揭穿 AI 骗局的人：AI 是世界上最大的骗局，他们全都心知肚明！| Ed Zitron

Ed Zitron 的核心指控是，生成式 AI 被包装得远比实际能力和财务成熟度更强。他称其为一场“骗局”，并指出有人宣称 AI 会取代所有工作、治愈癌症、改变整个工作世界；但他把这些产品描述为成本高、可靠性不足的云软件。主持人质疑这个标签是否过于严厉，指出自己此前没遇到过表达如此直接观点的嘉宾。Zitron 以自己在科技行业 16 年的经历作为依据，并表示他反对的不是技术本身，而是被误导。他的措辞刻意强烈；访谈呈现的是他的判断，并非法律意义上的欺诈认定。

他的财务论点是，基础设施热潮依赖少数几家不盈利的 AI 公司以及循环流动的资金。Zitron 称 OpenAI 前一年亏损 209 亿美元，并表示在大型科技公司的 AI 收入中，OpenAI 和 Anthropic 占了 70%；云服务商也在投资这些公司，同时又成为它们的客户。他引用了大额融资和支出承诺，并称科技公司没有清晰披露 AI 收入，使用的“年化运行率”等数字也没有明确的定义。这些都是访谈中提出的具体说法；该段没有提供底层财报，也未解释收入计算方法，因此应当视作 Zitron 的说法，而不是经过独立核验的数字。

为了让支出规模更具体，Zitron 描述了 OpenAI 与 Oracle 在德克萨斯州阿比林计划建设的数据中心：总功率 1.2 吉瓦，八栋建筑预计每栋安装 50,000 块 NVIDIA GB200 GPU。他将其电力需求和占地面积与布里斯托尔作比较，认为大量能源、资金和劳动力都被集中在一处。他说大型科技公司已在资本支出上花费超过一万亿美元，并计划下一年再花一万亿美元，而他所称的收入主要来自 OpenAI 和 Anthropic。主持人提出反方观点：用户采用速度前所未有，收入可能落后于投资。Zitron 质疑广泛使用是否等于自愿需求，因为搜索、办公软件和购物平台都在嵌入 AI 功能。

Zitron 认为，许多人把生成式 AI 当作搜索工具，是因为他们反复被告知自己需要 AI，而非它已经证明了万亿美元级别的价值。他说，AI 对宽泛问题或许有用，但处理具体问题时并不可靠，并称当前投资规模前所未有。他还区分了生成式 AI 的 GPU 数据中心与普通 CPU 基础设施，以及过去用于蛋白质研究或自动驾驶等领域的高性能计算。这一区别对他的论点很重要：他不是说所有形式的 AI 都没用，而是说当前的大规模建设是以生成式 AI 的需求为理由。主持人关于 AI 广泛采用的说法仍是一个有效反方观点；这段对话并未说明有多少使用是自愿的，又有多少来自产品捆绑和工作场所压力。

谈话从用户采用转向用户实际得到什么。Zitron 认为，AI 生成内容并不是低质量网络内容的起点：搜索引擎优化早已奖励泛化页面，而生成式 AI 让这类内容更容易大规模生产。他还把 token 计费解释为一种衡量输入与输出的计价表，其中包含模型内部的一些处理；同时指出，按月订阅会隐藏实际用量限制。因此，用户看到的订阅价格不能代表向重度用户提供服务的真实成本。他的解释是对 token 计费的概述，并非对所有服务商价格规则的完整比较。

Zitron 认为，固定费率订阅掩盖了重度用户的服务成本。他引用 SemiAnalysis 的估算：每月 200 美元的 ChatGPT 方案，可能消耗价值约 14,000 美元的 token；价格相近的 Anthropic 方案可能消耗约 8,000 美元；甚至每月 20 美元的方案，也可能产生约 400 美元的使用成本。他说，企业补贴了其中的差额，这有助于解释公司为何报告巨额亏损，以及企业客户在被要求按更接近实际用量付费时为何会反对。他以 Uber 用三个月就耗尽年度 token 预算为例。这些数字是访谈中提出的说法，讨论未展示底层计算，也没有区分计算成本和订阅定价策略。

双方的分歧并不只是 AI 是否有用。Zitron 承认 AI 有一定价值，例如协助编程和技术支持，但他说公司没有披露单位经济效益，而且无论 GPU 是否充分使用，企业都必须预先配置容量。他认为，即使模型产生幻觉或破坏代码，用户也要为使用付费；订阅价格则掩盖了用量与成本之间的关系。主持人问，这些支出是否是在未来价值出现前提前投资；Zitron 反驳说成本没有如预期下降，推理服务商和 GPU 租赁公司似乎也没有盈利。这一段批评了商业模式，却没有完整比较各公司的收入、成本和长期合同。