鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

高盛:人工智能热潮并非泡沫,才刚刚起步

编程导航
编程导航
2025-10-19 12:30
阅读 209
编程导航
2025-10-19 12:30
阅读 209

尽管市场对人工智能(AI)泡沫的担忧日益加剧,但高盛(Goldman Sachs)认为,这场 AI 繁荣才刚刚拉开序幕。

这家华尔街巨头的分析师指出,当前的投资规模与 AI 所能带来的潜在经济回报相比仍然较小。

高盛分析师在周三发布的一份报告中写道:“生成式 AI 所承诺的巨大经济价值,足以支撑当前对 AI 基础设施的投资。只要企业相信今天的投入将在长期内带来超额回报,目前整体 AI 投资水平就是可持续的。”

高盛提出这一判断主要有两大理由:一是 AI 应用在已部署领域已开始显著提升生产效率;二是要释放这些效益,需要庞大的计算能力支持。

高盛估算,AI 带来的长期生产力提升所产生的经济价值将远远超过其前期投入成本。该机构预测,若 AI 实现广泛普及,有望为美国经济增加约 20 万亿美元(IT之家注:现汇率约合 141.9 万亿元人民币),其中约 8 万亿美元将以资本收入的形式流入企业。

分析师表示:“生成式 AI 仍有望迅速加速任务自动化进程,推动劳动力成本节约并大幅提升生产率。我们的基准预测显示,在全面采用 AI 后,美国整体劳动生产率将提升 15%,这一过程预计将在未来十年内逐步实现。”

尽管芯片、服务器和数据中心的支出屡创新高,高盛仍认为,与以往的技术革命相比,当前 AI 领域的投资规模依然有限。

该机构估计,美国与 AI 相关的投资尚不足国内生产总值(GDP)的 1%,而此前几次技术浪潮高峰期的投资占比则高达 2% 至 5%,包括铁路扩张时期、1920 年代电气化浪潮以及上世纪 90 年代末的互联网泡沫时期。

高盛分析师表示,从宏观经济角度看,AI 投资的合理性依然充分,他们“并不太担心 AI 资本支出的具体金额”。他们指出,预计 2025 年全年 AI 相关支出约为 3000 亿美元(现汇率约合 2.13 万亿元人民币),考虑到该技术的长期回报潜力,这一投资规模是合理的。

不过,高盛也承认,市场存在“合理担忧”:那些目前在 AI 领域投入最多的公司,是否真能最终收获最大回报?尤其考虑到硬件设备快速折旧的风险。

分析师认为,如果投资者能够捕获 AI 长期经济价值中的较大份额,那么进入时机的重要性就会相对降低。然而历史经验表明,先发优势并不总能转化为最终胜势。

他们指出,“先行者”在基础设施建设周期中往往表现不佳,并以铁路和电信行业为例说明:在许多情况下,后来者通过在早期过度建设后的低谷期低价收购资产,反而获得了更高的回报。

报告写道:“当前 AI 市场的结构尚不清晰,无法确定今天处于领先地位的 AI 企业是否将成为长期赢家。”

他们补充道:“当互补性资产(如半导体)稀缺且生产高度垂直整合时,先发优势更为明显 —— 这意味着当前领先者可能表现更优;但在技术变革迅猛的时期,这种优势则会减弱。”

此外,分析师还指出,早期采用者正通过同时使用多个 AI 模型而非依赖单一生态系统来对冲风险,这进一步削弱了现有巨头的竞争优势。

他们还强调,目前尚难判断企业持续投入 AI 的动力何时会减弱,因为早期已显现的生产率提升和模型性能的稳步改进仍在激励投资。

“因此,尽管随着 AI 投资周期逐渐从建设阶段过渡到成熟阶段,且硬件成本持续下降,投资终将趋于平稳,但当前的技术背景仍有利于 AI 投资的持续推进。”分析师总结道。

高盛的这一评估发布之际,市场正围绕 AI 是否催生了新一轮科技泡沫展开激烈辩论。上周,摩根士丹利(Morgan Stanley)和高盛的战略分析师均指出,若综合考虑盈利增长、现金流和利润率等因素,当前 AI 相关股票的估值并未像批评者所声称的那样被严重高估。

原文链接: 高盛:人工智能热潮并非泡沫,才刚刚起步
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230