要理解今天,得先把镜头拉远一点——远到过去 1000 年。

经济史学家安格斯·麦迪森长期研究人类过去 2000 年的经济产出,画出来的那条线被叫作「曲棍球杆曲线」:一根贴着地面延伸上千年的杆身,在 18 世纪末突然向上翘起,几乎变成一道垂直的刀刃。

据他测算,公元元年全球人均年收入相当于今天的 800 美元,到 1800 年前后才升到约 1140 美元。近 2000 年,只涨了大约四成。换句话说,那两千年里,一个人很大概率终其一生,都感受不到生活水平有什么明显改善。

1798 年,马尔萨斯从这上千年的规律里得出一个悲观结论:人口增长总会追上食物增长,人类注定在温饱线上挣扎。按当时的经验,这个判断没有错。

然后,一切都变了。干净的水、充足的食物、远超 40 岁的预期寿命、教育与科技成果,几乎都在最近 200 年集中涌现。点燃它的是一类被经济学家称为「通用目的技术」的创新:能渗透几乎所有行业、能随时间不断优化并持续降本、能让人更容易地发明新东西。蒸汽机、电力、计算机、互联网都是。而 2022 年点燃新一轮变革的那项技术,恰好也叫 GPT。

我先讲这些,不是为了掉书袋,是想给后面的判断立一把尺子。

+40%近 2000 年
人均年收入涨幅
2 个月ChatGPT
用户破 1 亿
−99.4%两年内
推理价格降幅

三个数字分别对应「慢、快、便宜」:麦迪森测算,公元元年至 1800 年前后全球人均年收入仅提高约四成;ChatGPT 上线约 2 个月用户破亿;以 2024 年 3 月模型智能水平为基准,两年间推理价格降约 99.4%(口径为 Token 推理成本,非前沿模型训练投入)。

PART 01每一次革命,都把一种昂贵能力变成基础设施

要感受这次有多深,得先看清之前几次有多大。

第一次工业革命,英国蒸汽动力的效能提升了近 400 倍。水力受限于河流,风力看天气,人畜力受制于体力和粮食——蒸汽第一次让动力变成可复制、可搬运、可持续放大的东西。第二次,电力和内燃机把机械能力从车间延伸到社会每个角落,电话电报让信息第一次接近光速流动。第三次,计算机、半导体和互联网,把信息存储与传播的边际成本压到趋近于零。

把这条线抽出来,规律就很清楚了:

阶段被变便宜、变可复制的能力
蒸汽 / 电力体力与肌肉劳动 → 可规模化
计算机计算能力 → 廉价
PC 互联网信息获取与全域连接 → 无处不在
移动互联网人、服务与交易 → 随时在线
AI智力本身 → 可调用、可复制、可规模化

所以 AI 变革不是「工业革命 4.0」。前几次替代的是力量、运算和传输,这次动的是认知本身——它是科技、商业和文明的全新篇章。

拿工业革命当标尺量一量,会发现无论在方向、速度还是增长框架上,AI 变革在每个维度都「碾压」了这把尺子。

PART 02四处碾压:方向、速度、成本、增长框架

第 1 处 · 方向颠覆

最贵的智力,最先贬值

过去 200 年的共识是:技术先替代简单劳动,再替代复杂操作,最后才轮到创意和认知类工作。这个顺序在 AI 时代被彻底改写——所有人都以为冲击会从工地和仓库开始,结果写字楼和会议室成了最先被冲击的地方。

背后是 1988 年提出的莫拉维克悖论:对机器来说,难的不是推理,而是走路、是把玩一个鸡蛋。推理、分析、语言理解、综合判断这些高级认知功能在演化史上出现得很晚,反而更容易被模仿复现。

据谷歌 CEO 皮查伊 2026 年 4 月公开表示,谷歌约 75% 的新代码由 AI 生成、经工程师批准后使用,而 2025 年秋这个比例约 50%。法律、工程、金融分析、战略咨询,以及高管每天开会做的分析、综合、评估、推理,都在同一条线上。

第 2 处 · 速度颠覆

扩散,几乎没有摩擦

业内常引用比尔·盖茨那句话:「技术的力量往往在短期内被高估,在长期内被低估。」这句话藏着一个前提——新技术的扩散需要相当长的时间,而时间给了所有人追赶和调整的机会。

过去两百年,这个前提一直成立:电力进入 70% 的美国家庭花了约 40 年,电话约 80 年,互联网 10 多年。要铺电网、拉铜线、建交换机、等 PC 价格降到家庭买得起——这些「摩擦」替企业争取了观察、学习、招人、说服董事会的时间。

AI 是纯数字的,跑在宽带、智能手机、云计算这些已经建好的底座上,不用再花几十年重铺物理管道。2022 年 11 月底 ChatGPT 上线,约 2 个月用户破 1 亿,扩散速度接近 Instagram 的 15 倍、TikTok 的 5 倍。

第 3 处 · 经济学颠覆

单位智能的边际成本奔向零

过去,智力是商业里最贵、最稀缺的生产要素。一个有经验的律师、一个敏锐的分析师、一个能独立推进项目的工程师,成本最难压缩,因为人的智力不能批量复制,也不能随需求临时扩容。

但单位智能的价格正在坍塌。Epoch AI 的分析显示,部分智能里程碑的价格每年约降至原来的 1/40;以 2024 年 3 月的模型智能水平为基准,两年间推理价格降约 99.4%。注意口径:这是调用已训练模型干活的 Token 推理成本,训练前沿模型的总投入仍在增加。一旦模型训练出来,复制、调用、分发的成本会快速下降。

第 4 处 · 增长框架颠覆

AI 正在加速开发自己

前 3 处已经足以构成一次历史性变革。第 4 处改的是规则本身:当 AI 开始写代码、合成训练数据、设计下一代架构,就形成了递归正反馈——AI 训练 AI。用当前模型开发下一代模型,在头部公司早已是公开做法。

2024 年 6 月,Leopold Aschenbrenner 在《态势感知:下一个十年》里判断:一旦 AGI 出现,AI 研究本身就能被自动化,节点最早可能在 2027 年。当时不少人觉得激进,如今看,它至少已不是纯粹的将来时。

据 Anthropic《When AI Builds Itself》(2026 年 6 月)披露:截至 2026 年 5 月,其代码库超八成合并代码由 Claude 自行编写(两年前不到一成);让模型优化训练代码的提速成绩,从 2025 年 5 月的约 3 倍,变成 2026 年 4 月的 52 倍——中间不到一年。

直白地说:这不是一条匀速曲线。你不能再拿线性外推,去做明年的预算。

PART 03「等等看」不是零成本,只是把账记到了明年

那这跟企业下个季度的损益表有什么关系?

我接触的老板里,说「等等看、明年再说」的,大多不是不重视,恰恰是很谨慎:等工具再稳一点、等案例再多一点、等价格再降一点。每一步单看都挺合理——毕竟过去两百年,「晚两年再追」一直是一条有效的商业经验。电力铺了 40 年,你有的是时间。

但这些决定共用一个没说出口的假设:AI 的进步会慢下来,我还追得上。而上面四处碾压指向的,恰恰是相反的一件事:这次不一样,它只会更快。

在你的预算表里,AI 的进步速度就是它的贴现率。
你把它明年能干的事估得越保守,今天选择观望,就越像一笔零成本的买卖。

直白地说:你觉得「它也就这样了」,自然会觉得「我明年再学也来得及」。可这两句话其实是同一句话。

而观望从来不是零成本,只是不进这个季度的报表。没拆过的流程、没沉淀的模板、没练过的团队,明年照样得补——那时候要补的内容更多,价格更贵,同行还多跑了一年。

我一点都不想说「晚一年就出事」,大多数公司不会。我只是想把那笔被算成零的账,摆到桌面上。

PART 04那到底该学什么?先说一种不该买的课

讲到这儿,按套路该推课了。但先别急——上面这个趋势,其实先否定了一种培训。

AI 迭代得越快,「学会某个工具」就越不值钱。今天教的按钮,明年可能就换了;花两天背下来的提示词模板,模型一升级就作废。如果一门课的全部产出是「员工认识了几个工具」,它的保质期比你想象的短得多。

所以企业真正要补的,不是工具清单,是三样换几代模型都不过时的东西:

01 · 拆场景的能力

哪一步交给 AI,哪一步必须人签字

出了错谁兜底。这是判断题,不是操作题——工具会换,判断不会。

02 · 用起来的机制

听懂不算数,得真跑通一遍

拿真实的标书、客户资料、排产表跑通一遍,还得有人盯上几天。学完就散场的培训,撑不过一周。

03 · 能复用的沉淀

把经验变成公司资产

场景清单、话术库、审核规则、内部知识库。模型可以换,这些资产不用推倒重来。

你要补的不是「追上 AI」,
是「让组织接得住下一茬 AI」。

这个能力有个挺要命的特点:它买不来。软件能采购,账号能开通,唯独「把 AI 塞进自己那条业务流程里」这件事,只能靠人带着练出来。

PART 05云贵川渝的企业,卡点往往很具体

我们在昆明、贵阳、成都、重庆做线下培训,见得最多的不是「不想用」,是三种卡住:

老板听了一堆概念,回到公司没人能把它翻译成自己那几条业务线 试点做过一两个,热闹一阵就停了,没进流程,也没人负责 工具买了、账号发了,用得最多的还是写周报

还有个更本地的现实:四城产业结构差别太大——川渝的制造和乙方服务、贵州的大数据、云南的文旅与农业,能跑通的场景根本不是一套。拿一线城市的通用课件过来讲,听着句句都对,回去一步都用不上。

所以我们把爱玩牛定位成「陪练员」,不是「讲师」:带电脑来,拿你们自己的标书、客户资料、排产表,当场跑一遍;课后有人盯,先把一个流程真正改掉,再谈复制到别的部门。

也不跟你承诺「效率提升百分之多少」。先把一个流程跑通给你看,比任何数字都实在。

回到开头那根贴着地面走了上千年的曲棍球杆。

过去 2000 年,人终其一生感受不到明显改善;最近 200 年,变化集中爆发。而我们正处在新一轮起飞的前夜——它把智力本身变成基础设施,还不打算给谁留太长的追赶窗口。

这不是拿来制造焦虑的。它只提醒一件事:别用去年的时间表,安排明年的学习。

模型会一茬一茬地换,你追不上,也不必追。真正要紧的是,下一茬来的时候,你团队里有人知道该把它接在哪道工序上。

AI 迭代的是模型,
企业要迭代的是把活干完的方式。

资料来源与延伸阅读:安格斯·麦迪森关于过去 2000 年经济产出的测算(曲棍球杆曲线);马尔萨斯《人口论》(1798);通用目的技术(GPT)相关研究;莫拉维克悖论(1988);谷歌云计算大会公开表述(2026 年 4 月);Epoch AI 关于智能里程碑价格的分析;Leopold Aschenbrenner《Situational Awareness: The Decade Ahead》(2024 年 6 月);Anthropic《When AI Builds Itself》(2026 年 6 月)。文中数值均按公开披露口径转述,预测性判断不代表既成事实。