身不足以证明每一笔交易有问题。
- 遇到“AI 必然取代所有岗位”或“AI 完全无用”一类断言，先缩小到某项工作的产出、质量门槛和部署条件，再观察用工、工资和客户留存。双方都提供了例子，却没有给出整个劳动力市场的因果估计。
核心解析
关键机制
Zitron 的核心逻辑是：训练与推理持续消耗昂贵的硬件和电力；如果订阅价低于重度使用者的服务成本，单纯增加用户可能扩大亏损。他认为云服务商和模型公司之间的投资、采购及收入记录，容易把同一轮资本流转误看成来自最终客户的成熟需求。这一解释有分析价值，但访谈中引用的收入、亏损、GPU 采购份额等数字缺少统一口径和可审计材料，不能直接写成行业已经证实的事实。
主持人不断提出反例：自己愿意为工具付费；模型在不少任务上已经胜过过去的软件；即使仍会出错，它可以像人一样由流程复核；自动驾驶也说明 AI 能产生实物世界的价值。Zitron 并未否认这些例子，而是把问题拉回“价值有多大、谁能盈利、犯错的责任由谁承担”。他还质疑用模型的表面流畅度推断它理解了世界，并反对把关于未来超级智能的恐惧与当前产品的真实能力混在一起。主持人的回答则是，技术改善速度和新用途也可能超过他用现有成本算出的上限。节目没有解决未来成本曲线之争。
他谈到自己和编辑 Matt Hughes 的协作：稿件要经过查资料、理解上下文、反复修改；即使 AI 可以辅助定位信息，也替代不了编辑间相互质询所形成的判断。访谈结尾转向人的同事、关系与被需要感，这解释了他为何把“哪些工作可以被替代”看成社会问题，而不只是软件采购问题。
共识发现
两人都承认现有 AI 在部分任务上有实际用途，也承认模型会犯错，需要问清应用条件。真正分歧是这些用途能否负担目前的建设成本，及未来性能提升会怎样改变答案。节目没有证成标题里的“骗局”是一项法律或事实认定；那是嘉宾的尖锐评价。
深入视角
不确定区域
单次访谈无法验证企业未披露的单位经济、各云平台的实际算力利用率或未来价格。Zitron 对 OpenAI 倒闭时间、英伟达收入降幅和经济衰退的预测是明确但尚未发生的情景；主持人提及的模型错误率或自动驾驶安全改善，也需要明确测试集、路况与对照数据才可外推。节目没有提供足够资料验证这些总体数值。
思维扩展
技术有用，与一条产业投资路径最终盈利，可以同时一真一假。这个区分也适用于健康和可穿戴产品：一个功能在演示或小样本里表现良好，仍需回答长期准确度、使用者是否持续受益、复核与硬件成本，以及错误由谁承担。它不能从 AI 热度中自动获得医学可靠性。
个性化考量
个人可以按具体任务试用、保留来源核查和人工决策；对医疗、财务等高后果场景，提高证据要求。若考虑 AI 相关投资，另用可靠披露与自身风险承受能力分析。本期既不是临床建议，也不是投资研究报告。