灭顶之灾

三年AI牛市，洗了三波普通人_我的网站

名侦探柯南

一 | 作者 | 龚正编辑 | 杨晶上周，很多普通人的账户，因存储大劫，一夜回到“解放前”。有人把原因归结于韩国等外围市场，有人则认为AI行情今年至少阶段性结束了。市场剧烈波动的时候，人最容易被情绪带着走。但此刻真正值得做的，不是猜明天会不会反弹，而是回头认真复盘过去三年，资本到底在买什么，又为什么会卖。只有搞清楚了资本的逻辑，我们才知道：下一轮财富会流向哪里。如果把2023年以来的AI行情浓缩成一句话，我们的答案是：三年时间，资本一直在巷子里寻找，谁能把AI从技术变成交易的利润。（来源：麻省理工科技评论）以后找工作时，你的简历很可能还没到招聘经理手里，就已经先被 AI 看过一遍了。

二 | 问题是，它真的会公平吗？研究人员早就发现，大语言模型会从训练数据里继承人类社会已有的偏见。

三 | 但一项最新研究发现，事情可能比这更复杂：AI 不仅会学习偏见，还会在不断做决策的过程中，自己形成新的刻板印象，而且这种倾向甚至比人类更强。更值得警惕的是，AI 公司如今都在努力打造拥有长期记忆的智能体，希望模型能够记住用户越来越多的细节。

四 | 只是，这个答案，资本也是找了三年，换了三次风格。而这些记忆，也可能成为模型滋生偏见的土壤。放在普通投资者身上，也是被洗了三次头。三年AI牛市：资本洗了三波股说起这次行情，还是要回到2022年。

五 | 为了研究这一问题，普林斯顿大学和芝加哥大学的研究人员设计了一场模拟招聘实验，参与者包括 ChatGPT、Claude、Gemini 等多个主流大语言模型。实验改编自一项经典心理学研究。研究人员告诉模型，它们受雇于一位虚构城市的市长，担任招聘顾问，需要帮助政府为医生、律师、托育员、保洁员等 20 种职业招聘员工。

六 | 所有候选人都来自四个虚构族群：Tufa、Aima、Reku 和 Weki。

七 | 每一轮，模型都会面对一个新的岗位，以及四位分别来自不同族群的候选人。

八 | 完成招聘后，它会立刻得到反馈：这个人是否胜任工作。随后进入下一轮。整个实验一共持续 40 轮，模型的目标只有一个：尽可能招到更多合适的人。模型不知道的是，研究人员其实做了一个手脚：无论来自哪个族群，每位候选人在任何岗位上的成功概率都完全一样。

九 | 当年11月，ChatGPT正式发布。按理说，模型不应该偏向任何一个群体。短短两个月，它的月活跃用户突破1亿，成为历史上用户增长最快的消费级AI应用之一。这一速度远超移动互联网时代的TikTok和Instagram，也让生成式AI第一次走出实验室，进入普通人的生活。但结果恰恰相反。

十 | OpenAI，迅速吸引了一众全球大厂的追捧。微软迅速加码OpenAI，谷歌全面挑战AI战略，Meta的小扎也将大量资源投入大模型研发。在国际市场带动下，A股开始了第一轮AI行情。仅仅经过几轮招聘，模型就开始根据有限的经验，把不同族群和不同职业绑定在一起。例如，如果模型早期碰巧遇到一位 Aima 族候选人担任医生失败，它之后便会越来越少招聘 Aima 人做医生，而是更倾向于把他们安排到保洁岗位。因为在模型看来，医生代表着更高的能力和亲和力，而保洁员对应的要求则更低。换句话说，它开始把一次偶然的经历，当成了整个群体的特征。

十一 | 传媒、教育、游戏、办公软件、数字人、AIGC……几乎所有能够与ChatGPT概念“擦上边”的上市公司，都成为市场追逐的对象。更令人意外的是，这种倾向甚至比真人严重。连知乎这种知识社区，乃至如今“卖一本书如卖一条命”的出版行业，都在当年凭借所谓“拥有高质量数据库”，成为资本炒作的热点。

十二 | 如今看，这一轮资本热炒，哪有什么“餐馆客流”支撑，纯属AI大厨们画了一张神奇之饼，说饼绝对好吃卖座，于是餐馆老板不计成本，对小麦、面粉、面团搅拌发酵机，大举进行了一番投资。餐馆老板蠢吗，未必。那时，资本真正购买的是一种可能性。研究人员使用了一项“职业隔离指数”来衡量刻板印象的程度。

十三 | 万一这张AI大饼，真的如互联网一样改变世界了呢？任何第一个提前端起小板凳占位的人，都值得更高的估值。指数越高，说明不同族群越容易被固定到特定职业中；2 分代表完全隔离。此前心理学实验中的真人平均得分为 0.84，而大语言模型整体高出了约 65%。其中，OpenAI 的推理模型 o3 得到了 1.83，非常接近理论最高值。论文共同作者、普林斯顿大学博士生 Ryan Liu 认为，这其实并不奇怪。“大语言模型本来就特别擅长根据有限的信息快速总结规律。

十四 | 这种手脚勤快，来自往常的历史经验。”他说，“这几乎就是它们被训练出来要做的事情。” 在人类心理学中，这种现象对应着经典的“探索—利用困境”（exploration-exploitaion dilemma）：是继续选择过去证明有效的方法，还是尝试新的可能？就像出去吃饭时，你会纠结是去一家没吃过的新店，还是继续光顾那家不会踩雷的老餐馆。1995年的互联网、2007年的移动互联网和智能手机、2008年的电动汽车，都是如此走过。资本最怕的不是买贵，而是踏空。

十五 | 对于大语言模型来说，这种取舍往往更加偏向后者。所以第一轮行情，如今看本质是一场“想象力行情”。因为它们长期接受数学、编程和科学任务训练，而这些任务通常鼓励模型从少量例子中快速归纳规律，所以它们很容易过早下结论。但很快，嗅觉敏锐的资本之猫，很快发现，仅靠故事造富，无异于海市蜃楼。于是，第二次切换风格来了。

十六 | 也正因为如此，那些推理能力更强的新模型——例如 OpenAI 的 o3 和 DeepSeek 的 R1——在实验中反而表现出了更明显的偏见。这次主角是“卖铲子的人”。Liu 说，“当这种快速归纳的能力被带入社会场景时，问题就开始出现了。” 康奈尔大学计算机科学家 Angelina Wang 没有直接参与这项研究，但她认为，这项工作来得正是时候。如今，各家公司都在为聊天机器人加入长期记忆和个性化能力。华裔美国人黄仁勋，成为“全球铲王”，那套皮衣简直再匹配不过。当模型越来越依赖于用户过去的互动记录时，它也可能越来越容易根据这些有限经验形成判断。

十七 | 图 | 30度的天，黄仁勋在北京南锣鼓巷穿皮衣吃炸酱面饼的味道还没得到全球验证，但铲子的厉害，不断超出市场预期，这成功把英伟达推上了全球市值最高的公司位置。GPU供不应求，AI服务器订单不断增加，整个AI基础设施产业链迎来总爆发。

十八 | 她说，“它可能会过度依赖自己过去遇到过的行为模式。

十九 | ” 当然，解决办法并不是让 AI 什么都记不住。

| 黄仁勋的那句话，成功洗了所有人的脑： “The more you buy, the more you save.”（买得越多，省得越多。毕竟，大多数用户都希望聊天机器人能够记住自己说过的话。

| ）黄仁勋用一张张实打实的订单，让所有投资人找到了一根“救钱稻草”。真正困难的是找到那个平衡点：既保留足够的记忆提供个性化体验，又不至于让模型因为这些经验形成新的偏见。

| 作为这一轮AI基建行情的外溢，在A股，光模块、GPU服务器、交换机、液冷、电源、IDC……连带背后的中际旭创、新易盛、工业富联等在内的一批公司走强，一批拥有真实订单和业绩增长的企业，成为资金配置的方向。研究人员还尝试了另一种办法，直接告诉模型：请公平一点。

| 于是，第二轮行情，相当于“铲子股”红利。但并不奏效。Liu 认为，这说明模型未必真的能够把“公平”这样的价值观落实到具体决策中；又或者，这种要求会被另一个更强的目标覆盖——尽可能提高招聘成功率。然而，资本也不会永远只相信“铲子股”，因为AI行业不可能永远“只做半套”，买铲子、不挖土，这不就是肠梗阻。但如果换一种方式，情况就不同了。研究人员告诉模型，如果能够实现更加多元化的招聘，它们还能获得额外奖励。模型的偏见随即大幅下降。这说明，与其不断强调公平，不如直接把公平写进模型的目标函数里，让社会价值真正成为模型优化的一部分。资本于是开始寻找第三轮方向。研究人员还发现，当模型掌握更多真正与任务相关的个人信息时，偏见也会减轻。另一组实验中，模型需要帮助来自不同族群的人搬迁到加拿大不同城市。 2025年春节，DeepSeek发布R1，震动美股。

| 市场第一次意识到，AI竞争并不仅仅靠谁拥有更多的GPU。如果模型可以通过更低成本、更高效率，实现领先国际的落地能力，那么未来竞争重点，就可以从堆算力，转向拼应用、拼产品、拼商业模式。如果提供的是年龄、教育背景等与适应新城市能力相关的信息，模型就更倾向于依据这些个人特征做判断，而不是简单按照族群分类。但如果提供的是发色、纹身图案这类无关信息，模型很快又会重新回到按族群做决定的老路上。尤其是中国的模型公式把成本价格都打到了最低，这几乎为“AI应用总爆发”准备了土壤。至于现实中的 AI 招聘系统会不会出现同样的问题，目前还没有明确结论。

| 所以这第三轮、也是正在进行的行情，是资本开始为生产力付费。智谱市值一度破万亿等都是这一概念中的印证。实验中的模型每做完一次招聘，都能立刻知道结果；现实世界却不是这样。一家公司往往需要几个月甚至更长时间，才能判断一位员工是否真正适合岗位。Kimi、DeepSeek，不出意外也将成为这一轮行情的代表。不过，只要这些反馈持续积累，模型依然可能从有限的数据中过度总结经验，并把这些经验带到下一次招聘中。

| 随着越来越多企业开始使用大语言模型筛选简历、甚至参与面试，这项研究释放出的信号不容忽视。未来，AI 不只是可能复制人类已有的偏见。它还可能在不断学习和决策的过程中，创造出一种从未有人教过它的新偏见。正如 Liu 所说：“这种新的偏见，可能会一直存在。” 原文链接： https://www.technologyreview.com/2026/07/20/1140655/ai-biases-hiring-humans/。图 | 梁文锋，保持低调，但仍然是AI界最受瞩目的人为什么AI牛市，变成了“宽窄巷子” 看上去AI牛还在进行中，为啥此次进入7月，突遇存储大劫，让多少人一夜回到解放前？我们的研究是：这一轮行情，走出了“宽窄巷子”形态。从大的方面来看，这一轮牛市，从来就不是全面的牛市，就像2015年全盘起飞那样，相反是资金“择窄而入”。一边是AI龙头股不断刷新历史新高，一边却是包括老登股在内的大量行业，长期横盘甚至持续下跌；一边是英伟达市值一路攀升，一边是许多传统行业公司估值不断收缩。就跟某国总统，输了众议院选举，提前跛脚一样，这一场牛市，但凡你押在了AI之外，就像相扑踩出了土俵，直接被判出局。原因并不复杂。资本，并不是偏爱AI这个新物种，而是它们的嗜血性，只愿意为闻得到的增长付费。这刷新了我们很多普通人向来的概念。

| 过去很长一段时间，A股走牛，有一个习惯——喜欢“雨露均沾”，或者叫做“大盘轮动”。只要市场进入牛市，金融、地产、消费、周期、科技都会轮番上涨，逐一坐庄，几乎人人都能赚钱。但这一次，只呈现了“万方皆暗、唯我AI最亮”的逻辑。资金在这一轮行情中，变得前所未有地挑剔。它不再愿意为“平均增长”支付溢价，而是把筹码集中，投向那些能够证明自己拥有未来的行业。这种情况下，只有AI才能给资本确定性和安全感。

| 资本也与AI相向而行，没有让它的血液，来一场大水漫灌，而是只冲向AI。进入窄窄的巷门之后，这时，资本又换了一个形态，采用了灵活的内部轮岗模式，走起了宽巷大路。

| 于是，我们看到资金，在AI产业链内，不断轮动。

| 2023年初，资金买的是ChatGPT概念，到2023年底，资金开始买光模块、服务器、液冷。就是不出一分一毫，给其它穷亲戚、老登股来一点。所以，就出现了一个有意思的行情：热点一直在变，但资金从未离开AI。这看上去很分散，但实际上又因为内外部原因，造成了拥堵踩踏。存储等板块积累了太多的获利盘，价格远远超过了真实价值，在韩国股市找杠杆、美国人眼红韩国两企业赚钱太多等人性弱点的共同作用下，最终酿成了这一次的7月变惨。

| 如果要找我们普通人错在哪？只错在我们对于信息的滞后性，对内心追涨杀跌的控制力度，永远都落后于资金。还错在我们很多人不知道：基金经理原来是半年来一次KPI评估，所以无论如何都要把筹码熬过6月，7月就重新开始了。接下来普通人怎么办目前，AI行情结束了，接下来这一波还要怎么走？有AI行业的资深研究者表示，目前科技板块短期已经没啥好看的了。

| 即便有反弹，也只是散户接盘，机构趁机套出而已。今年全年的关键词，于股市是“筑顶”，于普通人是“逃顶”。

| 对AI的唱空逻辑，在市场一直根深蒂固。这部分研究者认为，虽然AI被寄予能为企业降本提效，但至少目前这一阶段，AI的这一功能被夸大，是否真的能变成企业的真金白银，短期看，是非常模糊的。

| 这是短期层面的观点。长期来看，AI行业的基本面，并没有变化，仍应该积极看待。

| 这表现在，全球科技公司并没有因为AI板块调整而减少投入。

| 相反，无论是微软、谷歌、Meta，还是亚马逊，都仍在持续扩大AI基础设施投资。英伟达的数据中心业务收入仍然是大头，说明企业对AI算力的需求依然旺盛。

| 与此同时，中国的大模型企业也在不断降低推理成本，提高模型实操能力，推动AI从实验室走向更多真实应用场景。也就是说，股市可以回调降温，但产业却没有停下。股价反映的是预期，而产业反映的是现实。预期会过热，会短时悲观，现实却会一步一步向前。

| 我们不应该就此完全放弃对AI的期待态度。

| 只能说，像过去三年，普通人随便买一个AI股，可能都能押中的时代已经过去。有研究者指出，接下来市场将进入“验证AI究竟能不能成为生产力”的阶段——AI是否在落地形成执行力、产生效果和收益的能力，是否能“兑现他曾经许下的价值承诺”。于普通人来说，或需要形成三点新习惯。 “赛道无需再押了，需要学会选成长性的个体。”AI已经从一个“小众赛道”变成了“全市场共识”。当所有人都知道AI是未来时，赛道本身就不再是超额收益的来源。

| 伴随从模型到应用的竞争激烈化，未来的分化或将极其剧烈。

| 同一个板块里，龙头公司可能继续创出新高，而跟风公司可能跌回原点。普通人需要问自己的，不是是AI能不能投，而是我买的这家公司，五年后还在不在。它的技术壁垒有多深，它的客户粘性有多强。” “抛弃暴富幻想，转向直接看财务报表”。过去三年，市场可以因为一个“可能改变世界”的故事就给公司高估值，导致全民也都得了“技术万能幻想症”。