复盘 Ed Zitron：AI 悲观预测为何失准

长文回顾了 AI 行业评论员 Ed Zitron（播客 Better Offline 与 newsletter Where's Your Ed At? 主持人）近年来关于 AI 经济与技术的几项具体预测，并对照 Alphabet 财报、Stanford AI Index、IEA 报告等公开数据，检验其判断是否被事实支持。文章作者坦言，自己此前在很大程度上认同 Zitron 的批评，但在看到 Gemini 用户数、模型推理价格、基准测试成绩等数据后，认为 Zitron 的部分结论过于绝对。

评论员与核心论点

Ed Zitron 以批评 AI 行业经济叙事著称。他长期质疑前沿模型公司的资本支出与商业模式，指出超大规模云厂商与 AI 公司之间存在循环融资、部分企业强制员工使用 AI 工具却未公开回报、以及大模型幻觉仍是重要限制等问题。这些关于资本与基础设施的质疑，被作者认为值得阅读，因为相关问题尚未定论。

但作者指出，Zitron 倾向于把局部问题上升为「AI 行不通」「没人需要 AI」的绝对结论，而不愿承认事实变化对其判断的修正。

几项预测与实际数据

Gemini 用户数

2024 年 12 月，《华尔街日报》援引知情人士报道，Sundar Pichai 希望 Gemini 在 2025 年底前达到 5 亿用户。Zitron 当时评价该目标「不切现实」，并点名 Pichai 应被问责。

随后 Alphabet 财报披露：Gemini App 在 2025 年第三季度月活跃用户已超过 6.5 亿，第四季度进一步达到 7.5 亿，超过原定目标 2.5 亿。作者承认，月活数字并不能直接说明用户使用深度、主动采用意愿或商业回报，但 Zitron 当初的判断并未触及这些细分维度，仅断言目标不可能。

效率与成本

Zitron 在 2024 年 9 月的专栏中断言大语言模型「实际上已经见顶」，且无人能有效提升其效率。DeepSeek 事件之后，他公开承认「我之前错误地假设没有提升效率的方法」。

Stanford 2025 AI Index 的量化数据显示：达到 GPT-3.5 级 MMLU 性能的模型推理 API 价格，从 2022 年 11 月的每百万 token 20 美元，下降到 2024 年 10 月的 7 美分，降幅超过 280 倍。同期机器学习硬件性价比每年提升约 30%，能效每年提升约 40%。

作者提醒，API 售价不等于厂商内部成本，厂商可能在补贴调用；但更小模型达成同等能力、硬件性价比与能效的同步改善，都指向「单位算力的可用能力」在快速提升。

模型能力

Zitron 在 2024 年 12 月声称生成式 AI 已经「达到顶峰」、Transformer 架构是死胡同，并形容相关产品陷入停滞。

Stanford 2026 AI Index 显示，OSWorld 电脑使用基准得分从约 12% 上升到 66.3%，科学、数学、多模态评测同样持续进步。作者指出，扩大预训练规模确实存在边际收益递减，但研究并未停滞：强化学习改善、推理阶段算力投入成为常态、工具调用普遍化、更小模型成本大幅下降，这些方向都在持续推进。

仍待验证的问题

文章同时承认 Zitron 提出的若干议题确实未解：

• 前沿实验室尚未公开证明在全成本下的商业模式可持续
• 超大规模云厂商与 AI 公司之间的循环融资仍是真实现象
• 幻觉问题在严肃场景中仍是重要局限
• 月活数字不直接转化为商业回报

IEA 的报告也指出，尽管单位任务能效在改善，但 AI 总用电量仍在上升，技术进步并不自动等于商业回报。

关于预测的反思

作者在结尾写道，自己曾在 Zitron 的叙事中获得确定性，但数据走向并未配合他的判断。作者以此提醒读者：批评应当是可证伪的预测，而不仅仅是情绪化的结论。