历史 × 资本 × 产业 × AI

技术发明只是起点，
规模渗透才会改变时代。

从蒸汽机到 AI，每一轮都沿着相似路径发生： 突破 → 基础设施 → 资本投入 → 企业重构 → 新收入 → 新瓶颈。不预测热词，观察钱、流程与生产关系真正改变了什么。

先抓住一个规律

六个技术时代，七个时间锚点

1776 与 1840 属于同一轮蒸汽工业化：前者是商业化起点，后者是规模渗透的观察窗口。每个年份不是一道历史考题，而是用来区分技术出现和社会真正采用。

起点事件 → 规模渗透

同一条流程线，看懂六轮生产力变革

横向比较同一组问题：降低了什么成本、钱先流向哪里、企业怎样重构、最后谁获得收入。

1776–1777 → 1840

蒸汽与工业化

机器开始系统性替代肌肉，生产从家庭作坊集中到工厂。

先建设: 煤、铁、运河、铁路、工厂
钱流向: 矿业、机械、纺织、运输
组织变化: 固定工时、规模分工、城市化
新瓶颈: 物流、资本密度、劳资关系

1882 → 20世纪初

电气化

能源可以被远距离分配，工厂不再围绕一根动力轴组织。

先建设: 电站、电网、铜线、电机
钱流向: 公用事业、电气设备、耐用品
组织变化: 重排工厂、流水线、规模生产
新瓶颈: 标准、安全、管理和市场需求

1981 → 1990年代

个人电脑

计算能力从机构机房进入个人岗位，软件成为新的生产工具。

先建设: 芯片、硬件标准、操作系统
钱流向: 半导体、PC、办公软件
组织变化: 个人计算、数字文档、局域网
新瓶颈: 易用性、软件生态、互联互通

1991 → 1993以后

互联网

连接和分发成本骤降，市场从“占有资产”走向“占有网络”。

先建设: 光纤、协议、服务器、浏览器
钱流向: 电信、门户、电商、搜索、云
组织变化: 在线交易、平台、远程协作
新瓶颈: 信任、支付、注意力和数据

2001–2005 → 2007

移动互联网

网络从一个地点变成随身入口，场景、位置与交易实时连接。

先建设: 3G/4G、智能终端、应用商店
钱流向: 设备、平台、广告、支付、本地生活
组织变化: 实时运营、按需服务、零工网络
新瓶颈: 入口垄断、隐私和注意力

2022 → 正在渗透

AI 与 Agent

一部分认知、表达和执行成本下降，人逐渐转向目标、取舍与责任。

先建设: 芯片、数据中心、电网、数据治理
钱流向: 算力、模型、云、企业工作流
组织变化: 人定目标、Agent执行、系统验收
新瓶颈: 真实数据、流程改造、信任与责任

Capital is a signal, not an answer

钱流入最多，不等于利润已经出现

资本说明预期、资源和竞争强度；机会还要经过客户付费、单位经济性与价值留存三次验证。

用四个信号一起判断

资本投入：市场愿意为哪个瓶颈提前建设？
客户付费：是试用、预订、年化运行率，还是已确认收入？
单位经济：收入能否覆盖算力、集成、审核与获客？
价值留存：停止补贴后，客户是否仍愿意持续使用？

客户价值 ↑

高资本 × 高价值可能进入规模部署

高资本 × 低价值预期、泡沫或建设过早

低资本 × 高价值被忽视的垂直机会

低资本 × 低价值暂时没有进入理由

资本流入 →

能源与数据中心

最物理、最重资产。电力、并网、冷却和设备交付正在成为约束。

收入较明确 · 资本开支极高

芯片与云

目前最先兑现收入，但供给扩张、折旧和价格竞争决定最终回报。

需求强 · 毛利承压需观察

基础模型

用户和收入快速增长，训练、推理与融资需求也巨大，不能用估值替代利润。

高增长 · 高不确定性

企业平台

办公、CRM、ERP、数据库已有权限、数据、工作流和客户关系。

分发强 · 更靠近持续合同

行业 Agent

进入设计、生产、销售、服务和治理流程，结果可以被经营指标验收。

交付难 · 价值空间更深

消费端入口

负责习惯、流量和个人生产力，但免费推理成本、转化与留存仍需验证。

用户大 · 收益结构未定型

从助手，走进经营系统

AI 的主战场，是让组织创造更大结果

节省个人工时只是第一层。越靠近收入、毛利、现金循环、风险和新产品，价值越容易被企业持续付费。

工具级

节省个人时间

摘要、写作、PPT、代码补全。

指标：单任务时间

流程级

缩短完整流程

报价、客诉、理赔、审批、研发验证。

指标：周期与错误率

经营级

改变收入与毛利

提高转化、减少退货、优化库存和回款。

指标：收入、毛利、现金

模式级

创造新的产品

个性化服务、实时定价、按结果收费、智能运营。

指标：新增收入与留存

统一价值公式

AI 净价值

新增收入 + 毛利改善 + 可避免成本 + 周转改善 + 风险损失减少 + 新选择权

−

不能漏掉

全生命周期成本

模型与云 + 数据清理 + 集成 + 人工审核 + 错误返工 + 培训 + 合规 + 退出迁移

To B · 企业

最终必须回到经营结果

客户是否愿意持续付费？
流程扩大十倍后成本是否可控？
AI 是否进入后续系统，而非停在聊天窗口？
收入、毛利、库存、回款或风险哪一项被改变？

To G · 政府

衡量公共价值，而不是销售收入

服务等待时间和单位办理成本
错误、申诉、欺诈与资金损失
服务覆盖、公平、隐私和可解释性
最终责任是否仍有清晰的人类主体？

开始项目前

八问，挡住没有结果的 AI 项目

要改善的经营或公共指标是什么？
改造前的真实基线在哪里？
结果能否进入下一步业务流程？
错一次的代价和责任是什么？
人工复核会不会吃掉全部收益？
使用量扩大十倍后成本是否可控？
项目停止时，数据和流程能否迁出？
成功流程能否沉淀为可复用 Skill？

研究证据 · 实践方法 · 开放数据

继续验证，不把故事当定论

历史日期用于建立因果框架；AI收入、采用率和生产率会持续变化，必须保留来源日期与统计口径。

证据标注规则：论文和官方统计标为“研究证据”；书籍与人物框架标为“实践方法”； GitHub、Hugging Face 和开放数据集标为“开源实现”。公司自报收入单独注明“公司披露”。

继续：商业与产品判断回到 AI 发展史