缺席的代价比大量投资的代价更高，是当前人工智能（AI）发展格局最精准的一句注脚。从表面看，微软、谷歌、亚马逊、Meta等巨头像是疯狂押注未来：数百亿甚至数千亿美元砸向数据中心、图形处理单元（GPU）和电力基础设施，资本开支直线拉升。但若用博弈论的视角来看，这不是简单的贪心，而是一场标准的囚徒困境：每一家企业从自己的角度做出理性选择，却把整个系统推向集体风险更高的状态。
在经典的囚徒困境（Prisoner’s dilemma）中，两名嫌犯被分开审问，只要合作保持沉默，各关一年就是总成本最低的结果。但由于无法互信，也无法沟通，每个人都发现不论对方怎么做，我坦白总是对自己最有利，结果就是双方都选择坦白，各关五年，合计10年，比合作时更糟。关键不在于谁道德好坏，而在于激励结构逼迫每个人走向背叛。这套逻辑一旦套进AI军备竞赛，我们就能看懂为什么所有巨头都知道风险巨大，却没有人敢踩煞车。
放到AI产业，A玩家和B玩家的选择不是坦白或沉默，而是激进加速或谨慎安全。如果双方都选择安全路线，慢一点推出产品，强调风险管控、模型对齐与社会稳定，长期对产业与社会都最好，等于每人拿到100分的稳定收益。但只要其中一方相信对手出牌不会保守，最合理的反应就变成：我要全力加速抢到市占与技术领先，即使带来外部成本也在所不惜。一旦彼此都预期对手不会收手，就会滑向双方都激进的均衡——大家都还是赚到一些钱，却同时承担更大的风险和不确定性，总体福利反而低于一开始的共同谨慎。
资本市场的力量进一步把这个困境放大。对冲基金Davidson Kempner首席投资官约瑟洛夫（Tony Yoseloff）形容，科技巨头被迫不断加大AI支出，是因为担心失去竞争优势。今天的AI基础设施投资不只改变公司层面的报表，而是已联动整个宏观经济：大型科技股在指数中占比极高，被视为推动成长的主引擎；数据中心和GPU投资甚至成为美国国内生产总值（GDP）增长的重要来源。这意味着企业不再只是替股东负责，某种程度也被绑在国家成长的故事里——一旦你突然收缩投资，不只股价可能被修理，也可能被解读为对整体AI故事的背叛。
更吊诡的是，许多AI企业的商业模式目前在现金流上是站不住脚的，很多服务实际上是在赔本抢市占。理性来说，如果所有玩家都按照使用量、成本结构来定价，市场可以在相对健康的水位上稳定运作。但在争夺用户和故事的压力下，每一家都有诱因推出不限量、超低价甚至免费的方案，用补贴换成长：大家都去买最贵最新的GPU、堆最大的模型、给最多的免费额度，短期数据漂亮，长期却在压缩整个产业的利润空间。这就是分析者口中推理定价的囚徒困境：如果你守纪律，而对手疯狂补贴，你就会输；若你也加入补贴，大家就一起掉进不能永续的价格战里。
风险不只在公司财报层面，更可能演变成宏观金融问题。当前，AI相关资产的估值上升推高了股价、房地产需求甚至带动就业与工业投资，看起来是一台正向飞轮：资本支出拉动经济数据，又反过来支撑更高的估值与更宽松的融资环境。但正如过去房地产泡沫的教训，一旦市场在某个时点开始质疑这些AI投资的真实回报——例如获利迟迟不来、GPU价格反转、用户转向更便宜的替代方案——支撑一切的抵押品故事就可能松动，从资产价值下跌蔓延成信贷收缩，让整个AI—金融—经济飞轮急煞车。
在更高的一层，AI巨头的囚徒困境其实与国家之间的通用人工智能（artificial general intelligence，简称AGI）竞赛紧密相连。政策研究者已经用形式化模型描述：如果美国与中国都相信率先拿到AGI的战略收益大于它带来的安全风险，那么，双方都会被锁进一个国家级的囚徒困境。任何一方只要放慢脚步、加强安全和治理，都会担心被对手超车、在关键技术上落居下风，进而丧失军事、经济、话语权上的优势。结果就是：所有参与者都意识到风险，却都被激励结构推向加速而不是减速，全球层面的治理需求被技术竞赛的焦虑不断挤压。
要从这种局面走出去，只靠企业自律或道德宣言远远不够。从博弈论角度看，要打破囚徒困境，必须改变资讯结构与激励机制，让合作不再是天真的选项，而是可被持续维持的策略。一方面，需要更透明的风险揭露与回报预期，让投资人和监管者看清楚AI资本支出的真实盈利能力，而不是只被漂亮的增长曲线迷惑。另一方面，产业内部也可以透过标准制定、安全协议、共用基础模型与安全工具，降低重复建设和“你做我就一定要重做一遍”的冲动，至少在安全和风险管理上，形成合纵而不是纯粹的连横。
对国家层级的竞赛来说，各种形式的国际协调、验证机制与共同风险评估，则是把一次性的死亡赛局转化为可反复互动的长期博弈的关键。只有在可以监督、可以惩罚背叛者的架构下，合作的均衡才有可能出现，否则各方都会预期对手会在关键时刻加速，自己也就无法选择退一步。
从这个意义上说，AI巨头的囚徒困境不只是一个产业故事，而是当代科技资本主义的一面镜子：个体理性、短期激励与制度设计交织在一起，让所有人都觉得自己别无选择，进而选择疯狂All In（完全投入） AI。
作者是清华大学的马来西亚博士生
