电影《大空头》人物原型 Steve Eisman 谈 AI 泡沫：这不是一次做空宣言

TL;DR

Eisman 没有给出泡沫何时破裂的预言，而是画出了一张 AI 产业链的风险地图：模型公司依赖外部融资兑现算力承诺，云厂商用自由现金流承担建设成本，芯片、电力设备和数据中心则把需求排到多年以后。

这条链的问题不在于 AI 技术是否有效，而在于商业回报能否在资本失去耐心以前出现。模型缺少稳定的定价权，监管只能减少竞争者，不能改善单位经济效益；「卖铲子」虽然更早收到钱，也没有离开资本开支周期。

因此，现在还没有一笔像 2008 年那样因果链清晰的做空交易。更值得跟踪的是融资能否持续、远期预约能否转成正式订单、电力设施能否按时交付，以及 Agent 能否从试用工具变成用户愿意长期托付任务和权限的入口。

这不是一次做空宣言

点击章节图可跳转到访谈对应段落。

Steve Eisman 因为《大空头》再次出现在镜头前时，标题很容易替他把结论说满。这期视频叫 《‘Big Short’ Investor Explains How the AI Bubble Will Burst》，像是在预告他已经看见了 AI 泡沫的终点，接下来只需解释它会从哪里破裂。

但 44 分钟访谈里，Eisman 真正做的不是预言，而是不断标出风险。他谈 OpenAI 和 Anthropic 带来的集中度，谈 LLM 缺少切换成本，谈云厂商消失的自由现金流，也谈电力基础设施跟不上数据中心扩张。到了主持人问这是不是 1999 年重演时，他反而停了下来：

I don’t know if it’s different or not. I think it’s too early.

我不知道这次是否不同。我认为现在下结论还太早。

这种克制贯穿了整场访谈。判断美国电力会形成多大瓶颈，他说自己没有足够的信息；被问到战争和通胀，他承认了解并不比其他人更多；谈 10 年期美债收益率的临界点，他也直接承认自己此前猜错了。

评论区最受认同的恰恰不是某个泡沫判断，而是这种边界感。一条在本文整理时获得 669 个赞的评论说，Eisman 让人欣赏的地方，是他在不知道答案时不会迟疑着说“不知道”。另一条更尖锐的评论则指出：这也让他和当年判断次贷危机时不同——他列出了足够多的危险，却没有声称破裂必然发生。泡沫如果破了，这些警告会被重新记起；如果没破，他也从未承诺过结局。下文引用的点赞数同样以本文整理时的页面显示为准。

这不是缺点，而是阅读这场访谈的前提。风险诊断不是做空信号，产业链存在脆弱点，也不等于它会按照视频标题给出的方式和时间断裂。

接下来真正值得看的，是 Eisman 画出的那条链：芯片、云厂商、模型公司、资本和电力如何连在一起；以及评论区在几个关键节点上提出的追问。讨论的范围也仅限于当前以 LLM、超大规模数据中心和头部模型公司为中心的产业结构，不是对 AI 技术长期价值的总体否定。

整条 AI 链，为什么吊在两家公司身上

Eisman 的分析从 NVIDIA 开始。公司截至 2026 年 7 月的季度收入同比增长 106%，但同一季度的 10-Q 还披露了另一个数字：五个直接客户占应收账款余额的 70%。

他没有把这解释成崩盘信号，只把它称为「警示信号」。问题不在于 NVIDIA 卖不出芯片，恰恰相反，问题在于需求太旺，却集中在少数几家公司身上。

顺着客户往下看，就是 Microsoft、Amazon、Google 等超大规模云厂商。Eisman 引用的数字是，它们大约 70% 的 AI 收入来自 OpenAI 和 Anthropic，相当于云业务总收入的约四分之一到三成。Oracle 的情况更极端：订单储备在短时间内大幅增长，其中约一半来自 OpenAI。

于是，一条高度集中的链条出现了：

• NVIDIA 把芯片卖给云厂商；
• 云厂商建设数据中心，把算力卖给模型公司；
• OpenAI 和 Anthropic 用融资承诺未来的云与算力采购；
• 云厂商和 NVIDIA 又是这些模型公司的重要投资者。

The whole chain rests on the future health and growth of Anthropic and OpenAI.

整条链都建立在 Anthropic 和 OpenAI 未来能否健康增长之上。

钱以投资的形式流向模型公司，再以算力采购承诺的形式返回云厂商。主持人听完后的第一反应是：「这听起来像一个循环。」Eisman 没有否认，只是加上了一个条件：只要两家公司继续高速增长，也一直有人愿意投入新资金，这条链就能维持；只要其中一家公司失速，资金和订单便会同时受到影响。

这和普通的客户集中还有一点不同。OpenAI 和 Anthropic 不是已经拥有稳定现金流的大客户，它们仍依赖外部融资来兑现长期采购承诺。按照 Eisman 引用的媒体数据，OpenAI 在一个季度里收入增加约 10 亿美元，成本却增加约 30 亿美元。他因此认为，两家公司中 OpenAI 当时更脆弱。

Eisman 把最坏情形说得很重：如果 OpenAI 垮掉，美国可能「一夜之间陷入衰退」。前半段的集中度判断有具体链条支撑，后半段则还缺少完整的传导机制。客户失败会造成订单、债务和资本开支同时收缩，但冲击是否足以立即扩散到整个美国经济，仍取决于合同能否转移、资产能否继续利用，以及金融机构究竟承担了多少风险。

所以这一节更可靠的结论不是「OpenAI 倒下，美国就会衰退」，而是：今天的 AI 繁荣看上去分布在芯片、云、数据中心和模型公司之间，现金流的最终来源却远没有表面上那么分散。

真正危险的不是模型不够强，而是「足够好」已经够用

集中度是整条产业链的风险，护城河则是 OpenAI 和 Anthropic 自己的业务风险。Eisman 把两者分得很开：前者问的是两家公司出事会牵动多少上下游，后者问的是它们凭什么长期赚到足以支撑这些承诺的钱。

访谈里提到一个已经退潮的说法：token maxxing。有些企业曾经要求工程师尽可能多地使用 AI，不管任务是否真的需要。模型公司也以较低价格吸引客户，让调用量迅速增长。等价格上调、AI 预算开始被快速消耗，企业才重新计算每一次调用是否值得。

变化随之发生。最强的模型被留给真正重要的任务，大量普通工作则转向更便宜的开放权重模型。Eisman 用了一句很直白的话概括：不是每件事都需要开凯迪拉克。

This industry, despite all the hundreds of billions of dollars that’s been spent on it, has no moats.

这个行业尽管已经投入数千亿美元，却没有护城河。

他的依据不是模型容易训练。前沿模型依然昂贵，真正的问题是用户没有被锁住：今天用 Claude，明天出现一个更适合当前任务的模型，调用接口和工作流就可以切过去。模型能力的领先不断变化，客户也没有理由只忠于一个名字。

一条获得 181 个赞的评论把这个问题说得更直接。评论者自称在软件行业工作了 50 年，他的经验是：最后赢的往往不是最好的产品，而是最便宜且足够好的产品。对于承担前沿训练成本的 OpenAI 和 Anthropic，这比单纯被另一家更强的模型超过更麻烦。对手不必全面胜出，只要在大多数任务上便宜到足以让客户重新算账。

另一条获得 35 个赞的评论提供了一个用户侧样本：Gemini 免费层收紧后，评论者立即删除了它，并把这当作没有品牌忠诚度的证明。一个人的选择当然不能代表整个市场，但它揭示了消费端模型产品面临的现实——当使用体验相近时，额度、价格和限制本身就足以触发切换。

不过，「现在没有护城河」不能直接推出「未来也不会有」。另一条评论用搜索市场反驳了 Eisman：Google 出现以前，搜索同样有 Yahoo、AOL、MSN、Excite 等一批竞争者。护城河不是市场早期的入场券，也可能是竞争结束后的结果。AI 市场未来仍可能分别形成消费端和企业端的领导者。

因此，Eisman 真正证明的不是 LLM 永远无法形成护城河，而是**今天的前沿模型还没有稳定的定价权、用户忠诚度和切换成本，却已经背上了按照未来赢家规模建设的资本开支。**未来可能出现赢家，但在赢家出现之前，谁来承担竞争需要的成本，仍然没有答案。

监管可以挡住竞争，但不能替企业创造利润

没有商业护城河，能不能用监管造出一条？这是整场访谈里最有冲突感的部分。

Eisman 把「AI 可能终结世界」称为幌子。他给出的解释是：token maxxing 已经退潮，模型之间缺少稳定的切换成本，中国的开放权重模型又在争夺市场。头部公司不断强调失控和末日风险，是希望政府用安全监管提高行业门槛，最终形成由少数美国公司控制的市场。

The regulation will create the moats.

监管会创造出原本不存在的护城河。

他设想的路径并不复杂：如果监管以安全为由限制中国模型，合规成本又高到只有少数公司能够承担，那么技术上没有形成的壁垒，就会以法律和准入规则的形式出现。

Eisman 还用行动检验这些公司的表态。如果管理层真的认为自己的产品危险到必须放慢发展，他认为最直接的行动应该是推迟上市和扩张，先解决风险再回来。但现实中的融资、上市和算力采购并没有因此停止。在他看来，一边警告产品可能终结世界，一边继续争夺资本，至少说明这些话不能只按字面理解。

这套解释在评论区获得了很强的共鸣。一条获得 517 个赞的评论直接认同「制造恐慌以换取监管保护」；另一条获得 54 个赞的评论认为，监管最终会被用来阻挡规模更小的新进入者。

点赞只能说明这套解释击中了许多观众的直觉，不能证明企业之间存在共同策划。AI 的安全风险可以真实存在，头部公司也可以同时希望监管朝有利于自己的方向发展，这两件事并不冲突。真正可以观察的不是它们心里怎么想，而是监管成本最后由谁承担、竞争者是否因此减少。

一条更深入的评论把这条逻辑继续往下推：一旦少数公司通过监管获得准入优势，再通过政府采购与国家安全绑定，它们可能从高风险企业变成「太大而不能倒」的基础设施。商业上的集中度风险没有消失，只是被转移给了公共部门。

不过，即使监管成功排除了部分竞争，它也只能改变竞争格局，不能自动改善单位经济效益。法律可以限制客户使用哪些模型，却不能降低训练和推理成本，也不能让客户愿意为每一次调用支付更高价格。

因此，比「末日论是不是骗局」更值得追问的是：当一个行业需要借助监管才能形成护城河时，它得到的是更强的商业模式，还是更少的竞争者？这两件事不是一回事。

折旧不是引爆点，却可能说明压力已经出现

在谈折旧以前，Eisman 先描述了超大规模云厂商的变化。几年前，Microsoft、Amazon 和 Google 还是持续产生大量现金的公司，钱多到找不到足够的内部投资机会，只能不断回购股票。如今，为了建设 AI 数据中心，它们的自由现金流大幅下降，有的甚至转为负数。

2026 年 6 月，Alphabet 为扩建 AI 基础设施进行了自上市以来少见的大规模股权融资，最终发行规模达到 847.5 亿美元。Eisman 持有 Google 多年，他的感受是：现在持有的已经不是从前那家现金充沛的公司。Oracle 则在订单储备快速增长的同时承担了更大的债务压力。市场看到的是 AI 需求，资产负债表承受的是提前投入的资本开支。

Michael Burry 对此提出了一个更具体的质疑：云厂商把部分芯片和服务器的折旧年限从三四年延长到五六年。折旧年限越长，每年确认的费用越低，当期利润也就越高。如果芯片实际淘汰速度比会计年限更快，报表里的利润就可能高估这些资产能够创造价值的时间。

Eisman 理解这个计算，却认为 Burry 抓错了重点。他的反驳是，当前连旧芯片都供不应求，价格也在上涨。如果 AI 最终成功，模型公司和云业务的增长足以覆盖投入，折旧年限差两年并不重要；如果 OpenAI 出事、整条链反向收缩，真正的问题会远大于少计的折旧。

I think his argument is too academic.

我认为他的论证太书生气了。

这段话没有说服所有观众。一条获得 535 个赞的评论来自一位自称做过 25 年财务总监的人。他同意折旧调整带来的利润差额，相对于整个 AI 行业的资金规模可能只是次要问题，但认为 Eisman 忽略了更重要的部分：管理层为什么要在这个时间点改变长期使用的会计估计？

这位评论者把调整动机视为最高级别的警报。他的推测是，企业可能已经缺少其他维持报表利润的空间，才开始从折旧年限里寻找余量。这个判断不能仅凭一次会计估计变更得到证实，但它把问题从「利润多算了多少」转向了「管理层为什么现在需要这部分利润」。

另一条获得 46 个赞的评论则从资产经济寿命继续追问。Burry 担心的可能不只是折旧费用，而是尚未折旧完的芯片已经变得低效甚至无法满足需求。这样一来，云厂商必须在旧资产仍留在账面上时启动下一轮采购：前一轮投入尚未消化，新的资本开支和债务已经到来。

当然，也有相反解释。旧芯片不一定直接报废，它们可以从训练任务下沉到要求较低的推理和其他工作负载。只要资产仍能持续产生收入，延长预计使用寿命就可能反映真实的使用方式，而不必然是为了粉饰利润。折旧年限是否合理，最终仍要回到设备的实际利用率、维护成本和可产生的未来现金流。

这场争论实际包含三个不同问题：

Eisman 回答了第一层：无论 AI 成功还是失败，折旧差额都不是决定最终结果的最大变量。两条评论追问的却是后两层：资产是否真的能用那么久，以及企业为什么需要在此时延长年限。

因此，折旧调整本身不足以证明泡沫即将破裂，更不能仅凭评论就定性为财务操纵。但它仍然值得被认真对待：一个指标不需要成为最终死因，才有资格成为压力正在上升的信号。

缺的可能不只是电，而是整条电力基础设施

财务约束之外，AI 还要面对一个更难通过融资解决的问题：电力。

主持人在访谈里引用了 Elon Musk 的一句判断：「中国有芯片问题，美国有电力问题。」Eisman 认同这个区分。芯片制造再困难，仍可以通过技术、设备和供应链投入逐步扩产；电力却要落实到发电设备、输电网络、选址和施工，扩张周期更长。

Eisman 没有断言电力瓶颈最终会有多严重。他承认自己掌握的信息不足，但注意到了一个更直接的市场信号：不少与发电、电气设备和数据中心供电相关的公司，都在接到快速增长的订单。

GE Vernova 是其中最典型的例子。GE 过去有医疗、航空和能源三大业务。能源板块在收购 Alstom 后，正好遇上燃气轮机行业低谷，一度成为拖累整个集团的资产。三块业务后来陆续拆分，能源业务成为 GE Vernova。按照 Eisman 在访谈中的回忆，分拆前甚至有分析师给这部分业务估过负值。

情况随后反转。Eisman 在访谈中提到，美国发电量在长期停滞后重新增长，数据中心又把用电需求继续向上推。GE Vernova 的燃气轮机订单已经排到多年以后，单台设备体积巨大，制造也需要数年。过去没人愿意要的资产，突然变成整个 AI 基础设施扩张中交付周期最长的一环。

不过，排期延伸到 2030 年乃至更远，未必只是制造能力跟不上，也可能包含供应商主动维持扩产纪律。GE Vernova 的投资者材料使用的就是「有纪律地增加产能」：燃气轮机年产能分阶段提高，而不是按照当前最乐观的需求一次性扩充。

这和它经历过的上一轮周期有关。GE 能源业务曾在燃机市场崩盘后承受过剩产能和低利润，这一次自然不会只按 AI 用电预测的高点建设工厂。它要避免的未必是 AI 泡沫破裂，而是泡沫一旦破裂，自己再次留下大批工厂和过剩产能。

这种克制客观上也延后了需求接受检验的时间。大量远期需求先以产能槽位预约、长期订单和框架讨论存在，真正的设备交付与资本支出被推到多年以后。它不能消除泡沫，却可能把即时的供需失衡改造成一条更长的等待队列。届时真正需要观察的，不只是订单排到了哪一年，而是有多少预约最终转成正式订单。

Elon Musk 在孟菲斯建设 Colossus 数据中心的经历，把这种时间差表现得更直接。当地电网无法按数据中心的建设速度供电，xAI 调集数十台移动式燃气轮机，在现场先建起一套独立供电系统。算力设备可以先到，电网不会因此自动准备好。

这条捷径也没有消除基础设施约束，只是把问题转移到了空气污染、许可和社区冲突。Colossus 先后因大量燃气轮机的许可问题受到环保组织起诉和监管审查。现场发电能够缩短接电时间，却不能绕过一座电厂原本需要承担的许可和环境成本。

评论区对这一部分的补充不在于「到底缺多少电」，而在于电从发电厂送到数据中心要经过什么。一条评论指出，真正的限制可能是订单积压和设备交付周期：芯片可以快速迭代和扩产，大型发电设备却按月甚至按年交付，二者的扩张节奏并不匹配。

另一条更具体的评论列出了燃机之外的环节：变压器、开关设备、电机控制中心、输电线路，以及与监管机构和区域电力系统协调的并网流程。任何一环跟不上，数据中心都可能建成却无法满负荷运行。

这也解释了为什么只比较发电量容易低估问题。电力瓶颈至少包含三层：

• 有没有足够的新增发电能力；
• 发电与输电设备能否按期制造和安装；
• 项目能否完成接入电网所需的审批、建设与区域协调。

AI 基础设施面对的不是一个简单的「缺电」问题，而是几套工业节奏的错位：模型按月迭代，芯片按照更短的产品周期更新，数据中心按年建设，电力基础设施则以更长周期扩张。资金可以同时下单，却不能让这些周期立即统一。

卖铲子，也没有站在泡沫外面

谈完这些风险，主持人问了一个最现实的问题：如果仍然想参与 AI 投资，哪些位置相对安全？

Eisman 先给出了自己的边界。他不会投资 LLM 公司，因为它们尚未形成护城河；对超大规模云厂商也保持谨慎，因为数据中心资本开支正在消耗它们过去充沛的自由现金流。相比之下，他更愿意看那些正在接收这笔资本开支的公司：NVIDIA、Micron、GE Vernova、Arista Networks、Cisco，以及 Eaton 等电气化企业。

这就是常见的「卖铲子」逻辑：不预测最后哪家模型公司胜出，只投资所有参赛者都需要购买的芯片、网络和电力设备。只要竞争继续，上游供应商就能先拿到现金。

这套逻辑确实避开了一部分风险。NVIDIA 不需要判断 ChatGPT、Claude 还是 Gemini 最终占据入口；GE Vernova 也不需要知道哪一家数据中心会训练出最好的模型。它们只需要客户继续扩建算力和电力基础设施。

但风险并没有消失，只是从「谁会成为赢家」变成了「这场竞赛还会投入多少钱」。模型公司依赖融资，云厂商依赖资本开支回报，卖铲子的公司则依赖这些客户继续下单。它们处在现金流更靠前的位置，却仍然属于同一条链。

一条评论对 NVIDIA 提出了这个质疑：当前收入中有多少来自客户竞相抢购形成的初始热潮？如果采购增速开始下降，即使收入仍在增长，按照持续高增长定价的股票也可能迅速调整。评论者给出的具体跌幅只是猜测，但问题本身成立——供应商的产品可以有真实需求，估值仍可能建立在需求永远加速的假设上。

GE Vernova 的扩产纪律也说明了同一个问题。供应商自己并没有把所有远期预约都当成确定需求，而是在提高产能的同时避免再次留下过剩工厂。如果设备制造商都不愿按照需求峰值扩产，投资者更没有理由把订单排期直接当成未来收入。

所以，「卖铲子」不是站在泡沫之外，而是选择了泡沫中更早收到钱的位置。它降低了对单一模型赢家的依赖，却没有摆脱行业资本开支周期。一旦竞赛从扩张转向控制成本，最先感受到变化的，仍会是那些依靠新增订单增长的供应商。

Agent 会消灭中间商，还是也会动摇传统 SaaS

访谈的最后一条主线从基础设施回到软件。Eisman 举的例子是 Meta 推出的个人 AI Agent Muse：用户只要告诉它出行日期、目的地和酒店要求，它就可以搜索、比较并完成预订。

过去，用户会直接打开 Booking.com 或其他旅行网站，在页面里搜索航班和酒店，也会看到平台展示的广告。Agent 介入后，用户不再逐个访问这些页面，只向自己的 Agent 描述需求。Eisman 因此判断，旅行平台会失去最重要的东西：直接面对用户的入口。

You’re not their customer anymore. Your AI is.

你不再是它们的直接客户，你的 AI 才是。

这句话抓住了变化，但把交易链条说得过于简单。Skift 对 Muse 的测试显示，航班查询和预订接入了旅行基础设施服务商 Duffel，酒店搜索则会通过浏览器访问 Expedia、Hotels.com 等现有平台。Agent 未必消灭中间商，更可能把它们从用户主动访问的网站，变成后台被调用的库存和交易服务。

真正受到冲击的是入口价值。过去的平台同时控制搜索排序、品牌曝光、侧边栏广告和交叉销售；Agent 只关心如何满足用户给出的条件，不会因为页面广告更醒目就改变选择。旅行平台可能仍然完成交易，却不再掌握用户首先想到谁、看见谁以及信任谁。

Eisman 认为，深度嵌入企业内部的软件会安全得多。Salesforce 和 ServiceNow 已经连接了客户数据、审批流程和大量内部系统，替换它们不是更换一个聊天界面，而是重新组织企业的工作方式。高迁移成本本身就是护城河。

一条获得 48 个赞的评论对此提出了反对意见。评论者自称是 Salesforce 开发者，认为这种护城河正在被高估：如果 AI 显著降低定制软件的开发和维护成本，过去因为太贵而无法替换的系统，可能重新变得值得替换。传统 SaaS 的规模和复杂度，也可能从优势变成负担。

这个反驳成立的关键，不是 Agent 能不能生成一个 CRM，而是企业能否低成本地迁移历史数据、权限、流程、集成和审计要求。生成代码的成本下降，只解决了替代过程的一部分。只要迁移失败的代价仍然高于继续付费，原有系统的护城河就还在；当替代收益开始超过迁移成本，深度嵌入反而会让客户更强烈地感受到被锁定。

评论区还有另一种更基础的质疑：订餐、订酒店和规划旅行，是否真是用户愿意大规模交给 Agent 的需求？技术能够完成任务，不等于用户愿意交出账号、支付权限和决策权。Agent 要兑现视频设想的冲击，还要先跨过信任、责任和持续使用这几道门槛。

因此，Agent 对软件行业的影响不只是「哪些产品会被替代」。更准确的分界线是：谁控制用户入口，谁退到后台提供交易；谁的迁移成本仍然高于替代收益，谁的护城河才继续成立。

判断泡沫，不是判断技术真假

Eisman 在这场访谈里最重要的判断，不是 AI 有没有泡沫，而是它和 2008 年的泡沫存在一个根本差异。

次贷危机以前，他能够找到一条相对清晰的因果链：放贷标准下降，房价一旦停止上涨，借款人开始违约，抵押贷款证券随之失去支撑。AI 目前还没有这样明确的引爆条件。OpenAI 可能融不到下一轮资金，也可能被一家超大规模云厂商接住；资本开支可能下降，也可能因为竞争压力继续增加。风险已经能够被描述，结局却还不能被交易。

这也是为什么这不是一次做空宣言。Eisman 没有否认估值和融资链条的脆弱性，也没有把所有质疑归为末日论。他只是没有看到一个能够把「可能高估」转化为「何时崩溃」的可靠催化剂。

更重要的是，技术革命和金融泡沫并不互相排斥。铁路改变了运输，互联网改变了信息流动，它们都没有因此阻止投资者在基础设施建设高峰期支付过高价格。AI 也可以最终创造巨大的生产力，同时让这一轮部分公司、项目和投资者遭受损失。

真正需要观察的，不是某位投资者是否宣布泡沫成立，而是前文几条链是否开始同时反转：

这些指标不会在同一天发出信号。融资可能先收紧，订单仍然看起来充足；设备已经交付，电力却没有接通；Agent 获得大量试用，持续使用和付费却没有跟上。泡沫最危险的时刻，往往不是所有叙事同时被证伪，而是不同链条的时间差开始由企业自己承担。供给纪律和远期排期可以延缓风险暴露，却不能消除风险，只是把需求验证推向未来。

所以，关于 AI 最值得问的并不是「它究竟是不是泡沫」。这个问题把技术能力、商业价值和资本市场价格混成了一个结论。更有用的问题是：

• 哪些需求已经由客户收入而不是投资者资金支付；
• 哪些护城河来自产品，哪些只来自资本和暂时的算力稀缺；
• 哪些订单具有约束力，哪些只是对未来产能的占位；
• 如果融资停止一年，谁还能继续运行；
• 如果 AI 最终成功，今天支付的价格是否仍然能够获得合理回报。

AI 是否会改变世界，和今天所有投入是否值得，是两个完全不同的问题。真正决定这一轮周期的，不是 AI 最终能不能赢，而是谁能活到它赢的那一天，以及中间这段时间由谁付钱。