AI Is Slowing Down

這篇文章是 Ed Zitron 對生成式 AI 經濟模式的強烈批判。核心論點不是模型能力完全停滯，而是 AI 產業在財務上「不能放慢」，卻正出現需求、成本與 ROI 的壓力。作者估算，目前資料中心、GPU、雲端算力與 AI lab 之間形成龐大承諾：OpenAI、Anthropic 需要在 2029 到 2030 年前成長到前所未有的營收規模，才能支付算力合約與基礎建設成本；同時 NVIDIA、Oracle、Microsoft、Google、Amazon、CoreWeave 等供應鏈也仰賴 AI 算力需求持續膨脹。問題在於，作者認為企業客戶對 AI 的真實需求尚未證明足以支撐這些投資。文章特別指出 token-based billing 讓企業開始看見實際成本，CFO 難以預測支出，且許多公司對 AI 成本缺乏即時或完整能見度。Uber 限制員工 AI token 支出、Brex 對工程師與非工程師設下額度，以及 GitHub Copilot 使用者對 token 計費抱怨，都被解讀為企業開始收縮實驗性 AI 消費的跡象。作者也批評 coding agent 與 agent loop 的敘事，認為這可能只是鼓勵使用者燃燒更多 token，卻未必帶來可衡量的產出。他的結論是，生成式 AI 的收入仍太依賴補貼、炒作與不透明計費；若無法出現大量願意為 AI 服務持續付費的真實客戶，整個由 AI lab、hyperscaler、NVIDIA GPU、資料中心債務與未來 IPO 預期支撐的循環經濟，將面臨嚴重壓力。這是一篇立場鮮明的評論文，適合關注 AI 商業模式、雲端算力投資與企業導入 ROI 的讀者閱讀，但其數字與判斷帶有作者強烈反 AI 泡沫觀點，應視為評論分析而非中立產業報告。