Show HN：AI循環與代幣使用市場
本文探討了生成式AI領域的一個核心悖論：行業以代幣消耗量而非實際產出價值衡量成功。文章分析了代幣浪費、智能體成本失控、資本軍備競賽、算法偏見、黑箱問題以及資源消耗等挑戰，指出當前AI發展模式存在系統性風險。
生成式AI被認為將改變世界，但現實卻充滿矛盾。行業往往以代幣消耗量作為成功指標，而非實際創造的價值。這種現象被稱為“古德哈特定律”——當指標成為目標，它就不再是好的指標。MIT的一項報告指出，95%的生成式AI部署未能產生任何回報，因為市場高度依賴補貼，定價遠低於真實成本。
代幣浪費問題尤為突出。許多系統使用用户看不見但仍需付費的“思考”代幣，在複雜任務中這些代幣可佔總數的33%到60%。此外，每次請求都會附帶對話歷史或無關數據，形成“結構性浪費”。標準Transformer的注意力機制具有二次時間和內存複雜度，上下文長度翻倍，計算量和內存需求大約翻四倍。
智能體AI加劇了這一問題。它們通過多步驟工作流而非單次交互運行，執行規劃、動作序列，同時預置整個對話歷史和執行軌跡，導致“上下文膨脹”。Uber在2026年四個月內就耗盡了全年編碼預算。成本非線性且不可預測，不少團隊發現運行智能體的成本高於構建成本。
行業存在“循環問題”：科技巨頭投資AI初創公司，後者又用這些資金購買投資方自身的雲服務。這種繁榮越來越多依賴債務而非現金流，若收入增長未能實現，將引發系統性風險。企業面臨財務波動，因為代幣成本非線性且不可控。
AI模型性能提升進入瓶頸。排行榜第一名與第十名之間的分數差距在一年內從11.9%縮小至5.4%，但訓練計算量每幾周至幾月翻一番，功耗同步增長。這就是“資本軍備競賽”——為獲取邊際優勢投入巨大資源。然而，傑文斯悖論指出，代幣單價下降反而導致總消耗量激增，因為更便宜的智能催生了全新的工作流和自主代理，消耗指數級更多的代幣。
算法並非客觀。AI繼承並放大了訓練數據中的偏見。例如，亞馬遜的招聘AI因訓練數據中男性佔主導，學會了懲罰包含“女性”一詞的簡歷。大語言模型本質上是概率性的，旨在預測下一個標記，而非輸出真理，因此容易產生“幻覺”——聽起來合理但事實上錯誤的輸出，在醫療等高風險領域尤為危險。
行業還面臨“開放洗滌”問題：公司發佈“開放”權重，卻保留訓練數據和流程，使模型看似透明實則無法獨立審計。這加劇了“黑箱”問題——深度神經網絡內部運作不透明且不可解釋。可解釋AI（XAI）領域通過SHAP、LIME等技術提供特徵貢獻分析，但整體上仍有很長的路要走。
AI在軟件開發中的應用增長迅速，編程查詢在OpenRouter平台上的佔比在一年內從11%升至超過50%。這得益於AI擅長處理編程的規則邏輯，但也導致開發者角色面臨壓力。同時，資源消耗巨大：訓練GPT-3耗用了約70萬升淡水用於冷卻，預計到2027年全球AI用水需求相當於英國總取水量的一半。
儘管AI公司承諾醫療突破，現實卻由經濟激勵和技術限制塑造。行業需要正視這些挑戰，重新思考衡量成功的方式，否則可能陷入代價高昂的泡沫。