喜马拉雅资本创始人李录在哥伦比亚商学院第36届格雷厄姆与多德年度论坛上谈了不少AI。他认可这场技术革命的长期价值，但认为AI的发展可能经历不止一轮繁荣与崩溃。技术能走多远，除了取决于算力和算法，还受到资本投入、商业回报以及社会治理的约束。
李录对生成式AI的理解相当克制。他认为，AI利用庞大的算力和算法，从人类创造的数据中识别复杂关联，逐渐具备推理、编程和知识处理能力。它可以大幅降低知识和专业服务的获取门槛，但目前仍主要建立在人类积累的知识体系之上。能源、交通、制造业这些物理世界的约束不会因此消失。对于AI脱离人类控制、持续自我改进的可能性，他尤其警惕，认为人类必须保留监督和干预能力。
商业层面有个很现实的问题：AI与传统互联网的成本结构差别很大。 互联网基础设施建好之后，新增信息分发的边际成本可以压得很低，但AI每生成一次回答、执行一次Agent任务，都需要继续消耗GPU算力、电力和存储资源。模型训练需要大量前期投入，推理服务还会随着调用量增长产生持续成本。即使单次Token价格不断下降，任务复杂度和调用规模上升后，整体算力支出依然可能增加。
这也解释了AI产业链不同环节的盈利差异。英伟达、博通、台积电等上游供应商，可以直接从芯片采购和制造订单中获得收入；微软、谷歌、Meta等大型科技公司则需要承担数据中心建设、设备折旧和运营成本，再通过云服务、广告效率提升和企业客户付费收回投资。模型厂商还要面对推理成本、价格竞争和持续研发投入。上游资本开支对应的订单增长，并不意味着下游能够同步获得相同规模的利润。
李录还谈到资本过度集中的问题。他举标普500指数为例，2010年以来约16年的年化回报达到14%—15%，但2000—2010年几乎没有回报。把过去26年放在一起，长期年化回报又回到高个位数。市场可以在相当长的时间里偏离合理估值，但资本不可能无限增加。当大量资金集中追逐少数热门公司，另一边往往会出现一些经营质量不错、价格却受到冷落的企业。他认为，这种分化在美国、中国及其他市场都存在。
对于价值投资者而言，技术创新和股东回报始终需要分别衡量。AI能够提高生产率，扩大知识服务的供给，但巨额资本投入最终仍要通过收入、利润和现金流来消化。技术进步可以持续很多年，资本市场却未必会沿着同一条曲线定价。 这也是李录判断AI可能经历多轮繁荣与崩溃的重要原因。