阿波罗：AI 未带来回报，万亿芯片债务市场浮现

当 AI 成为成本中心：阿波罗的冷水

投资管理公司阿波罗全球管理（Apollo）的首席经济学家托尔斯滕·斯洛克（Torsten Slocke）给火热的 AI 叙事泼了一盆冷水。他的判断直截了当：美国科技行业以外的企业，在 AI 上几乎看不到任何财务回报，AI 是一个损害利润率的成本中心。基础设施账单是真实的，token 消耗是真实的，唯独收入线没有动。

这个观点之所以值得认真对待，不在于措辞尖锐，而在于说话的人管理着真金白银。斯洛克不是靠语出惊人博流量的播客嘉宾，他的判断背后是对企业财务数据的持续追踪。风险投资支持的公司在消耗更多 token 的同时，单位经济反而在恶化——而房间里所有人都选择把这种状况称为"战略投资"，而不是亏损。

这里有一个被普遍忽略的错位：卖出 GPU 的科技巨头收入节节攀升，而采购 AI 能力的传统企业却在为账单发愁。当"卖铲子的人"赚得盆满钵满时，"淘金的人"是否真的挖到了金子，是斯洛克抛给市场的核心问题。

万亿芯片债务：以 GPU 为抵押的信贷市场

如果说斯洛克质疑的是 AI 的需求侧，那么彭博社披露的一笔交易则揭示了供给侧正在积聚的风险。黑石集团（Blackstone）向 AI 云服务商 CoreWeave 提供的 23 亿美元贷款，正在成为"GPU 抵押债务"的模板：买入算力、对外出租、以租赁收入作为债务偿付来源，一旦违约就扣押芯片。

这套模式被追踪的规模指向万亿美元级别。问题在于抵押物的性质——服务器机架上的 GPU 大约三年就会折旧，而这笔债务背后的"租户"可能是 18 个月后就不存在的初创公司。用房地产来类比很直观，但数据中心没有签下 20 年租约的稳定租客，而且每当英伟达发布新一代架构，旧硬件的转售价值就会大幅缩水。

这个结构的脆弱性在于多重错配：债务期限与硬件寿命错配，租赁收入与租户存续期错配，抵押物估值与技术迭代速度错配。当算力租赁市场的定价权掌握在少数几家芯片厂商手中时，以 GPU 为锚的信贷扩张能走多远，是一个尚无历史经验可循的问题。

GPU 抵押债务的运作机制：这类融资本质上是一种资产支持贷款（asset-based lending），但与传统的设备融资不同，其抵押物是高度专业化的算力硬件。放贷方通常依据 GPU 的采购价格、剩余折旧年限以及预期的租赁现金流来核定贷款额度，并在违约时通过扣押、转售或重新出租芯片来回收资金。关键风险在于，GPU 的二级市场流动性远低于房地产或飞机等传统抵押资产，且转售价格高度依赖英伟达的产品迭代节奏。一旦新一代架构发布，旧卡的价值可能在数月内大幅缩水，导致抵押物覆盖率迅速恶化。

Alpha School 的诚实：一半学生没达标

《纽约时报》调查了 Alpha School——一个以"AI 能让孩子学习速度翻倍"为卖点的私立学校网络。学校公布的数据显示，约 50% 的 K-8 年级学生在数学上未能达到这个目标。也就是说，一半的孩子没有实现速度翻倍，其中一部分人可能还变慢了。

在一个充斥着选择性披露和精心挑选基准的行业里，主动公布 50% 的未达标率反而显得罕见。这既是真正的透明度，也可能是一种代价高昂的"谦虚式炫耀"——区别在于你如何看待营销承诺与实证结果之间的落差。

更值得关注的是后续动作：Alpha School 正在向公立教育合作扩张，这意味着"速度翻倍"的宣称即将进入市政采购文件，成为纳税人可以追问的条款。教育领域的 AI 应用一直是最容易讲故事的场景，但也是最难用标准化测试验证的场景。当一个可量化的承诺被公开检验，并且只兑现了一半时，它对整个"AI+教育"赛道的估值逻辑都会产生连锁影响。

从零构建推理模型：不满足于 API 封装

在工程实践层面，开发者 Rashka 从零构建了一套 PyTorch 推理课程，覆盖推理时扩展（inference scaling）和强化学习循环，而不是停留在 API 封装层面。课程的核心思路是让人理解底层机制，然后在自己熟悉的"厨房"里动手搭建。

课程同时指出了一个容易被忽视的陷阱：蒸馏可以让小模型"偷师"大模型的推理能力，但小模型往往听起来信心十足，逻辑上却是空洞的。这个观察对实际部署有直接意义——当你在资源受限的环境中运行蒸馏模型时，流畅的输出不等于可靠的推理。

这类从零构建的内容之所以有价值，是因为当前大量 AI 应用开发停留在提示词工程和 API 编排层面，对模型内部机制缺乏理解。一旦遇到需要定制推理路径、控制成本或调试异常输出的场景，底层知识的缺口就会暴露。

推理时扩展（inference scaling）：指在模型推理阶段投入更多计算资源来提升输出质量的技术路线，与训练阶段的规模扩展相对应。典型方法包括思维链（chain-of-thought）采样、多路径搜索与投票、以及让模型在给出最终答案前进行更长的内部推理。其核心假设是：模型的能力不仅取决于参数规模，也取决于推理时允许它“思考”多久。这一方向对成本结构有直接影响——推理时扩展意味着每个请求消耗更多 token 和算力，这正是斯洛克所指“token 消耗真实、收入线未动”的技术背景之一。

知识蒸馏的局限：蒸馏（distillation）是指用大模型的输出作为训练信号，让小模型模仿其行为，从而以更低成本获得近似能力。问题在于，蒸馏传递的是输出的表面模式，而非产生这些输出所需的内部计算过程。因此小模型可能学会了大模型“自信的语气”和“推理的格式”，却没有真正掌握其中的逻辑链条。在需要多步推理、数值计算或事实一致性的任务上，这种差距尤为明显。对部署方而言，这意味着蒸馏模型的基准测试成绩可能优于其真实可靠性，需要额外的验证机制来识别“流畅但空洞”的输出。

Jack Clark 的时间表：自我改进的 AI 提前到 2027

Anthropic 联合创始人 Jack Clark 将其对"自我改进 AI"的预测提前到了 2027 年，理由是模型现在可以在没有人类指令的情况下设计自主实验。助手与替代者之间的差距正在缩小，而且这一轨迹在过去六个月里变得更加陡峭。

这个预测的震撼之处在于它与前几条新闻形成的张力：如果模型真的能在两年内实现自我改进，那么以三年折旧的 GPU 为抵押的万亿债务、尚未验证的 AI 教育效果、以及科技行业之外为零的 AI 投资回报，都将被放进一个完全不同的时间框架里重新评估。自我改进的模型会优化什么？如果它的优化目标包括"关闭不经济的算力"，那么以硬件为锚的信贷结构会面临什么？

几条线索交汇处的判断

把本周这几条信息放在一起看，会发现它们指向同一个问题的不同侧面。斯洛克说 AI 在科技行业之外没有带来回报；黑石正在以三年就会贬值的硬件为抵押放出万亿级贷款；Alpha School 承诺的速度翻倍只兑现了一半；Rashka 提醒蒸馏模型可能自信而空洞；Jack Clark 则把自我改进的时间表往前拨。

这些来源相互独立，却在"AI 的价值验证滞后于资本投入"这一点上形成了交叉印证。需要如实指出的是，斯洛克的观点代表了看空一方的立场，市场上同样存在认为 AI 回报只是尚未在财务报表中体现的声音；Alpha School 的 50% 未达标率是单一机构自行披露的数据，样本范围有限。至于 Jack Clark 的 2027 年预测，属于单一来源的前瞻判断，应视为需要持续观察的信号而非既定事实。

对从业者而言，这些线索的实际含义是：在基础设施层面，算力资产的折旧速度和债务结构的匹配度值得警惕；在应用层面，可量化的效果验证比叙事更重要；在技术层面，理解模型底层机制的能力，正在成为区分"调用者"和"构建者"的分水岭。