刚在《金融时报》上看到约翰·伯恩-默多克的一张图表，它精准地提炼了我一直试图表达的观点。AI 产出了大量内容（这符合许多人对生产力的非正式理解），但根据麻省理工、麦肯锡、贝恩等多家机构的研究，它并未为许多公司带来多少投资回报，也没有实质性地改变 GDP。

《金融时报》的这张特定图表恰好是关于移动应用的。但你在许多领域都能画出类似的图表：名义上的生产力看似庞大，实际影响力却微乎其微。

例如，你可以对书籍发表类似的看法。生成式 AI 带来了更多书籍，但尚不清楚这些书是否更好，或者（抱歉我手头没有现成数据）是否卖出了更多。以下是《华盛顿邮报》提供的历年可获取书籍数量：

另一方面，同期图书销量却略有下降。而且我没有听到任何关于书籍质量正在提升的论点。

我上面引用的《华盛顿邮报》文章，还展示了音乐曲目上传量、无律师代理诉讼案件量、科学论文提交量以及网络内容生成量增长的类似图表。

同样，没有理由认为其中任何一项增加了 GDP 或提升了科学或音乐的质量。其中大部分是垃圾内容（在某些情况下是工作垃圾）：

《金融时报》和《华盛顿邮报》的图表反复展示着同一件事：我们正被 AI 生成的内容淹没，从应用到音乐再到科学论文，但这并不意味着其中任何一部分是好的。其中大部分（公平地说，并非全部）确实不好。

然后，垃圾内容还淹没了维基百科、图书馆等等。

同样的情况很可能也发生在数学领域。一群数学家，对 AI 影响数学研究的诸多方面感到担忧，撰写了一封名为《莱顿宣言》的公开信，据《纽约时报》报道，他们在信中表达了（除其他担忧外）对……的恐惧。

当前自动化技术能够生成看似合理但不可靠（甚至错误）的论证，这些论证与正确的数学证明难以区分。这不仅适用于非形式化论证，也适用于形式化证明——其难点在于计算机编码与人类概念呈现之间的转换。这些快速发展的进展给现有的审查体系带来了日益增大的压力，削弱了我们落实传统标准（即证明的正确性、透明性和独立可验证性）的能力。

换言之，就是数学垃圾。

不久前，当我思考官方生产力指标是否会因AI而改变时，一位投资者朋友写信提醒我，与GDP相关的生产力在技术定义上有多么狭隘。他指出：“在国民核算的技术世界里，付钱让人挖坑再填坑也能计入GDP。”

使用生成式AI会消耗模型token成本，并向世界充斥大量内容。但往往这些由一台庞大但不可靠的词语预测机器（其本质更偏向重复而非创新）所创造的内容，鲜有持久价值。

也许最大的例外是编程，但即便在这一领域，借助智能体编程创建的系统中，有多少能够长久存续，目前尚不明朗。

此外，尤其是在智能体编程领域，整个产业链上下都存在巨额亏损。提供商（OpenAI、Anthropic、Cursor等）亏损严重，正急于提价；客户则对新的使用模式望而却步。（在一项新分析中，Gerben Wierda认为Anthropic和OpenAI“可能每从你那里收取100美元，实际就要付出1000美元的成本”。）像CoreWeave这样的数据中心中间商也在亏损。一旦剔除所有循环融资和不断缩水的现金流，甚至很难说清芯片公司的真实状况。唯一可能的生产力亮点（编程）恰好也是烧钱最厉害的业务。

很可能，一旦提供商（OpenAI、Anthropic、Cursor等）试图收取足够高的费用来弥补亏损，AI的成本反而可能比它所替代的人类劳动力更加昂贵。

这就像是在挖坑却没有创造真正的价值。

附注：另见 Paul Kedrosky 的新文章，从不同角度得出了有些相似的结论。

再附注：关于昨天那条推文，大概半开玩笑地说：