从电力到人工智能：一种通用技术怎样发现和定价未来世界

霞光智库·2026年09月09日 12:03

通用技术如何定价未来。

一种技术能做什么，不决定人类会拿它做什么。中间隔着一个词：可计价的想象。

资本并不缺想象力，但它更容易为有尺子的想象下注。爱迪生的电灯可以拿煤气照明来估值，很快拿到华尔街的钱；摩尔斯的电报找不到现成的市场参照，最后靠国会拨下三万美元。市场每天都在给未来定价，但最擅长的，仍是那些已经能写成一个数、拿去比较的未来。

人工智能一出生，面前就摆着一张巨大的账单：程序员、律师、客服、教师、医生、分析师，以及整个现代经济中的认知劳动。这张账单太大了，大到它不需要向外找，也能活得很好。

这是它的便利，也是它的危险。

今天大量人工智能应用，仍是在给旧岗位装上“电机”：律师更快审合同，程序员更快写代码，医生更快写病历。电力史提醒我们，真正巨大的收益并不来自电机替换蒸汽机，而来自工厂最终拆掉天轴，围绕电重新设计生产形式。

厂房会老，人会保卫自己的厂房。

与此同时，几亿普通使用者正在底层试出大量没有名字的“电器”：一个医生的私人病历流程，一个老师自己的教学方法，一个小店主处理邮件的办法。生成越来越便宜，新的瓶颈开始变成筛选：谁能从海量私人试验里认出真正有一般价值的东西？

这也引出一个政策建议。

政府可以承认自己不知道新用途在哪里，于是不挑企业，不挑行业，不挑问题，只把一小笔探索权交给每个人。全民 Token，就是人工智能时代的公共插座。

给每个居民一笔不可转让的模型使用额度，让更多人去试那些还没有名字、也还无法估值的用途。试错没有关系；一旦试对，一个私人流程就可能被验证、扩散，最后成为新的市场。

人工智能的未来，不只取决于模型还能变得多强。

它也取决于我们是否愿意在市场还无法定价的时候，先给未知的用途留下一点搜索空间。

第一部分　一种力量怎样找到用途

自然规律决定一种技术能做什么，却不决定人类会拿它做什么。

一、八十年的距离

1800年，伏打把锌片和铜片交替叠起来，中间垫上浸了盐水的布，第一次得到了持续的电流。1831年，法拉第把磁铁插进线圈再抽出来，得到了感应电流。这两件事隔了三十年。从法拉第到1882年爱迪生在纽约珍珠街建成那座具有示范意义的商业中央电站，又隔了五十年。

八十年里，电并没有闲着。戴维1808年前后就在英国皇家研究院当众表演过弧光灯。1805年已经有人用电流在金属表面沉积出另一种金属，到1840年前后，伯明翰的工艺改进让电镀成了一门可以赚钱的生意。1840年代电报开始铺线。灯塔用上了弧光灯。医生把电当作一种时髦的疗法，集市上把它当作一种把戏。用途是有的，一个接一个地出现。

但这些用途之间隔得很远，每一个都是孤立的。电报有电报的电池，电镀有电镀的电池，弧光灯有弧光灯的发电机。没有一个共同的基础，没有一种日常的、标准化的供给，让人可以随手取用。从发现持续电流，到电成为可以随手取用的日常供给，中间是八十年，再到电像水一样接进每一户人家，又是几十年。我说的空白，指的是这段距离。

这段历史提醒我们把两件事分开。一件是发现一种能力，另一件是发明围绕这种能力展开的活动。前者是自然界给的，后者不是。电磁感应写在物理定律里，电灯、电梯、冰箱、电车不写在物理定律里。它们是人发明的，而且发明得很慢。

我们今天回头看，容易觉得电的用途清单是现成的，只等技术成熟就一项一项兑现。当时的人没有这张清单。他们不知道家里为什么需要电，工厂为什么需要电，城市为什么需要电。电是一个强大的答案，摆在那里，问题却要一个一个地去找。

二、电报：第一个大用途，也是最陌生的一个

电的第一个大用途是电报。这件事值得多说几句，因为它和后来的电灯很不一样。

摩尔斯是画家，不是电学家。1832年他在从欧洲回美国的船上听人聊电磁铁，动了念头。到1838年，他和合作者已经证明编码信号能够沿相当长的电线传送。接下来的五年他在找钱。他找过私人投资者，也去欧洲寻找专利和支持，仍然没有筹到修建长距离示范线路的钱。1843年美国国会拨了三万美元，第二年华盛顿到巴尔的摩的第一条线路建成。线路一通，私人资本很快就涌进了电报业。

为什么头五年找不到私人的钱？并非没有人想要更快的消息。商人一直想更早知道价格，报馆一直想更早拿到新闻，政府一直想更快传递命令。需求在，只是没有人能说出这个需求有多大。当时能拿来比较的只有邮政和驿马。如果拿邮费去乘，电报几乎不值钱，一封信几分钱，谁会为快几天付大钱。可是电报后来做成的事情，邮政从来没有做过。它催生了通讯社，让各地的粮价和棉花价在同一天对齐，让铁路可以按分钟调度列车，铁路和电报后来还共同推动了统一时区。这些东西在1843年都不存在，也没有人能替它们算一笔账。

当然，摩尔斯的困难还有别的解释。技术还没有在长距离上证明过自己，第一条示范线路有公共品的性质，谁建谁吃亏，专利也不确定，摩尔斯本人在商界没有名声。这些都可能是原因，我不打算把融资困难归结为单一原因。这个故事的用处在于它显示了一个问题，而非证明了一个答案：一个没有现成市场尺度的未来，更难拿到第一笔验证的钱。第一笔钱到了，示范做成了，尺度出现了，私人资本就来了。

摩尔斯的故事把两件事分开了：一个用途没有需求，和一个用途的需求没法估值。电报属于后者。想象是有的，摩尔斯自己就想象了一张覆盖全国的网。资本不缺信心，缺一把尺子。你让我拿什么去估它值多少钱？没有参照物，投资者就没法把它和别的机会放在一起比较。不能比较的东西，市场就很难给它定价。

三、爱迪生：想象有了尺度

四十年后，爱迪生做的是另一种事。

1878年他宣布要做电灯的时候，目标从第一天起就很清楚：取代煤气灯。他设计的不只是一个灯泡，而是一整套系统：发电机、电线、电表、灯座。整套系统都参照煤气照明的价格来设计。灯泡的亮度要和煤气灯差不多，电费要和煤气费差不多，接线的方式要像接煤气管一样方便。摩根和范德比尔特的钱很快就到了。

爱迪生当然也在想未来。他想的是每一户人家都点上电灯以后的世界，那个世界比当时的煤气照明市场大得多。但他的想象有一个锚。煤气公司每年收多少钱是可以查到的，一个城市有多少户人家是可以数的，照明在家庭开支里占多大比例是有数字的。他可以说，如果我的灯比煤气便宜一点，这些钱就会流到我这里来。这句话投资者听得懂。

把摩尔斯和爱迪生放在一起，差别就出来了。两个人都在想象一个还不存在的未来。摩尔斯的未来没有东西可以拿来乘，爱迪生的未来有。前者花了五年才筹到国会的三万美元，后者几个月就拿到了华尔街的钱。

我把爱迪生这种想象叫作“可计价的想象”。它仍然是想象，仍然可能错，爱迪生在直流和交流上就错了。但它是一种可以融资的错误。资本可以拿它和别的错误比较，可以给它一个估值，可以分摊它的风险。摩尔斯的想象做不到这些。

四、既有品类是想象的定价参照

从这两个故事里可以抽出一个一般的说法。

资本市场并不缺乏想象力。它每天都在给未来估值，给还没投产的矿、还没上市的药、还没建成的铁路估值。市场从来不只看现状。真正的差别在于，不同的未来，可估值的程度不一样。

一个已经存在的品类给想象提供了三样东西。第一，一个可以观察的支出规模，今年煤气公司收了多少钱。第二，一群已经存在的顾客，他们已经在为这件事付钱，你不用说服他们需要照明。第三，一套现成的语言，可以说“这个市场的百分之十”。有了这三样，想象就有了参照。一个人可以说：现在的市场是这么大，我拿到其中一部分，再假设市场还会长，于是未来值这么多。这个算式可能错得离谱，但它是一个算式，可以写在纸上，可以在会议室里和别的算式比。

一个真正的新活动常常连“这个市场”是什么都说不出来。它没有支出规模，因为还没有人在这上面花钱。它没有顾客，因为顾客还不知道自己会要这个。它没有语言，因为描述需求的词还没有被发明出来。它只能靠一个人的信念。信念不能相加，不能比较，不能分摊。

所以既有品类的作用比“它已经在那里”要大。它是想象的估值参照。凡是能借它来想的未来，都比较容易拿到钱。凡是借不上的，都要靠国会，靠赞助者，靠发明者自己的积蓄，或者干脆等，靠时间。

这比通常说的市场失灵要精确一些。市场并没有失败。它擅长在可以比较的未来之间配置资本，这件事它做得极好。它只是不擅长给没有估值锚点的未来定价。这两件事经常被混在一起说成“市场发现需求”。市场发现的是“可估值的需求”。

五、用途生用途

电力后来的历史可以按这个逻辑重讲一遍。

电灯之所以先来，因为煤气照明给了它尺子。电动机进工厂之所以顺理成章，因为蒸汽机给了它尺子，一台电机可以按它替换掉的蒸汽马力来定价。电车之所以很快铺开，因为马拉的有轨车已经在城市里跑了几十年。每一个早期用途都靠一个旧品类站住脚。

真正新的东西要晚得多，而且它们的出现方式和电灯不一样。电梯在蒸汽和液压时代就有了，纽约和芝加哥在1880年代已经借助它们盖起了十层上下的高楼。电动机成熟以后，电梯变得更快，更可靠，楼层再多也不难，高楼的经济账因此好算得多。制冷也是这样。它先在啤酒厂、肉库和冷藏运输中站住脚，那里本来就在为冰和保鲜付钱。制冷继续变便宜，家用冰箱才成为一个可以想的东西；家用冰箱普及以后，超市和更完整的冷链又获得了新的扩张空间，最后改变了今天人们吃东西的整个方式。

这里有三种不同的机制，需要分开。第一种是替代锚。煤气灯之于电灯，旧品类给新技术提供了可以观察的市场规模，让它容易融资。第二种是可行性扩张。制冷之于冷链，一种关键投入降价，让原来不经济的活动变得经济。冷链的价值不能拿制冷的市场规模去乘，制冷只是让它变得可能。第三种是用途累积。已有的应用留下设备、标准、技能和供应链，下一种应用的成本就低了。三种都重要，但只有第一种是既有品类给想象提供估值参照。后两种给的不是尺子，是可能。

所以新品类很少凭空出现。早期用途先借旧品类获得估值，站住以后，又通过降价、标准化和配套发明，为下一批用途打开空间。电力时代最大的一批新活动，都是这样一层一层搭上去的。每一层都要先站稳，先有价格，先有设备，下一层才有东西可借力。

这也解释了为什么电力革命这么慢。八十年没有一张总的账单列表可看，是因为没有一个足够大的旧市场能一下子把电吸进去。照明市场当时不算小，但和整个经济比很有限。工业动力市场有蒸汽机占着，电机要一台一台去替换。没有一个统一的、巨大的旧品类能给电力提供一把总的尺子。电只能一项一项地找用途，每找到一项，就多一把尺子，再用这把尺子去想下一项。

六、走向人工智能之前

到这里可以把话说回来了。

一种通用技术出现的时候，它面对的不只是自己的能力，还有一个已经存在的经济。这个经济里有些东西有价格，有些东西没有。技术的搜索方向，很大程度上由它出生时能借到什么尺子决定。电力出生时几乎借不到尺子，所以它被迫向外找，找了八十年。

人工智能出生时的情况完全不同。它最像的东西，恰好是现代经济里最昂贵、最普遍、账目最清楚的一种投入：人的认知劳动。律师、程序员、会计、客服、设计师、医生、教师、分析师，每一种都有工资，有行业规模，有利润率，有统计表。人工智能一出生，面前就摆着一张全世界最大的账单，而且这张账单上的每一项，都可以直接拿来乘。

这就是下一部分要讲的事。

第二部分　人工智能一出生，就看见了一个巨大的已有世界

七、人工智能第一次看见的世界

2022年底，人们第一次大规模地使用一个能用自然语言对话的模型。几个月内，用途清单就出来了。程序员写代码，于是有了写代码的助手。客服回答问题，于是有了客服机器人。律师审合同，医生写病历，会计做账，老师备课，分析师做报表，每一种职业后面都很快跟上一个产品。

这张清单有一个共同点：上面的每一项都是现有经济中已经存在的活动，而且每一项都有工资。这不是巧合。做这些产品的人先看到的是一张工资单。他们问的问题是：这张单子上哪些昂贵的人工成本可以让机器接过去？

有人说这是想象力不够。我不这样看。做代码助手的人想的是一个软件多到今天无法想象的世界，替程序员写几行代码只是入口。这些想象都很大。它们的共同之处在另一个地方：它们都可以用一个现成的数来估值。

现有软件开发的工资成本乘以可以替代的比例。现有客服成本乘以自动化率。现有法律服务支出乘以可以交给机器的份额。每一个算式都有一个可以查到的乘数。这就是爱迪生式的想象。

八、人工智能出生时借到的尺子

把这件事和电力放在一起看，差别就清楚了。

电出生时没有一把总的尺子。它像什么？它谁也不像。它不像马，不像蒸汽机，不像煤气。人们要花几十年，才一项一项地弄明白它可以替代什么。

人工智能出生时的情况相反。它像一样东西，而且像得非常具体：它像一个在工作的人。它写的东西像人写的，它答的问题像人答的，它做的判断像人做的。而人的认知劳动恰好是现代经济里账目最清楚的一种投入。

所以人工智能一出生，就有了一张全世界最大的账单可以借。不需要八十年去一项一项地找，账单已经摆在那里，上面每一项都标好了价。发明者不用问“这个东西能干什么”，只需要问“这张单子上的哪一项它能干”。

市场发现的是可估值的需求。人工智能出生时，可估值的需求多到可以任意取用。这就是它和电力最初的差别。它的能力可能是通用的，它寻找用途的方式从第一天起就是有方向的，方向由那张可节省的人工成本清单给定。

九、数太大了

接下来是一个有些反常识的判断。

现有市场太大，反而可能减少寻找新品类的必要激励。

想一想爱迪生的处境。煤气照明是一个可观的市场，但和整个经济比很有限。做完电灯，他的公司还得去找下一个用途，电机、电车、留声机。每一个新用途都要重新找尺子。电力时代的发明家是被逼着向外走的。做完一项，下一项不在账单上，只能去找。

人工智能的账单大到完全不同的程度。全世界白领的工资，加上驾驶，加上医疗，加上教育，加上法律，加上设计，加上管理，是几十万亿美元的量级。随便取一个替代率，得出来的数就足够写一份商业计划，足够融一轮资，足够撑起一家公司的十年。做完一项，账单上还有一百项。一家公司可以在这张账单上工作很久，从来不需要问“这个东西还有什么别的用”。

于是出现一个奇怪的局面。电力早期的人不得不想象一个没有价格的未来。人工智能早期的人面前摆着一个大到惊人的、可以直接估值的现在。前者向外找，是因为向内没有什么可挖。后者向内挖，是因为向内的东西太多了。

我不认为这是短视。在一个几十万亿的账单面前，不去挖它才是奇怪的。问题在于，挖它的时候，别处就没有人去尝试了，人工智能外拓经济的潜力就埋没了。

十、方向为什么会自我加强

到这里为止，人工智能和电力的差别还只是起点不同。下面这个差别更深。

电的物理性质不会因为某一种用途的市场很大而改变。煤气照明市场再大，电灯用得再多，电子不会变得更适合发光。人们选择用电做什么，是一回事；电是什么，是另一回事。

人工智能不存在这种分离。模型的能力来自数据，来自奖励，来自训练者的选择，来自工程师的时间。人们的使用方向通过三条路影响下一代模型。使用带来收入，收入决定训练者把资源投向哪里。使用产生反馈，其中一部分经过收集、清洗和评价，进入下一轮训练。训练者根据收入和反馈，决定优化什么、验证什么、发布什么。用户的每一次使用并不直接改变模型，但使用的领域和方向最终会改变能力的分布。

这里要把三个环节分开，它们常常被压成一句“账单决定一切”，经济学家说的市场规模。第一个环节是资本往哪里去，这由可估值的活动决定，账单大的领域钱多。第二个环节是能力在哪里长得快，这由数据和可验证性决定。代码和数学是模型进步最容易被观察到的领域之一，除了客户愿意付钱，还因为答案对错容易自动检查，对AI模型的奖励信号干净。医疗和法律的工资成本同样巨大，模型在考试和文本任务上未必进步慢，慢的是可靠性的验证和实际部署，因为对错难以自动判定，错了又要有人负责。第三个环节是能力能不能真正进入生产，这由责任、许可和组织的互补性决定。模型能力够了，谁对错误负责仍然没有解决，部署就不会发生。

三个环节合起来是一个圈。可估值的用途拿到钱，钱变成数据和奖励，在可验证的地方变成能力，能力让替代率的估计更可信，估值再拿到更多的钱。电力时代只有第一个箭头，市场决定资本去哪里。人工智能时代每个箭头都有，而且首尾相接。

今天已经能看到这个闭环的痕迹。模型进步最显眼的地方是代码和数学，最弱的地方是那些没有人打分、没有人付钱、也没有办法自动验证的任务。人工智能对各种用途的适用性由账单和验证条件共同决定，很不均匀。

于是那个反常识的判断又往前走了一步。数太大，不只是让人不去别处，还让模型本身变得更适合账单上的活。方向锁定了资本，也部分锁定了能力。开辟前所未有的未来活动，投入不足，能力不够。

十一、人工智能读过已有的世界

还有一点。电没有记忆。它对人类的历史一无所知。人们拿它照明，它不会因此觉得照明理所当然。人们拿它驱动电机，它也不会因此对工厂有什么成见。它对用途是完全空白的。

人工智能是从人类的记录里长出来的。它读过的东西，就是人类过去做过的事情。这些记录里有职业的分类，有行业的划分，有问题的提法，有需求的说法，有制度的样子。它继承了这一切。所以它并非面对一个空白的世界。它先读了已有世界的地图，然后才出发。

这带来一个电力没有的效果。资本把人工智能拉向已有的品类，人工智能自己的先验也指向已有的品类。你问它能干什么，它会告诉你一张清单，那张清单来自它读过的世界。它对“合同”“病历”“代码”“报表”有极为丰富的理解，因为人类写了无数这样的东西。它对那些还没有名字的活动所知很少，因为没有多少人写过。

一种通用技术带着已有世界的先验知识出生，这在以前没有先例。

十二、转译成本的坍塌

到这里，人工智能看起来只会向内卷。如果就此停住，这篇文章就写错了。因为它同时有一个电力从来没有过的向外的力量。

电从能力到用途，中间需要转译者。摩尔斯要把电磁铁变成一套编码和一根电线。爱迪生要把电流变成一个能亮几百小时的灯丝，再变成一整套发电和配电的系统。每一个用途都要有人把物理力量做成一个装置。这需要工程师，需要工厂，需要材料，需要资本。翻译很贵，所以试一个用途很贵，所以试的人很少。

人工智能的接口是自然语言。一个人可以直接说：我想做这件事，你能不能帮我。不需要懂原理，不需要造装置，不需要工厂。一个患者可以拿自己的化验单问它，一个老师可以拿自己班上的作业问它，一个小店主可以拿自己的账问它。试一个用途的成本降得很低。

电力时代，从能力到用途要经过少数转译者。人工智能时代，几亿人可以直接对着能力说话。这是一股向外的力量，而且规模是电力时代没有过的。

十三、两股力量

这两股力量在往相反的方向拉。向内的力量在上层，在训练模型的公司，在投资的基金，在部署它的企业，账单在那里起作用。向外的力量在底层，在个人，在小团队，在那些奇怪的、没有名字的需求里，翻译成本的坍塌在那里起作用。

“人工智能有没有创造力”这个问法把事情放错了地方。该问的是：当尝试各用途的成本降到很低，而想象的起点又深深地继承了已有的世界，人工智能最后会让用途越来越集中，还是越来越分散？

我不打算在这里回答。第三部分先去看底层正在发生什么。

第三部分　人工智能的“电器时代”可能已经开始，只是我们还看不见

十四、电网

人们从来没有感受过“电力革命”。他们感受到的是一盏灯，一台电机，一部电梯，一部电话，一台冰箱，一台收音机。革命这个词是后人加的。当时的人接触到的都是具体的东西，每一样都有名字，有价格，有厂家。

这些东西背后有一个共同的基础，就是电网。电网的重要性不只在输送电。它更要紧的作用，是把“发明一种新用途”变成“发明一个新电器”。有了插座，一个想试新用途的人不需要自己发电，不需要架线，不需要懂发电机。他只需要做一个能插上插座的东西。

这改变了谁能参与用途探索。爱迪生时代，试一个用途要建整套系统。电网普及以后，试一个用途只要做一个装置。做装置的门槛比建系统低得多。于是发明电器的人从几十个变成几万个。收音机、电熨斗、电风扇、吸尘器、洗衣机、电动工具，很多是小作坊做出来的，做的人并不是电学家。

通用性住在电网里，用途住在电器里。电网把用途探索从少数工程师的大工程，变成了分散、便宜而且大量重复的实验。电力时代许多新用途，是在这个阶段找到的。

十五、人工智能的电网

人工智能已经有了电网的雏形：云端模型，统一接口，按用量计费。

模型放在云端，通过接口调用，按用量计费。任何人可以用一个账号接上去，写几行代码，或者根本不写代码，直接在对话框里说话。这和插座是同一件事。使用者不需要训练模型，不需要买芯片，不需要懂它的原理。他只需要接上去。

但人工智能的电网比电力的电网走得更远。做一个电器仍然要设计机械结构，选材料，找工厂，建供应链，找渠道。这些都要钱，要时间，要专门的技能。做一个人工智能的“电器”，有时只需要一段提示词，一个小脚本，一套固定的工作流程。一个人一个下午就能做出来，做出来就能用，不满意可以扔掉重做。

所以人工智能“电器”的发明成本，比电力时代低了几个数量级。而且能做的人多得多。电力时代能做电器的是有工程技能的人，人工智能时代许多不会编程的人也能做。转译成本的坍塌，在这里落到了实处。电网让用途探索分散化，人工智能的电网让它分散到更多的人。

但它还不是电网。电网稳定，统一，中性，插座不会在夜里换掉电器所依赖的物理规律。模型接口由少数公司控制，价格、规则、能力和访问权都可以改，模型一更新，接在上面的电器就可能变样。今天接上去的人，接的是一个会动的插座。这一点限制了后面几节的判断，先记在这里。

十六、看不见的电器

有一件很重要的事：这些“电器”大多数没有名字。

一个医生每天早上把前一天的病历交给模型整理成一种他自己设计的格式。一个中学老师用一套自己摸索出来的提示词，给每个学生的作文写不一样的评语。一个做外贸的小老板让模型替他读所有的英文邮件，按他自己定的规矩分类。一个退休的人用它整理家谱。一个研究者用它把几百篇论文按一种谁也没用过的标准重新分类。一对父母把三岁孩子看的小猪佩奇配上自己的声音。

这些用法有几个共同点。没有成立公司，没有变成产品，没有行业代码，没有单独的收入。做的人自己也不觉得这是创新。它只是一套私人的流程，在一个人的电脑里运行，别人看不见。

但它已经改变了经济行为。那个医生每天多看几个病人，那个老师批改作业的方式变了，那个小老板不再雇人读邮件，那个小孩感受到与父母的亲近。这些变化加起来是什么规模，没有人知道，因为没有人统计。

这造成一种认识上的偏差。宏观统计看到的是大模型公司的收入、芯片的销量、企业软件支出、哪些岗位在减少。这些都是账单上的事。真正的用途创新可能先以无名的、私人的方式扩散，等它被看见的时候，已经过去很久了。电力时代也是这样。1900年的统计里能看到发电量和电灯数，看不到千家万户正在用电做的那些琐碎的事，而后来的大产业有不少是从那些琐碎的事里生长出来的。

十七、上层向弯，底层外拓

现在可以把这两股力量放到具体的位置上了。

上层是训练模型的公司，投资它们的基金，部署它们的大企业。这一层被账单牵引。它们要融资，要给董事会看数字，要证明替代率。它们的能力建设、数据收集、奖励设计，都按账单的方向走。这一层越来越集中，几家公司，几千亿的投入，几张巨大的账单。

底层是几亿个使用者。他们接上电网，做自己的人工智能时代的“电器”。他们不需要融资，不需要证明市场规模，不需要向任何人解释这件事值多少钱。他们的问题很多不在任何账单上，因为账单上只有那些已经有工资、有行业的活动。这一层越来越分散，每个人在做自己的小实验，绝大多数实验失败了，没有人记录，也没有人在意。

所以人工智能革命同时在发生两件看起来矛盾的事：能力的生产越来越集中，用途的实验越来越分散。上层向内挖那张账单，底层向外试那些没有名字的东西。

这两层之间有一条通道。底层的实验用的是上层训练出来的能力。上层的能力按账单的方向长，所以底层拿到的是一个在完成账单上的任务很强、在账单外偏弱的工具。这也是那个循环的另一面。底层的人在用一个为已有世界优化过的工具，去试新世界的用途。工具在他们最需要它的地方最弱。

这个通道也可以反过来走。底层的某一种用法如果传开了，多到一定程度，它就有了名字，有了用户数，有了可以估值的规模。这时候它就上了账单，上层就会看见它，资本就会进来，模型能力就会往这个方向长。电力时代的电器也是这样从作坊变成产业的。

所以两层之间并不隔绝。底层向外找，找到的东西一旦长大，就变成上层的新锚。这是新用途从下往上的路。只是这条路很慢，而且不保证走得通。问题就在筛选。

十八、当发明不再稀缺，筛选开始稀缺

到这里为止，我一直在说试一个用途的成本降到了很低。现在要说这件事的另一面。

电力时代，做电器贵。昂贵的制造过程先过滤掉了大部分候选，一个想法要变成电器，先要有人为它押钱，押钱本身就是一次筛选。当然电力时代也有大量失败的、没人注意的、没有传开的发明，筛选从来不轻松。但大部分筛选发生在生成之前。

人工智能时代，这道事前的过滤大幅减弱。私人电器每天都可以大量产生。模型自己也可以提出一万种用途。生成不再稀缺，选择、验证和扩散的负担被推到了生成之后。于是问题立刻变成：这么多候选里面，哪一个对别人也有用？谁来发现某个人的私人流程具有一般的价值？谁来验证它在另一个人那里也有效？谁给它起名字，把它标准化，让它传开？传开以后出了错，谁承担？平台能不能看见这些分散的试验？

这些问题以前不重要，因为候选太少。现在候选太多，选择就成了新的瓶颈。甚至可能因为试验太多，选择比以前更难。一个好用法淹没在一百万个用法里，和没有被发明出来差不多。

而且筛选需要的东西和生成需要的东西不一样。生成需要能力，模型有。筛选需要知道什么东西值得要，这个知识来自模型之外，来自那个病人、那个老师、那个小店主，来自他们各自的生活。模型可以提出候选，不能替他们决定哪一个候选对应一个真实的需要。需求的价值不在文本里。

所以大模型降低的是试验的成本，试验的结果仍然要被选择。这一部分说的分散探索，只是把用途发现的前一半变便宜了。后一半，识别、验证、命名、扩散，还是贵的，而且可能比以前更贵。这一层不补上，“底层向外”的图景就太乐观了。

十九、极小的需求有了自己的工具

我们需要再深入一层。

底层那些没有名字的用法，不只是零碎的便利。它们指向一件更大的事。

每一个人都有一些现有行业从来没有定义过的问题。一个病人想知道自己这三年的化验单放在一起说明什么，医生没有时间替他看，也没有一个行业专门做这个。一个老师想给三十个学生三十种不同的练习，教材公司不做这种生意。一个小店主想知道自己的账里有没有什么规律，会计师事务所不接这么小的单。一个孩子想问一个大人没空回答的问题。

这些需求以前太小，太散，太个别，不值得为它专门造工具。没有一个行业会去做它，因为加起来看不出规模，分开看又不值钱。所以它们一直存在，一直没有被满足，也一直没有被估值。经济学里叫它们“需求”都有些勉强，因为它们从来没有进入过市场。

文字、通用计算机、互联网、开源软件，本来也是私人需求可以使用的通用工具，一个人早就可以用它们做自己的事。新的地方在于定制成本。以前一个通用工具要适应一个人的具体问题，要么这个人自己学会编程，要么等有人为这一类问题专门做产品。现在探索的边际成本接近于零。一个人把自己的化验单、自己的账、自己班上的作业交给它，它就为这一个人工作。这就是可行集合扩张：调用一次通用智能的成本降下来，原来不经济的极小需求变得经济。

所以可以这样说：那些细小而各不相同的私人认知需求，第一次有了自己的通用生产工具，而且为个人定制的成本接近于零。生产工具大多是为可估值的需求造的，因为造工具要成本，成本要靠规模回收，规模要靠市场。这一次，没有市场的需求也拿到了工具。如果电力时代有不少新品类是从琐碎的家用电器里长出来的，那么人工智能时代的新品类，可能就藏在这些没有名字的私人用法里，只是要先过筛选这一关。

二十、谁站在市场之外

第一部分留下一个问题：电报是画家做的，电磁感应是装订工出身的法拉第做的。向外的搜索靠站在市场之外的人。人工智能时代，这些人是谁？

我不想把它写成局外人的浪漫故事。法拉第有皇家学会提供稳定的位置。摩尔斯没有这种保障，那几年他经济上很困难，靠合作者、家人以及有限的艺术和教学收入，再加上自己的长期坚持，维持试验。两个人的处境不同，却说明同一件事：无法估值的搜索，必须有人承担一段没有市场验证的时间。这段时间可以由制度承担，也可以由一个人痛苦地承担。

所以与其问他们是谁，不如问他们有什么：谁有不必立刻证明市场规模的探索自由？

人工智能时代有这种自由的地方不少：大学、公共实验室、开源社区、爱好者、非营利机构、和不需要盈利的小团队。还有那几亿个普通使用者，他们做的私人“电器”不需要向任何人证明什么。

但也有一件事和电力时代不同。电力时代站在市场之外的人，用的工具和市场里的人是一样的，电就是电。人工智能时代站在市场之外的人，用的是市场里的公司训练出来的模型。他们的探索自由是真的，他们的工具却是别人按账单指引的方向造的。法拉第的线圈不会因为照明市场很大就变得更适合照明。今天一个在大学里试新用途的人，手里的模型确实因为代码市场很大而更擅长代码。

这一点我暂时不往下推。它只说明一件事：人工智能时代向外的搜索，比电力时代更容易开始，也更难走远。开始容易，因为电网的雏形是现成的，翻译成本很低。走远难，因为工具本身有方向，而且找到的东西还要经过筛选。

但事情还不能就此收住。如果新用途主要是在底层分散试出来的，那么它有一个直接的制度含义。

二十一、全民Token

今天公共政策支持人工智能，办法大体是两种：给模型公司算力，给企业模型券。中国已经有不少算力券和模型券，主要发给企业、科研机构和开发者，申请者要先说清楚自己要做什么。这是在补贴已经被识别的用途。按前面几节的逻辑，它只补贴了上层。

这个区别今天已经很具体。2026年上海的政策甚至把模型券直接叫作“Token券”，但申报者仍然是大模型和智能体的研发、应用单位。它补的是一个已经能够说清楚的项目。我这里说“全民”，改的是领取者。一个企业先写出用途，再申请模型券；一个普通人则可以先拿到一点调用能力，再看看自己的生活里到底有什么值得做。要求申请者事先写清楚用途，本来是财政管理的常规办法，却会天然漏掉那些还没有名字、连申请人自己也说不清会长成什么的用途。

如果用途发现发生在底层，还可以做另一件事：把一小笔用途探索预算交给每个人。我把它叫作全民Token。政府定期给每个居民一笔不可提现、不可转让的模型使用额度，居民拿它调用自己选择的模型，模型公司凭实际使用量向政府结算，没有用掉的额度不形成支出。

全民Token仿照全民基本收入，分配的却是另一种东西。基本收入给人一般的购买力，让人能买已经存在的商品。全民Token给人调用通用智能的能力，让人能尝试还没有名字的用途。两者没有替代关系，前者解决分配，后者解决搜索权的分配。更准确的类比是科研经费。科研经费把探索权交给少数机构，全民Token把一小笔探索权交给每个人。它像一笔分给每个人的微型研究经费，政府不知道新用途在哪里，也不替人规定要解决什么问题，只是让更多的人有机会试。

为什么要发给所有人，而不是挑一批最会使用人工智能的人？因为这项政策要买的就是分散。新用途的知识常常不在专家手里，它藏在具体处境里。老人知道自己每天哪一步最麻烦，老师知道自己班上的学生哪里不一样，小店主知道哪一张表最费时间，病人知道哪一种信息自己反复想问却没人有空回答。政府无法事先知道这些问题分布在哪里，也无法靠一次专家评审把它们挑出来。全民Token的“全民”，不是说每个人都会发明新用途，而是承认新用途可能从任何一个人的私人处境里长出来。

这项政策的理由不只是公平。一个人用模型整理病历、改进教学或者重做小店的流程，首先得到的是私人收益，单凭这一点不足以要求政府补贴。理由在于用途发现的外部性。一个人偶然形成的私人流程，后来可能被许多教师、医生、小企业采用，变成一个产品或者一个行业。最初的使用者承担了试验的成本，却拿不到扩散以后的大部分价值。所以市场提供的试验量会偏少。政府买的不是一次对话，是一个更宽更多样的用途分布，是发现新用途的机会。

它还有一个方向效应。模型公司按已有的账单改进能力。如果只有企业和高收入者能大量调用模型，模型看到的需求也集中在他们那里，能力就往那个方向成长。全民Token让病人、老人、教师、小店主、农村居民和普通家庭也进入模型的反馈来源。它既扩大用途搜索，也改变下一代模型可能看见的方向。

设计上有几条不能让步。额度必须跟着人走，可以在多家合格模型之间使用，否则补贴会变成一两家指定公司的固定收入，政府就在替社会挑技术方向。结算不能按企业自己报告的原始token数，不同模型的token没有共同尺度，按量付费还会鼓励模型把回答拉长，制造没有价值的计算。更好的办法是规定标准的服务单元，让供应商竞争报价。政府不应取得对话内容，它只需要知道某个居民用了多少额度、由哪家供应商提供。病历、家庭问题、私人试验之所以从来没有进入市场，往往正因为它们私人而特殊。如果领取补贴就要交出内容，最有价值的一批新用途反而不会出现。

单纯发额度，大部分可能用在原本就会发生的聊天、写作和娱乐上。可以分两层。第一层是全民的小额基础额度，保证每个人都有试验的机会。第二层是探索额度，给教师、医生、小企业、学生、研究者这些愿意试新流程的人追加，但不预先规定他们要发现什么。使用者可以自愿提交脱敏以后的流程模板，形成一个公共的“电器库”，被别人反复采用的流程，原创者得到额外的额度。这样，私人“电器”才可能从无人看见，走到可以被筛选。但共享不能设为领取基础额度的条件，否则隐私需求和最特殊的需求会最先被排除出去。

额度反而不必很大。它首先要扩大的是使用者的种类和第一次试验的机会，不需要替重度用户支付全部人工智能费用。每个人一小笔，定期重置，没有使用就没有财政支出。一个人拿它聊了几次天，什么也没有发现，也没有关系。用途探索本来就允许大量失败。只要极少数人因此形成了一个原来不会出现的流程，后来又被别人采用，社会得到的就不只是那几次调用的私人收益。

这也说明全民Token和传统消费券的评价方法不同。消费券通常要问拉动了多少消费、乘数有多大。全民Token更应该问另外几件事：有多少原来不用模型的人开始试，有多少私人流程被反复使用，有多少流程被别人复制，有多少最后变成了新的服务和新的企业。它是一项鼓励探索的政策，早期失败很多并不说明政策失败；如果每一次使用从一开始就必须证明价值，新探索反而已经被取消了。

过去的产业政策把资源交给少数被挑中的企业，希望它们找到用途。全民Token走另一条路：政府承认自己不知道用途在哪里，于是不挑企业，不挑行业，不挑问题，只把一小笔探索权交给每个人。训练能力可以集中，发现用途需要分散。政府资助的不只是更大的模型，也应当是更多人试用模型的权利。

电力普及靠的是把插座接进每一户人家。人工智能的普及也不应只靠建更大的模型，它还需要让每个人都能接上它的电网。全民Token，就是人工智能时代的公共插座。

二十二、谁来运行全民Token

全民Token还需要一套运行机制，政府不必亲自经营。

政府不必经营模型，也不必逐笔处理居民的调用。它可以把清算交给一家受严格监管的私人企业。每个人有一个全民Token账户，拿它调用自己选择的模型。模型公司完成服务以后，把用量凭证交给清算公司，清算公司核验，再向政府结算。每次调用完成后，留下的是用量凭证，不是使用者问过的问题。

这家公司的第一个职能像电表加支付网。它把不同模型的计量单位统一起来，比较价格和服务质量，帮使用者在模型之间转换，也替政府防止虚假调用和重复结算。政府只需要决定每个人有多少基础额度，不需要知道他拿这些额度做了什么。

隐私保护必须成为这套制度的底层原则，而且要分开三方各自能看见什么。政府看不到提示词。清算公司不能出售个人使用记录。模型公司未经同意，不能把全民Token产生的内容拿去训练。病历、家庭资料和私人试验，应当允许放进本地模型或者受保护的计算环境。三方各自只掌握完成自己职能所需的最少信息。全民Token给人的是使用智能的权利，不能以交出自己的生活为代价。

分散试验者形成的知识，归试验者。一个教师摸索出的教学流程，一个医生形成的病历整理方法，一个小店主发现的经营工具，不能因为用了公共的Token，就自动归政府、模型公司或者清算平台所有。平台可以提供加密保存、时间戳存证和权利登记。使用者不愿公开，知识就留在自己的保险箱里。使用者愿意传播，平台才帮他验证、许可、取得收入。主动权始终在使用者手里，平台的商业化服务只在他选择公开之后开始。

公共的钱也不能自动换来公共产权。政府资助的是一次探索机会，不是对探索结果的征用。否则最特殊、最有价值的试验会首先退出共享：一个人越觉得自己的方法有价值，就越不愿意把它交给平台。真正需要建设的是一条自愿的路——愿意公开的人能证明自己先发现，愿意授权的人能得到收入，愿意一直私用的人也可以什么都不交。保护这种选择权，本身就是分散探索能够持续的条件。

在此基础上，这家公司会从清算业务里长出一套更大的服务。它可以帮使用者比较模型，可以替使用者加密保存个人数据，可以验证一套私人流程在别人那里是否有效，可以为新用途寻找购买者，也可以把一个人的私人“电器”授权给学校、医院和企业。成熟以后，它还可以提供质量认证、责任保险、收益分配和创业融资。这样就有了一条完整的路：私人试验，私密保存，自愿登记，外部验证，授权扩散，最后变成产品和企业。

这套制度最有价值的地方，可能不在Token本身。全民Token让几亿人开始试，清算与发现平台让其中少数有一般价值的试验不至于消失。前者降低生成的成本，后者降低筛选和扩散的成本。筛选的负担被推到生成之后，这家公司做的正是生成之后的工作。政府提供基础的探索权，私人企业建设连接、验证和交易的能力。

所以这套制度其实在补两种稀缺。第一种是探索权：谁有机会低成本地试。第二种是发现能力：社会能不能从海量私人试验里认出那几个值得扩散的东西。只发全民Token，第一种稀缺会缓解，第二种会很快冒出来；只建发现平台，没有足够多的人先去试，平台也没有东西可筛。前者把入口铺到每个人，后者把少数好用法从私人电脑里带出来。两件事接起来，才像一套完整的用途发现制度。

这家公司和大模型公司做的是两种生意。大模型公司生产通用能力，它组织能力的使用。大模型公司在上层训练，它在底层寻找。大模型公司出售答案，它把无数私人问题慢慢组织成新的市场。今天看，它是一家替政府核算Token的服务商。将来，它可能成为人工智能用途市场的基础设施。

这里有一条底线。可以让一家私人企业先做，不能让它永久成为不可替代的独家入口。清算标准应当开放，账户可以迁移，模型供应商平等接入。运营公司可以成功，可以长出巨大的商业体系，不能靠扣住全民的使用记录和私人知识变成垄断者。否则政府用公共的钱，养出来的是最大的知识攫取者。

第四部分　替代很快，重组很慢

二十三、用途之后还有形式

前三部分说的是一种技术怎样寻找它的用途。用途找到之后，还有一层。围绕这种能力，应当建立什么样的生产形式？一种技术要发现的不只是它能完成什么任务，还有生产应该长成什么样。这可以叫“形式发现”。

于是用途探索有三层。第一层是替代已有的投入，电机替换蒸汽机，模型替代或辅助岗位里的已有任务。第二层是满足新的需求，电梯和冰箱，那些没有名字的私人应用。第三层是重写生产形式，工厂按电重新设计，组织按人工智能重新设计。第三层最慢，收益也最大。电力的历史把这一层写得很清楚。

二十四、电动机进厂的头三十年

电动机在1890年前后就已经够好了。可靠，便宜，比蒸汽机省地儿，也不用锅炉。按理说工厂应该马上换。工厂也确实换了，但换的方式很奇怪。

十九世纪的工厂靠一根天轴传动。蒸汽机带动一根贯穿全厂的长轴，长轴上挂着皮带，皮带带动每一台机床。厂房的形状、机器的排列、工人的位置，都是围绕这根轴设计的。机器要挨着轴放，重的机器要放在离动力最近的地方，厂房要建成长条形，多层楼要一层一层往上传动。

电动机来了以后，工厂做的第一件事是把蒸汽机拆掉，装上一台大电机，接在同一根天轴上。皮带照旧，机床照旧，厂房照旧，工人照旧。省了锅炉和煤，别的一切不变。后来又有一个中间阶段，一个车间一台电机，带一小段轴。这样前后过了大约三十年。

很长一段时间里，电气化的生产率收益没有随着电机的普及而充分显现。经济史家对这段时滞到底有多长、早期收益有多大，今天仍有不同估计。但有一件事是清楚的：电机进入工厂，并不等于工厂已经按电力重新组织。到了1920年代，美国制造业生产率明显加速，围绕电力重新设计生产形式成为其中一个重要部分。

原因不复杂。工厂把新技术塞进了旧形式。电机替换了蒸汽机，但蒸汽机的逻辑还在。天轴是为蒸汽机一个动力源设计的，电机可以有一千个动力源，可是很长时间没有人去用这个可能。

二十五、工厂重建以后

1920年代，事情变了。

变化的关键是每台机床装一台自己的小电机。这件事在技术上早就可以做，一直做得很少，因为天轴还在。等到天轴终于被拆掉，一连串事情跟着发生。

机器不必再挨着轴放，可以按工序的顺序排。厂房不必再建成长条，可以建成单层的大平房，材料从一头进，产品从另一头出。楼上楼下不用传动了，重的机器可以放在地面。屋顶不用承受天轴的重量，可以开天窗，车间第一次亮了起来。皮带没有了，工伤少了。哪台机器坏了，停哪台，不用全厂停工。库存可以按流程放，工人的分工可以按流程定，管理可以按流程算。

福特的移动装配线1913年就在这个方向上出现了。流水生产的想法本身不是电带来的，福特承认受了肉类加工厂传送线的启发。但要把机器按工序排成一条线，动力就得可以随意分布。分布式的电力为大规模、灵活布置的流水生产提供了重要条件。

于是1920年代美国制造业的生产率增长明显加速。这次加速用的电机技术，和三十年前没有本质区别。变的是工厂的形式。

这段历史给的教训很清楚。电力对经济最大的贡献，来自工厂围绕电重新设计以后，而非电机替换蒸汽机的那一刻。替换旧投入的收益有限，重写生产形式的收益大得多。而重写形式比替换投入慢得多。

二十六、人工智能仍然在给旧工厂装电机

拿这段历史看今天，画面很熟悉。

人工智能帮律师更快审合同，帮程序员更快写代码，帮医生更快写病历，帮老师更快备课，帮分析师更快做报表，帮客服更快回答问题。这些都是真的尝试，而且很有价值。

但它们有一个共同的前提：律师这个职业还在，程序员这个职业还在，医院的流程还在，学校的组织还在，公司的层级还在。人工智能被装进每一个现有的岗位，让这个岗位的人干得更快。岗位本身不动，流程本身不动，组织本身不动。

这就是把电机接在天轴上。新技术塞进旧形式，省了一些煤，别的一切照旧。

这个阶段的生产率收益不会是零，因为认知劳动比动力更值钱，替换本身就能省下很多。但它仍然属于替换。它的上限是现有形式的效率，而现有形式是为另一种技术设计的。

二十七、围绕人的认知建成的世界，也围绕责任建成

天轴是为传统蒸汽机这个动力源设计的。现代社会的大量制度，有一部分是为一种有限的认知能力设计的。

一个人一天只能读这么多东西，只能记住这么多事，只能同时想这么多问题，只能和这么多人说话。这些限制决定了很多东西的样子。公司有层级，因为一个人管不了太多人。专业要分工，因为一个人学不了太多东西。信息要汇总，因为上面的人没有时间看全部，所以要有助理、秘书、报告、摘要。咨询公司存在，因为企业自己没有足够的人手去想清楚一件事。

但把这些制度全部解释成人的认知有限，是过于简单的。它们同时在解决别的问题：激励，权威，协调，责任，信任，风险，利益分配。中层不只是因为一个人管不了太多人，还因为要有人对一个部门的结果负责。证书不只是识人，还是出了事以后追究的凭据。审批不只是替不掌握细节的人把关，还是把责任分到每一级的方法。每一种制度中，都有一部分在节约认知，另一部分在配置权威和责任。

人工智能可以大幅降低信息处理的成本，却不一定降低验证和担责的成本。它甚至可能让审批层级增加。生成越多，越需要有人签字。建议越便宜，责任越稀缺。

所以长期的问题不能简单写成“为什么还要有中层、专业和证书”。更好的问题是：这些制度里，哪些部分在节约认知，哪些部分在配置权威和责任？人工智能会消灭前者，还是让后者更加突出？如果是后者，那么天轴拆掉以后，工厂不会变成没有结构的大平房，会变成另一种结构，围绕责任而非围绕认知搭起来的结构。这个问题今天几乎没有人认真问，就像1900年没有人认真问为什么厂房要围绕天轴。

二十八、厂房会老，人会保卫自己的厂房

那么为什么重组这么慢？电力的例子给了一部分答案，人工智能的情况有几处不同。

旧工厂之所以最后被重建，很大程度上因为它老了。厂房会破，天轴会磨损，机器会报废。折旧到一定程度，重建比修补便宜，于是新工厂按新逻辑建。另外一个原因是人。相信天轴的那一代工程师退休了，在电机时代长大的工程师接了班。旧形式的消失，靠的是物理折旧加上一代人的更替。

组织形式的折旧比厂房慢，第一个原因是它的持有人是人。一个职业背后有收入，有身份，有资格，有地位，有晋升的路径，有几十年的教育投资，有一整套组织记忆。一个中层的位置后面是一个人的生计和自尊。一个专业的边界后面是一个协会、一套考试、一批学校。这些东西不会像厂房一样自己变旧。它们会抵抗。持有人会用一切办法证明这个形式还有必要，而且他们往往是对的，至少在局部是对的。厂房不会为自己辩护，职业会。厂房会老，人会保卫自己的厂房。

第二个原因是旧组织周围有一整套互补的东西：法律，客户的信任，供应商的流程，保险，责任链条。这些东西互相咬合，动一样就要动全部。一家医院可以让模型写病历，但病历出错谁负责，法律没有变，保险没有变，患者的信任也没有变。这些不变，形式就不能变。把重组慢全部归到既得利益上，会漏掉这一层，也会把一个结构问题讲成一个利益集团的故事。

还有一个电力时代也有的区别。旧工厂改造慢，新工厂按新逻辑建就快。20世纪早期，那些正在扩张、能够新建厂房的行业，更容易采用围绕电力重新设计的生产形式；老厂则常常继续在旧结构上修修补补。人工智能时代可能也是这样：旧组织长期不动，按人工智能重新设计的新组织突然长大。整体未必比电气化更慢，但会表现为很长时间的不动，然后是一批新东西的突然出现。

二十九、一个奇怪的时间表

把这些放在一起，可以画出一张时间表。它和今天围绕人工智能的大部分讨论都不一样。

能力的进步极快，几个月一个台阶。任务的替代很快，一个岗位一个岗位地被装上“电机”。组织的重组很慢，新的要等旧的让出位置。

而最大的收益，可能恰恰在最慢的那一段。

今天的很多讨论盯着前两段。哪些职业会消失，哪些任务会自动化，明年生产率会提高多少。这些问题都有意义，但它们问的是天轴上的事。电力的历史说，天轴上的事做完了，收益还没有真正开始。真正的收益要等到有人不再问“电机能替换哪台蒸汽机”，开始问“没有天轴的工厂应该长什么样？”。

放到今天，就是要等到有人不再问“人工智能能帮这个职业做什么”，开始问“这个职业里哪些部分是在节约认知，哪些部分是在配置责任，前者没有了以后，后者应该怎么重新组织”。

这个转折什么时候来，我不知道。电力等了三十年，人工智能面对的旧形式更顽固，也许更久，也许因为新组织可以另起炉灶而更快。但有一点可以说得比较确定：如果只看眼前的替代来估计人工智能的经济后果，估出来的长期收益会小很多，对收益来源的判断也会错：它会把生产形式的重写，算成已有投入的节省。

这也是电力这个类比最有用的地方。它提醒我们，一种通用技术最大的经济后果，往往出现在人们已经不再谈论它的时候。1900年人人都在谈电，1930年谈得少了，因为电已经变成了工厂的形状、城市的形状、家庭的形状。人工智能的那个时刻还很远。

第五部分　类比断掉的地方

三十、类比为什么会断

前面四部分一直在用电力说人工智能。现在该说这个类比在哪里靠不住了。

我不打算用一段总结收尾。一个类比最有用的地方常常是它断掉的地方。断口显出的差别，是类比本身没法教给我们的东西。电力和人工智能的断口有三处。

三十一、电没有历史，人工智能有

第一处前面提过，这里把它推到底。

电是一种物理能力。它不知道人类以前做过什么，也不在乎。人们拿它做的每一件事，对它来说都是第一次。所以电力时代的用途发现，是人对着一片空白在想。

人工智能是从人类的记录里压出来的。它带着已有世界的先验知识出生。这让它偏向已有的品类。这里要说的是另一面：它带的不只是已有品类的地图，还有已有世界没有满足的愿望的记录。

人类留下的文字里，除了做成的事，还有没做成的事。有抱怨，有遗憾，有“要是能这样就好了”，有几百年来一直在问却没有答案的问题。这些东西电看不见，人工智能读过。所以它的先验有两层。一层是已经有名字的活动，这一层把它拉向账单。另一层是那些被反复说起却从来没有实现的需求，这一层指向账单之外。

读过抱怨和愿望，并不等于知道其中哪一个有真正的价值。文本给的是候选的方向，不是需求的强度，更不是最终的目标。小说里的幻想、酒桌上的牢骚和一个真实的潜在需求，在文字里没有天然的标签。模型可以从记录里找出一万个“要是能这样就好了”，它不能从记录本身判断哪一个值得实现。这个判断还是要过筛选这一关，回到活着的人。

所以“已有世界的先验”这个说法要小心。已有世界不只记录了自己是什么样，也记录了自己想成为什么样。一个读过全部记录的东西，知道现有的品类，也知道品类之间的空隙。它会不会去填那些空隙，取决于有没有人问它，以及有没有人告诉它填哪一个。

三十二、电不会被使用塑造，人工智能会

第二处是全文最深的一道断口。

再多的照明需求也不会改变电子的性质。电力的通用性是物理给的，人怎么用它，通用性都在那里。1900年的电和1800年的电是同一种东西。

人工智能的通用性是训练给的。训练用什么数据，给什么奖励，往哪个方向优化，通用性就长成什么样。前面说的那个循环——可估值的用途拿到钱，钱变成数据和奖励，能力在可验证的地方长起来——说的就是这件事。

由此出来一个电力时代从来没有过的问题：一种通用技术的使用方向，能不能反过来改变它的通用性本身？

这个问题今天没有答案，但它决定前面所有判断的分量。如果从账单上学来的能力可以大量转移到账单以外，那么方向的锁定只是一个小扭曲，新品类照样会从旧任务的价格崩溃里长出来，电力的故事大体会重演。如果转移很少，就会出现那个别扭的局面：新用途要靠底层的人去试，工具偏偏在那里最弱，试错的信号也最弱。

我目前的看法是转移相当多，但很不均匀。在代码这类可验证领域形成或显现出来的一部分能力，也能用于写作和分析。到了需要身体、现场和判断的地方，能借到的就少得多。这意味着账单之外的用途也分成两类：一类能借到账单上练出来的能力，一类借不到。前一类会先被发现。这比“人工智能能不能发现新用途”要具体得多，也是一个可以慢慢观察的事实。

三十三、电不会提建议，人工智能会

第三处断口最简单，也最陌生。

电不会对人说：“你还可以拿我干这件事”。电力时代的每一个用途，都是人想出来的。技术是被动的，人是主动的。用途发现的方向永远是从人到技术。

人工智能会提建议。你问它能干什么，它会给出一张清单。你说一个困难，它会提出办法。你描述一种处境，它会告诉你别人在类似处境下做过什么。用途发现第一次可以是双向的。人向技术提问，技术向人提议，两边一起找。

这一下把前面的问题推到了一个新地方。如果人工智能自己也在参与用途探索，那么它提出的用途从哪里来？还是来自它读过的已有世界吗？

我倾向于认为，单个建议大多来自已有的东西，因为它只能从读过的东西里组合。但组合本身可能就够了。许多新品类没有依赖全新的自然原理，只是把原来分散在不同领域的元素重新组合起来。人工智能擅长的恰恰是把散在不同地方的东西放到一起。它未必能想出一个全新的元素，但它可能比人更快地穷尽现有元素的组合。电力时代大部分新品类，正是旧元素的新组合。

注意，人工智能虽然参与用途候选的生成和组合，但不能独立完成用途的价值选择。它可以说“这两样东西可以放在一起”，不能说“放在一起以后的那种生活值得过”。第二句话需要知道什么对人是好的，这个知识在模型之外。一万个组合摆在面前，哪一个对应一种人们真的想要的生活，还是要由人来选，而且常常要试过才知道。

所以有句话值得保留：它是历史上第一种会参与寻找自己用途的通用技术。但要马上跟一句：它参与探索，却不拥有探索的最终目的。它能扩大候选范围，不能从自身内部决定哪一种生活值得实现。这条界线画清楚，双向探索才不会被误解成机器替人决定要什么。

三十四、向内和向外

最后把所有东西压到一点上。

向内的力量清楚得很。一张大到惊人的现成账单，资本按它估值，能力按它生长，模型自己的先验指向它，旧组织按它提需求。每一项都在把人工智能拉回已经存在的世界。

向外的力量也不弱。电网现成，翻译成本很低，几亿人直接参与，极小的私人需求有了工具，人工智能自己会提议，已有世界的记录里还藏着没被满足的愿望。每一项都在把它推向还不存在的东西。而向外的每一步，都要过筛选那一关，那一关的知识在模型之外。

这两股力量谁大，今天看不出来。所以不能说人工智能只会替代旧工作，也不能说它一定会造出大量新产业。两种说法都把一个还在进行的过程说成了结果。

能说的是，它的处境和电力当年正好相反。电力革命开始的时候，人们不得不去想象一个没有价格的未来，因为眼前没有什么可以估值。人工智能革命开始的时候，人们面前摆着一个几十万亿美元的、可以直接拿来做基准的现在。电力被迫向外找了八十年，才一层一层搭出自己的世界。人工智能不需要向外找也能活得很好，这是它的便利，也是它的危险。

于是问题变成这样：一个从已有世界训练出来、由已有市场融资、却又把探索成本降到很低的通用智能，最后会不会发现一个不再像已有世界的新经济？

这个问题没有人能回答。但至少可以把它问对。电能做什么与人怎样使用它，是两件分开的事。人工智能能做什么与人怎样使用它，开始互相塑造。

附录　定价未来：一个极简模型及其预测

Abstract

This appendix develops a minimal model of how a general-purpose technology discovers its uses. The model distinguishes realized markets, imagined markets, and imagined markets that can be priced. Capital does not rank every conceivable future. It ranks projects whose value can be expressed by borrowing an observable expenditure base, a known customer group, and a language of demand from an already realized use. These links form an anchor graph. At each date, the set of financeable uses is the neighborhood of realized uses, so the technology advances through the graph rather than directly toward the uses with the highest social value. Once a use is realized, it creates a new anchor and makes some neighboring uses priceable. The initial position of a technology in this graph therefore shapes its subsequent path.

Artificial intelligence adds an endogenous-capability channel. Investment in a use improves capability where performance is verifiable; part of this improvement transfers to neighboring uses. Decentralized use also produces feedback that can improve capabilities outside the initially priceable set. Deployment, however, requires capability to cross an effective threshold that summarizes reliability, verification, liability, and organizational requirements. Capability growth makes estimates of substitution and market capture more credible, raising priced value and attracting further investment. Pricing therefore directs both capital and the evolution of the technology itself. The strength and topology of cross-use transfer determine how tightly this feedback loop locks artificial intelligence into existing categories.

The model also introduces a decentralized route to new uses. Many users can cheaply generate private experiments without first obtaining market finance. Only a fraction have value beyond the original user, and identifying that fraction requires screening, validation, naming, and diffusion. When generation is costly, the number of candidates is the bottleneck. When artificial intelligence drives generation cost toward zero, screening capacity becomes the bottleneck: candidate production can explode while the number of socially recognized uses reaches a ceiling. This separates the economics of generating possibilities from the economics of selecting valuable ones.

The policy implications follow directly. Enterprise computing vouchers mainly increase investment inside the already priceable set. A Universal Token allocation raises the resources available for decentralized experimentation and broadens the candidate pool. A clearing and discovery platform raises the budget for screening or lowers its unit cost. Universal Tokens alone increase discovery only while candidate generation remains scarce; once screening binds, additional tokens mainly create more unseen experiments. Screening infrastructure can then raise the rate at which private uses become public categories, while privacy, user control, and intellectual-property protection preserve the knowledge needed for decentralized search. The model yields testable predictions about investment direction, cross-domain capability growth, the order in which new categories appear, and the widening gap between the abundance of private uses and the much smaller set of named, standardized, and commercialized applications. Empirical objects are therefore the size and topology of the initial priceable set, the transfer matrix across tasks, effective deployment thresholds, and the capacity of institutions that turn dispersed private trials into verifiable, transferable, genuinely investable uses.