AI是一场认知生产方式的重构

过去几年，关于AI的讨论常陷入两极：有人认为它将颠覆所有行业，也有人视其为资本炒作的泡沫。前者忽视了社会适应技术的复杂性，后者则低估了通用技术的深远渗透力。新技术往往被高估短期影响，却缺乏对长期演进的耐心，AI也不例外。

若以宏观历史视角，将AI置于技术革命脉络中审视，真相将更清晰：真正深刻的技术变革，从不源于单一工具的诞生，而在于它重塑了社会运行的成本结构。

蒸汽机降低了机械动力成本，电力降低了能源分发成本，电报与电话降低了远程协作成本，互联网降低了信息复制与传播成本。

而AI降低的是认知与执行成本。

人们使用AI最普遍的场景包括写作、检索、翻译、总结、编程、设计、决策辅助、图像生成与模拟推理——这些曾高度依赖人类脑力的任务，如今首次能像电力、流量或云计算一样，被计量、调用、复制与规模化。

由此可推：AI不只是新软件，更是一场“认知工业革命”。

经济学中有个概念叫通用目的技术（General Purpose Technology, GPT）。蒸汽机、电力、计算机、互联网皆属此类。它们的共性并非仅提升单一行业，而是广泛渗透，倒逼组织、制度与商业模式重构。相关理论可参考Bresnahan与Trajtenberg的经典研究。

蒸汽机的意义，不止是“多了一台机器”。它让稳定动力进入工厂、矿山、铁路与轮船。正如纺织革命并非仅靠珍妮纺纱机突破，而是煤炭、蒸汽机、工厂制度、港口贸易与金融市场协同作用，才持续压低每匹布的生产成本。

铁路亦然。它不只是让人跑得更快，而是重塑了市场边界。粮食、煤炭、钢铁与劳动力得以跨区流动，全国性市场由此成型。美国铁路扩张带来的，不仅是交通变革，还有时间标准化、企业管理模式与资本市场的扩张。

电力革命更典型。Paul David在《The Dynamo and the Computer》中指出，电动机刚出现时，生产率并未立即跃升。许多工厂虽替换蒸汽机，却仍沿用旧布局。真正的效率跃迁，发生在企业围绕电力重构生产线之后。

这对理解AI至关重要。

如今许多企业所谓“拥抱AI”，仅将其当作工具，却未调整生产关系。比如用AI写邮件、总结会议、润色文案、生成PPT——虽有用，但非革命。真正的变革，发生在组织围绕AI重设流程、生产关系随之重塑之时。

比如客服，不是让AI写几句话，而是让它自动识别问题、调取订单、查询物流、判断政策，自动处理标准事务，仅将复杂问题转交人工。

比如软件开发，不是让AI写一段代码，而是将需求拆解、代码生成、测试、文档、审查与遗留系统迁移全部纳入AI工作流。

当一种关键生产要素突然更便宜、更易得、更可规模化，社会便会围绕它重新组织。

让我们类比：AI中的token，是否如通信领域的流量？部分相似，但远不止于此。

在通信业，流量是基本计量单位。运营商建设光纤、基站、骨干网，将网络能力切分为GB、Mbps、分钟出售。用户购买的不是“通信技术”，而是信息传输能力。

在AI领域，token正成为类似单位。每次人机交互都可拆解为输入与输出token，背后对应算力、显存、电力等真实成本。

token确实像AI时代的“流量”，但它更复杂。

通信流量仅负责搬运信息：看视频、发图、浏览网页，流量只是管道。

而AI token不仅搬运信息，还参与生成、压缩、翻译、改写与推理。它既是通信流量，又是云计算调用、电力时代的千瓦时，更是被压缩的认知工时。

Token是“信息传输 + 计算资源 + 推理步骤 + 认知劳动”的混合计价单位。

这带来一个关键商业判断：

若一家AI公司仅卖token，其天花板可能接近通信运营商。

一旦模型能力趋同，用户只关心价格、速度与稳定性。那时token服务将基础设施化，陷入价格战——短信、云计算行业皆走过此路。

因此，AI公司的上限有三种：

第一种，卖token，如运营商。竞争点是价格、速度、稳定性。

第二种，卖模型能力，如云厂商或操作系统。不仅提供token，更提供工具调用、记忆、权限、安全、插件、Agent与企业工作流。

第三种，卖业务结果，如行业生产系统。不按token收费，而按成果计价：帮律师审合同、药企筛分子、企业处理客服、投研团队出报告、程序员迁代码。

第三种上限最高，投入最大，需决策者具备深刻洞察与魄力，也需AI原生组织执行。

Token是AI的流量，但AI企业的上限，不取决于token，而在于能否从“卖调用量”升级为“卖生产结果”。

不少人称AI为“新互联网”。此说有理，却不够深刻。

互联网降低的是信息复制与分发成本，AI降低的是认知与执行成本。互联网解决“信息在哪”，AI进一步解决“信息如何被理解、重组与应用”。

若看扩散路径，AI更似电力。

电力革命表明：通用技术从诞生到释放生产力，需漫长组织变革。早期工厂接入电力，并未立即提效。真正跃升，发生在企业重构厂房、产线、岗位与制度之后。

AI亦然。

当前多数AI应用仍停留在“单点提效”：写邮件快点、做摘要快点、出图快点。真正的效率跃迁，需企业重构流程。

这也解释了为何出现“新生产率悖论”。

1987年，经济学家Robert Solow曾言：“计算机时代无处不在，唯独生产率统计中不见踪影。”此即著名的Solow悖论。计算机早普及于办公室，但宏观生产率提升，直至流程、数据库、供应链、互联网与管理制度成熟后才显现。

AI或将重演。

MIT与Stanford学者Brynjolfsson、Li、Raymond对5172名客服的研究发现，生成式AI使客服平均效率提升约15%，低经验员工受益更显著。但此类成果多见于任务边界清晰、数据可得、反馈迅速的场景。

这说明AI价值非均匀释放，依赖任务类型、组织流程、数据质量与人的判断力。

AI扩散将经历工具兴奋、资本狂热、落地焦虑、组织重构、生产率释放五阶段。

目前我们正处于第二与第三阶段之间。

许多人讨论AI，只盯着模型榜单：谁更聪明、推理更强、上下文更长、多模态更好。

但技术革命史告诉我们，决定长期格局的，往往不是单点技术，而是基础设施。

工业革命离不开煤炭、钢铁、铁路、港口与金融。电力革命离不开电厂、电网、变压器、电机与标准化设备。互联网革命离不开光纤、TCP/IP、浏览器、服务器、搜索引擎、云计算与智能手机。

AI至少需要算力、能源、数据、模型、制度五层基础设施。

这意味着AI竞争将从“谁的模型更强”，转向“谁能掌控完整基础设施”。

英伟达即为例证。它不止卖GPU，更掌控CUDA生态、开发者习惯、硬件供应链与AI训练基建。台积电、ASML、HBM供应商、云厂商、电力公司，皆成AI产业链关键节点。

这解释了看似矛盾的现象：AI看似是软件革命，实则越来越像重工业。

数据中心、芯片、电力、冷却、资本开支——这些本不属于“互联网创业”的要素，正成为AI竞争的底层基石。

甚至未来可能出现“算力金融化”。如同石油有期货、电力有现货，AI算力也可能被定价、预订、交易与抵押。Axios曾报道，华尔街已开始讨论将AI算力作为类似石油的商品交易。参考：Axios: Wall Street wants to trade AI compute like oil

其逻辑简单：当算力成为生产能力的一部分，它就不仅是技术资源，更是经济资源。

AI对科学的影响，不止于“帮科学家写论文”，它可能融入科学发现本身。

科研流程包括提出假设、查阅文献、设计实验、收集数据、分析结果、发表论文。

AlphaFold是典型范例。蛋白质结构预测曾是生物学难题，DeepMind的AlphaFold极大加速该进程，重塑生命科学工具箱。

材料科学中，AI可在海量候选材料中筛选结构，助力新材料发现。药物研发中，AI用于分子筛选、靶点预测、毒性评估与临床数据分析。

气象、天文、物理模拟亦受影响。传统模拟依赖大量算力与物理方程，AI模型可在部分任务中提供更快近似预测。

但存在风险：科学不仅需生成假设，更需验证假设。

AI可快速生成大量“看似合理”的解释，但未必可靠。若模型输出缺乏