前沿AI实验室会迎来“共享办公泡沫时刻”吗？

前几天参加一场行业聚会席间有人抛出一个很直接的问题前沿 AI 实验室会不会迎来自己的“共享办公泡沫时刻”问题一出饭桌上安静了几秒——不是没人接话而是有点不知道从哪接起。毕竟这几年前沿 AI 实验室的处境本身就很拧巴一边是 AGI 级别的宏大叙事和天量融资一边是每个月都在逼近极限的电费账单、算力账单和人力成本。这个问题其实不是在问 AI 会不会完蛋而是在问当一个领域被资本捧到天上而商业模式还站在地上的时候故事讲不下去的那一刻究竟长什么样。我自己更多把这个问题当成一个“商业观察题”来看。它背后真正想聊的是前沿 AI 实验室现在所处的估值水位、收入结构、成本刚性和资本预期是不是正在复刻当年那家共享办公巨头的轨迹。这篇文章不写代码不讲算法细节也不给你立一个“会”或“不会”的二元旗号而是把我看到的行业现象、算过的账、以及身边真实团队正在做的自救动作摊开来聊一聊这个所谓“时刻”到底会不会来以及如果来了我们会怎么认出它。1. 先把这个话题翻译成人话AI 实验室和共享办公巨头是怎么被相提并论的1.1 那个让所有人沉默的问题我在开头说的那次聚会不是虚构场景当时提问的是一个看了不少一级市场项目的朋友他原话大意是“AI 实验室现在的状态说句不好听的就是当年的共享办公巨头只不过出租的不是工位是‘未来’。”这话糙但确实有它的锋利之处。要判断这个类比成不成立首先要定义清楚“前沿 AI 实验室”指什么。我这里的口径是把 AGI 或“超级智能”挂在公司愿景里研发投入不设上限模型能力在行业第一梯队同时在商业上还没找到一个能覆盖成本的稳定收入模式的研发型组织。这类团队有一个共同特征——它们不是因为眼下赚钱才存在的而是因为“未来可能改变很多东西”才被资本允许继续烧钱。而那家共享办公巨头当年的逻辑也非常像它卖的不是普通工位是“灵活办公”“社区感”“企业文化建设”这类概念溢价。两者都建立在一个共同的假设上只要增长故事足够大今天的亏损可以被明天的估值兑现补上。问题是这个假设能撑多久没有人说得清。1.2 共享办公泡沫留下的教训还热乎着回顾一下那家共享办公巨头发生了什么它用一纸长租合约租下整栋楼装修拆成一个个开放式工位再按月租给创业公司和大企业分部。表面上看起来是轻资产的“空间服务商”实际上手里的负债全是二三十年期的租金承诺收入端却是一份份随时可能不续约的短期合同。当扩张速度还在加快的时候所有人都觉得它估值几百亿美元是有道理的——每个季度新开门店数量、入驻企业数、工位出租率都在涨故事可以一直讲。可一旦资本市场开始重新审视“这个故事真的能产生利润吗”融资节奏一断长期租约的刚性支出就立刻变成了绞索。后来它的估值缩水到原来的零头不是技术和产品突然垮了而是资本雪球停止滚动之后商业模式里的致命伤被直接曝光。这就是所谓“时刻”的本质一家公司不是死于某一天而是死于“融资支撑增长、增长支撑估值、估值支撑下一轮融资”这条链断掉的那一天。1.3 为什么这个话题值得认真聊而不是当成段子把同样的框架套到前沿 AI 实验室头上你会发现这不是段子而是正在发生的账务现实。训练一次前沿级别的模型成本可以从数千万美元一路冲到数亿美元量级维持一支顶尖研究团队人均成本又是传统软件公司的好几倍再加上电力、算力集群折旧、数据采买每个月都在产生真金白银的支出。可收入端呢确实有一部分可以算作“真实收入”比如用户订阅、API 调用、企业定制但离覆盖研发成本还差得很远。这种状态如果放在一家普通创业公司身上早就该被质疑了但因为有“AI 改变世界”的叙事在前面遮着很多本该早一点算清楚的账到现在都还是笔糊涂账。所以我认为这个问题不是大家在饭桌上抬杠而是在问一个非常现实的事前沿 AI 实验室这种模式到底是“新型创研发公司”还是“穿了技术外衣的资本接力游戏”2. 泡沫的三个共性信号增长叙事、成本刚性与资本接力2.1 信号一永远在路上永远需要下一轮共享办公巨头的融资史本质上是一条永不停歇的资本接力跑道竞争对手在扩张所以你必须更快扩张你的估值来自店面数和工位数的增速所以你必须拿刚融到的钱继续签约新楼。一轮融资的结果就是下一轮融资的起点中间根本没有时间形成真正的利润缓冲。前沿 AI 实验室的处境有很相似的一面。模型能力竞赛没有终点线每隔几个月都会有更高分的榜单、更强的模型、更夸张的参数量。别人发了一个多模态模型你就不能只做文本别人把一个模型做到了千万级上下文你的团队就得重新讨论技术路线。这些“必须跟”的压力背后全是烧钱。而且前沿 AI 领域有一个其他行业不太明显的放大效应顶尖研究人才是高度稀缺的想留住一个核心团队不只是开高薪那么简单还要给足够的计算资源、论文署名空间和“做大事”的可能性。这些成本很难砍因为它们恰恰就是你继续留在牌桌上的资格。2.2 信号二故事永远跑在收入前面共享办公当年有一句经常被投资人挂在嘴边的话我们不是在租工位而是在定义未来的工作方式。这个故事本身不能说完全是骗局但它确实起到了另一个作用——让人暂时忘记“单店到底什么时候能回本”这个朴素问题。前沿 AI 实验室现在也有类似的故事我们短期内亏钱是因为我们在攀登 AGI技术一旦突破到某个阈值所有行业都会被重写到时候我们自然能赚到超量利润。这话有没有道理有一点。但它最大的问题在于把“未来可能的收入”提前定价到了现在的估值里而且没给“如果未来推迟”留出任何折扣。我见过一个比较直接的测算某前沿团队的年支出大约在数亿美元年收入可能只有支出的十分之一到五分之一。在传统商业评价体系里这种覆盖率很难支撑当前的估值。但市场愿意接受是因为大家相信模型能力还在指数增长迟早能把使用场景撑大。什么时候这个“相信”开始松动故事就讲不动了。2.3 信号三成本结构刚性到什么程度共享办公泡沫破碎的一个技术性原因是成本刚性太强。租金和装修摊销是长期合同不可能说“这个季度出租率不行就先不付了”收入端却又灵活得多客户随时会退租。一进一出现金流就会被两侧的力量撕开。前沿 AI 实验室的成本结构也有刚性但和共享办公不太一样。它的刚性主要来自三块第一算力集群一旦部署折旧和电费就是持续支出第二顶尖团队的薪资是市场化定价一旦低于其他大厂的薪酬水位就会有人出走第三训练数据、评估集、合规基础设施会随着模型复杂度增加而水涨船高。这三块都不存在“今年紧张就先砍掉”的选项。但这里也存在一个关键差异我在第 3 部分会展开AI 实验室的部分成本是可变的比如推理负载可以根据业务量扩缩容训练任务可以错峰排期。而共享办公的租金几乎完全没有弹性。这个差异决定了就算 AI 实验室真的进入挤泡沫阶段它的“坍塌方式”也不会和共享办公一模一样。为了看得更清楚我把两者的核心维度放进同一个表里对比维度共享办公巨头前沿 AI 实验室核心资产长租约锁定的办公空间顶尖人才、算力集群、模型权重成本结构高固定租金、装修摊销为主算力与电力为主部分可变收入来源工位费、会员费、场地增值服务API 调用、订阅、企业定制服务增长引擎门店数量与入驻率模型能力迭代、客户场景渗透核心叙事重新定义工作方式重新定义技术边界坍塌触发点融资断档 出租率下滑融资断档 付费增长持续低于预期3. 别急着套公式AI 实验室和共享办公有三个本质不同3.1 技术壁垒从“地段”到“算法”共享办公巨头的护城河坦白说没有它自己宣称的那么深。核心资产是地段、装修、社区运营而这些都可以拿钱堆出来。所以它一旦扩张就会面临一个尴尬现实你能做的事别人砸钱也能做别人开始低价抢客户时你的出租率就保不住。前沿 AI 实验室的技术壁垒却要深得多。一个能训练出第一梯队模型的团队背后是多年积累的工程体系、数据管线、训练技巧和一群彼此磨合了很多年的研究人员。你可以挖走其中一两个人但你很难随便复制出一个水平相当的整建制团队。更别说模型本身还带有先发优势早期用户的反馈数据、在线调用带来的优化信号都是后来者拿钱也未必能快速补上的。用打比方的话说共享办公是租到好地段就能开张的生意AI 实验室则更像种果树——前期投入确实烧钱但树一旦长起来根系是扎在技术和数据土壤里的不是谁拎着钱袋子就能把它连根拔走。3.2 收入模式AI 已经有真实付费场景而不是只靠愿景我们不能为了看空而看空。前沿 AI 实验室手里确实已经有相当一部分真实付费场景在跑。企业客户把模型 API 接进了客服、编程助手、数据分析等流程个人用户也在为对话产品、作图工具、代码补全功能掏月费。这些收入当然覆盖不了研发成本但它的存在本身有另一个意义证明产品和市场已经碰上了差的只是规模效应进一步放大。和共享办公巨头每次涨价都会被客户用“楼下还有别家”来压价不同AI 能力的客户一旦把工具嵌入工作流替换成本是实实在在的——你不可能为了让预算表好看一点就把已经调好提示词、接好内部数据、让团队用顺手的 AI 工具整个踢掉。所以我的判断是前沿 AI 实验室的收入侧不是“讲故事”而是“故事刚开始兑现”。问题只在于兑现的速度够不够快能不能跑赢成本侧的增长。3.3 成本曲线前置烧钱和持续烧钱是完全不同的两件事共享办公的成本曲线是平的硬线——不管营收如何租金照付、人员照养、装修照摊。而且开店越多这条硬线越粗几乎看不到边际递减。AI 实验室的成本曲线则更接近软件研发的形态前期训练阶段烧钱非常猛但模型训练完成之后服务大量用户时只产生推理成本。而推理成本正在以相当快的速度下降——量化、蒸馏、稀疏激活、专用硬件优化这些手段在过去一两年里把单位 token 的成本压低了一个数量级以上。也就是说只要你不是每三个月就重新训练一个更大规模的模型你的边际成本是可以持续走低的。当然如果实验室选择永远追求更大规模、更加通用的前沿模型那成本曲线就会重新变成一条陡峭上升的线。所以这其实是一个路线选择问题是不断冲击更复杂的前沿任务还是先把已经有能力水平的东西送到足够多的客户手里。现在的趋势是越来越多的团队开始选择后者。这恰恰是它们和共享办公巨头最大的不同之处共享办公是一个“越扩张成本负担越重”的生意AI 实验室却可以在“控制训练预算、放大推理效率”的前提下实现成本曲线的摊薄。3.4 客户关系从“卖空间”到“嵌入流程”我前面提到替换成本这里展开说因为这一点决定了泡沫破碎时的形态。共享办公的客户关系是很浅的企业租几个工位本质上和租仓库没有区别今天租东边明天租西边只要便宜就行。所以一旦经济下行或者市场供给变多客户流失速度会非常快。AI 产品的客户关系则要深得多。一家银行把模型接进智能客服一家制造企业把模型接进质检流程一家医疗公司把模型训练在私有数据上用来辅助诊断——这些都不是“用两天不好就换”的关系。模型和现有系统、数据管道、业务逻辑交织在一起交接成本高到客户宁愿忍受一定程度的涨价也不想大动干戈重做一遍。这也是为什么我认为前沿 AI 领域不太容易出现共享办公那种“一夜之间客户走空”的崩塌式局面。它更可能出现的情形是一批没有真实客户、只靠概念融资的 AI 项目先出局而那些已经嵌进客户流程的团队会经历一段“估值回调但收入缓步增长”的挤水分过程。4. 我身边真实发生的变化前沿 AI 实验室正在集体转向务实4.1 从发论文到做产品实验室内部的组织变革如果说一年前我接触到的前沿实验室团队还在把大部分精力放在评估刷分、发论文、开技术发布会上那么今年一个非常明显的变化是几乎所有团队都在调整组织结构把“产品化”放到更核心的位置。有一位在实验室里负责研发的朋友原话让我印象很深“今年老板已经不怎么看我们上没上某个榜单了他只会问三件事——付费客户有没有涨、模型调用量有没有涨、推理成本有没有降。”这不是个案。越来越多的前沿实验室开始设立专门的产品组、解决方案组、客户成功组甚至让研究员直接陪销售去见客户。研究员以前是实验室里的“明星”现在被要求去做交付支持其实是一件文化冲击挺大的事。但我觉得这是好事。组织开始为收入负责就意味着它不再把所有希望押在“下一次技术突破”上而是先想办法活到那一天。4.2 垂直落地的“模拟项目X”我们是怎么算这笔账的为了说清楚这种转向在实践中怎么发生我拿一个内部代号为“模拟项目X”的真实类案例来拆解。某个前沿实验室不再去做通用大模型而是选定了一个具体行业比如制造业质量检测用一个中等规模的模型加上行业数据做深度适配再打包成一套可以嵌入客户流水线的解决方案。这个项目的账是这么算的训练和适配成本数千万人民币量级主要是买算力和数据标注。预期年服务收入如果能拿下几家头部客户每年可以做到数千万。续费逻辑客户一旦把模型接入产线并跑通验证后续切换成本很高续费概率比单纯卖 API 高得多。毛利率推理成本在行业场景里占比不高软件和服务的边际利润比纯 API 转售健康不少。对实验室来说这种项目最直接的价值不是在财务上马上扭转乾坤而是让团队第一次有了“收入和成本可以放在同一张表里看”的经验。以前大家算账都是算“训练这个模型花多少钱”很少有人算“服务这个客户赚多少钱”。从后者开始思考问题整个团队的经营逻辑都会变。4.3 控制算力账单的一些土办法这部分不是高深技术全是实际踩坑总结。算力账单是实验室最大的成本项我见过太多团队把钱浪费在没必要的地方。现在比较务实的做法大致有几种训练之前先做小规模实验验证数据质量不要一上来就上大规模集群跑正式训练。小模型能解决的问题不要因为“面子”非用大模型硬扛蒸馏、剪枝、量化这些手段已经足够成熟。推理负载按波峰波谷错峰处理有些任务是可以接受延迟的那就安排在算力价格更便宜的时间段跑。成立一个“算力审批”小组所有新任务都要先估一遍性价比。听起来官僚但确实能砍掉不少无效支出。这些东西单独拿不出手当技术成果但它们直接决定了实验室在融资冷淡期能撑多久。我越来越觉得控制成本不是财务部门的事而是研发团队自己的生存底线。4.4 资本也开始问“单位经济模型”了另一个明显变化来自资本端。以前做尽调投资人最爱问的是“你的模型比某某强多少”“你比竞争对手晚多久达到 AGI”。现在你在融资路演上再讲这些对方会礼貌地点头然后开始问你的 GPU 利用率是多少核心付费客户有哪些续约率怎么样获客成本摊到多久能收回这个变化本身就是在挤出泡沫。资本从“为愿景付费”转向“为单位经济付费”意味着估值体系已经开始重塑。很多靠概念撑着的边缘项目会自然出清而真正把账算明白的团队反而更容易在下一轮获得资源。5. 那么前沿 AI 实验室到底会不会迎来那个时刻5.1 先分清“实验室”和“公司”聊“会不会”之前必须先把概念拆开。并不是所有前沿 AI 实验室都会被推到“泡沫破裂”的审判席上。那些更接近学术界形态的研究机构经费来自捐赠、基金和非营利性项目本来就不靠估值活着自然不会有所谓的 WeWork 时刻。真正需要讨论的是那些商业化驱动的 AI 实验室它们顶着实验室的名号但其实是一家需要向投资人交代回报的公司。也只有这类组织才会面临“故事撑不起估值”的那一天。我的结论是前沿 AI 领域不会出现一个和共享办公巨头一模一样的砸落式结局。它更可能进入一个漫长且痛苦的“估值回归”区间中间会有人掉队但也会有人走出来。就像互联网泡沫破灭之后市场没有不再用互联网只是不再为“任何网站都值一亿美元”买单。5.2 三个需要紧盯的预警指标与其猜“什么时候出事”不如盯住几个可以量化的信号。如果下面三个指标同时出现那确实要认真警惕了主流 AI 产品的付费用户增长开始连续两到三个季度放缓而不是某个季度波动。训练新模型的成本增速持续高于收入增速并且看不到任何规模效应或推理优化的拐点。核心研究人才开始批量流向金融、医疗、法律这些“确定性更高的行业”而不是还没出现过这种流动。这三个指标分别从需求侧、财务侧和人才侧反映了同一个问题人们不再相信“现在的投入能在未来换来超量回报”。一旦这种信任消失泡沫必然会调整无论在哪个行业都一样。5.3 我的最终态度更可能的是“挤泡沫”而不是“轰然倒塌”把前面所有分析收拢起来我的态度其实很明确我不认为前沿 AI 实验室会迎来一次全面的、共享办公式的崩塌但“挤泡沫”这件事已经在发生了而且还会持续一阵子。理由是AI 技术确实在真实地改变工作流付费市场确实在扩大成本曲线也确实存在下降通道。这些基本面是共享办公巨头当年不具备的。估值回归不意味着技术没有价值恰恰相反它意味着市场开始要求技术价值尽快转化为财务价值。这个过程对观望者是难受的对身处其中的从业者更是。但换个角度想挤泡沫往往不是坏消息它是对“谁在裸泳”的一次强制体检。潮水退去之后场上剩下的团队会更少也更扎实。5.4 没什么面子好讲的给同行的三条保命建议最后说点个人层面的体会。我在这一行待久了最大的感受是泡沫与否很多时候不是一个宏观问题而是每个团队每天晚上睡觉前要面对的具体焦虑。如果非要给同行分享点经验我会说三条。第一尽快找到一个愿意为你付费并签下长期合同的行业客户。别总盯着模型排行榜——榜单不付你工资客户才付。第二每次花钱采购算力或扩张团队之前先问自己这是“资产”还是“费用”。你有权给自己画饼但别让资产负债表替你的乐观买单。第三努力保持一个二十人左右就能跑通垂直闭环的敏捷组织。大组织的荣誉感和安全感很诱人但小团队的生存能力在动荡期更珍贵。这些建议听着朴素可能不高大上但我觉得它们才是真正能让一个 AI 实验室在所谓“自己的时刻”到来时还稳稳站在牌桌上的东西。