AI如何吞噬世界：泡沫、瓶頸和變革

如果說 2011 年馬克·安德森（Marc Andreessen）那篇著名的宣言宣告了“軟件吞噬世界”，那么十四年后的今天，a16z 前合伙人、著名科技分析師本尼迪克特·埃文斯（Benedict Evans）則以一份題為《AI 吞噬全世界》（AI Eats the World）的重磅報(bào)告，為這個(gè)新時(shí)代寫下了注腳。

圖丨本尼迪克特·埃文斯（來源：Benedict Evans）

自 2024 年末起，Evans 開始以每半年一次的頻率發(fā)布同名報(bào)告，深入剖析科技行業(yè)的宏觀格局與戰(zhàn)略走向。近日，該系列的第三份報(bào)告正式發(fā)布。這份長(zhǎng)達(dá)九十頁的深度研究，試圖在生成式人工智能（Generative AI）引發(fā)的狂熱與質(zhì)疑之間，抽絲剝繭，梳理出這場(chǎng)技術(shù)革命的真實(shí)脈絡(luò)。

（來源：Benedict Evans）

報(bào)告關(guān)鍵點(diǎn)如下：

? 平臺(tái)轉(zhuǎn)移再現(xiàn)：生成式 AI 正在引發(fā)科技產(chǎn)業(yè)每 10-15 年一次的平臺(tái)轉(zhuǎn)移，但具體形態(tài)仍不明朗。

? 史無前例的投資狂潮：2025 年微軟、AWS、谷歌、Meta 四家公司資本支出預(yù)計(jì)達(dá) 4000 億美元，年內(nèi)幾乎翻番，超過全球電信業(yè) 3000 億美元的年度投資。

? 模型性能趨同：頂級(jí)大語言模型在基準(zhǔn)測(cè)試上的差距縮小至個(gè)位數(shù)百分比，模型可能正在成為商品，護(hù)城河和價(jià)值捕獲方式尚不清晰。

? 用戶參與度困境：ChatGPT 聲稱擁有 8 億周活躍用戶，但多項(xiàng)調(diào)查顯示僅約 10% 的美國(guó)用戶每日使用 AI 聊天機(jī)器人，大多數(shù)人仍處于偶爾嘗試階段。

? 企業(yè)部署緩慢：約 40% 的 CIO 表示至少要到 2026 年才會(huì)部署 LLM 項(xiàng)目，目前成功用例主要集中在編程輔助、營(yíng)銷和客戶支持等“吸收”階段。

? 推薦系統(tǒng)革命：AI 可能將推薦從基于相關(guān)性轉(zhuǎn)向理解用戶意圖，萬億美元級(jí)的廣告市場(chǎng)面臨重構(gòu)。

? 歷史的教訓(xùn)：報(bào)告引用 1956 年美國(guó)國(guó)會(huì)自動(dòng)化報(bào)告和電梯操作員消失的案例，提醒當(dāng)自動(dòng)化成功時(shí)會(huì)變成基礎(chǔ)設(shè)施而不再被稱為“AI”。

又一次十五年之變

報(bào)告開篇便拋出一個(gè)核心論斷：我們正在經(jīng)歷又一次平臺(tái)轉(zhuǎn)移。Evans 指出，科技產(chǎn)業(yè)大約每十到十五年就會(huì)經(jīng)歷一次這樣的巨變，從大型主機(jī)到個(gè)人電腦，從萬維網(wǎng)到智能手機(jī)，每一次轉(zhuǎn)移都重塑了整個(gè)行業(yè)的格局。而生成式人工智能，可能正是這個(gè)十五年周期中的下一個(gè)主角。但問題在于，就像歷史上每一次平臺(tái)轉(zhuǎn)移一樣，我們現(xiàn)在對(duì)它將如何展開依然充滿不確定性。

（來源：Benedict Evans）

回顧歷史總能提供某種慰藉，也帶來警示。報(bào)告用微軟的案例說明了這種轉(zhuǎn)移的殘酷性：這家公司曾在個(gè)人電腦時(shí)代擁有接近百分之百的操作系統(tǒng)市場(chǎng)份額，但當(dāng)重心轉(zhuǎn)向智能手機(jī)時(shí)，微軟幾乎變得無關(guān)緊要。數(shù)據(jù)顯示，微軟操作系統(tǒng)在全球計(jì)算機(jī)銷售中的份額，從二零一零年前后的高點(diǎn)急劇下滑，到二零二五年已降至不足百分之二十。

類似的，在個(gè)人電腦市場(chǎng)早期占據(jù)主導(dǎo)地位的蘋果，也曾被 IBM 兼容機(jī)邊緣化。更廣泛地看，搜索領(lǐng)域不是第一家搜索引擎贏得了市場(chǎng)，社交網(wǎng)絡(luò)也不是，智能手機(jī)同樣如此。早期領(lǐng)導(dǎo)者往往會(huì)消失，這似乎是平臺(tái)轉(zhuǎn)移的鐵律。

但三年過去，我們對(duì)這次轉(zhuǎn)移的形態(tài)依然所知甚少。Evans 列舉了互聯(lián)網(wǎng)早期和移動(dòng)互聯(lián)網(wǎng)早期那些失敗的想法：美國(guó)在線（AOL）、雅虎門戶、Flash 插件、WAP 協(xié)議、J2ME 平臺(tái)。那時(shí)候人們也不知道未來會(huì)是什么樣子。如今輪到了生成式人工智能，各種可能性同樣令人眼花繚亂：是瀏覽器形態(tài)？智能體（Agent）形態(tài)？語音交互？模型上下文協(xié)議（MCP，Model Context Protocol）？可穿戴設(shè)備？還是某種全新的用戶界面范式？沒有人真正知道答案。

四千億美元的豪賭

然而不確定性并未阻止投資的狂潮。報(bào)告用大量數(shù)據(jù)描繪了科技巨頭們的“FOMO”（Fear of Missing Out，害怕錯(cuò)過）心態(tài)如何驅(qū)動(dòng)著史無前例的資本支出激增。二零二五年，僅微軟、亞馬遜云服務(wù)（AWS）、谷歌母公司 Alphabet 和 Meta 四家公司，預(yù)計(jì)資本支出就將達(dá)到約四千億美元。作為對(duì)比，全球電信行業(yè)的年度資本支出大約為三千億美元。更令人震驚的是，這一數(shù)字在二零二五年期間幾乎翻了一番，原本在年初的預(yù)期約為兩千億美元，但到年底已飆升至接近四千億。

（來源：Benedict Evans）

這些錢都流向了哪里？數(shù)據(jù)中心建設(shè)成為最重要的去處。根據(jù)美國(guó)人口普查局的數(shù)據(jù)，美國(guó)數(shù)據(jù)中心的建設(shè)價(jià)值（不包括服務(wù)器本身）已經(jīng)超過了辦公樓，這在歷史上還是第一次。Evans 引用 Schneider Electric 在二零二五年二月的行業(yè)調(diào)查顯示，電力供應(yīng)已成為美國(guó)數(shù)據(jù)中心建設(shè)的首要制約因素，超過了芯片獲取、光纖接入和土地供應(yīng)。美國(guó)的電力需求增長(zhǎng)率約為每年百分之二，而人工智能可能額外增加百分之一的需求，這在短期內(nèi)很難快速建設(shè)。報(bào)告特別指出，這在中國(guó)不是問題，但在美國(guó)已成為重大瓶頸。

（來源：Benedict Evans）

Nvidia 成為這場(chǎng)狂歡的最大受益者之一。報(bào)告顯示，Nvidia 的季度收入已從二零二三年初的不到一百億美元，飆升至二零二五年的近六百億美元，遠(yuǎn)超英特爾在鼎盛時(shí)期的表現(xiàn)。Evans 將其類比為試圖打造“新一代 Sun Microsystems”，盡管中國(guó)和各大云服務(wù)商自研芯片的威脅正在逼近。但如今的 Nvdia 依舊需求爆棚，其代工伙伴臺(tái)積電（TSMC，Taiwan Semiconductor Manufacturing Company）的產(chǎn)能擴(kuò)張完全跟不上訂單的增速。

這種投資狂熱已經(jīng)開始考驗(yàn)所有科技公司的資產(chǎn)負(fù)債表，也包括那些富可敵國(guó)的科技巨頭們。報(bào)告詳細(xì)分析了四大云服務(wù)商的自由現(xiàn)金流和資本支出趨勢(shì)。自疫情以來，這些公司的現(xiàn)金流確實(shí)大幅增長(zhǎng)，但資本支出的增速更快。更讓人費(fèi)解的是，資本租賃這種不直接體現(xiàn)為現(xiàn)金支出的融資方式占比越來越大。有分析師指出，Oracle 的云業(yè)務(wù)資本支出可能超過其收入的百分之百，這在傳統(tǒng)商業(yè)邏輯中幾乎難以理解。

（來源：Benedict Evans）

而那些沒有巨額現(xiàn)金流的公司怎么辦？OpenAI 就給大家打了個(gè)樣，它在二零二五年十月宣布了一系列令人咋舌的基礎(chǔ)設(shè)施承諾：超過三十吉瓦（GW，gigawatt，十億瓦特）的產(chǎn)能，總投資一點(diǎn)四萬億美元，甚至提出每周新增一吉瓦產(chǎn)能的愿景，按每吉瓦兩百億美元計(jì)算，年投資額將達(dá)到一萬億美元，相當(dāng)于每年建設(shè)當(dāng)前全球數(shù)據(jù)中心總?cè)萘康娜种＿@些數(shù)字如此巨大，以至于讓人懷疑其可行性。

OpenAI 的策略是與 Nvidia、Oracle、軟銀和中東石油資金等合作伙伴建立復(fù)雜的融資結(jié)構(gòu)，也就是我們所說的“循環(huán)收入”（circular revenue）：OpenAI 用 Nvidia 的現(xiàn)金流購(gòu)買 Nvidia 的芯片，而 Nvidia 的現(xiàn)金流來自微軟、谷歌等云服務(wù)商，這些云服務(wù)商又是 OpenAI 的競(jìng)爭(zhēng)對(duì)手和合作伙伴。與此同時(shí)，OpenAI 還在用這些資金將 AMD 培養(yǎng)成 Nvidia 的競(jìng)爭(zhēng)對(duì)手，并支付 Broadcom 設(shè)計(jì)自己的定制芯片。這種復(fù)雜的資本流動(dòng)模式不僅讓許多人想起互聯(lián)網(wǎng)泡沫時(shí)期的某些特征。

趨同的模型，分化的用戶

那么，三年和數(shù)千億美元之后，我們得到了什么？報(bào)告指出，在模型層面確實(shí)取得了顯著進(jìn)展：每周都有新模型發(fā)布，性能不斷提升，中國(guó)和開源社區(qū)快速追趕。但同時(shí)也出現(xiàn)了一些令人困惑的趨勢(shì)。基準(zhǔn)測(cè)試已經(jīng)飽和，存在針對(duì)測(cè)試優(yōu)化甚至作弊的問題，而頂級(jí)模型之間的差距越來越小。根據(jù) ArtificialAnalysis 和 LMArena 等第三方評(píng)測(cè)平臺(tái)的數(shù)據(jù)，到二零二五年十月，Anthropic 的 Claude、谷歌的 Gemini、OpenAI 的 GPT 系列以及一些中國(guó)和西方的其他模型，在通用基準(zhǔn)測(cè)試上的得分已經(jīng)非常接近，差距往往在百分之幾以內(nèi)。

（來源：Benedict Evans）

這引發(fā)了一個(gè)根本性問題：如果模型性能趨同，護(hù)城河在哪里？Evans 認(rèn)為，目前看不到明顯的網(wǎng)絡(luò)效應(yīng)或技術(shù)壁壘。模型本身可能正在成為商品，就像云計(jì)算中的計(jì)算資源一樣。那么價(jià)值將在哪里被捕獲？是最好的模型、最多的資本、專有的垂直數(shù)據(jù)、分銷渠道、產(chǎn)品體驗(yàn)，還是用戶界面設(shè)計(jì)？

從用戶數(shù)據(jù)來看，情況更加復(fù)雜。OpenAI 宣稱 ChatGPT 擁有八億周活躍用戶（WAU，Weekly Active Users），這是一個(gè)非常驚人的數(shù)字。但報(bào)告指出，據(jù)估計(jì)只有約百分之五的用戶付費(fèi)，而且 OpenAI 選擇公布周活躍而非日活躍用戶數(shù)據(jù)，這本身可能也說明了什么。路透社新聞研究所（Reuters Institute）二零二五年六月的調(diào)查顯示，在美國(guó)，ChatGPT 的周活躍用戶占總?cè)丝诩s百分之二十二，谷歌 Gemini 約百分之十五，Meta AI 約百分之十一，微軟 Copilot 約百分之八。但更深入的數(shù)據(jù)揭示了一個(gè)關(guān)鍵問題：使用頻率。

德勤（Deloitte）在二零二五年六月對(duì)美國(guó)和英國(guó)消費(fèi)者的調(diào)查發(fā)現(xiàn)，雖然嘗試過生成式人工智能聊天機(jī)器人的人數(shù)在增長(zhǎng)，但每日使用者的比例增長(zhǎng)緩慢。在美國(guó)，約百分之十的人每天使用，百分之十八的人每周使用，而超過一半的人每月使用頻率更低或根本不使用。這種模式在多個(gè)獨(dú)立調(diào)查中重復(fù)出現(xiàn)：許多人嘗試了這項(xiàng)技術(shù)，但將其融入日常工作流程的人仍是少數(shù)。

（來源：Benedict Evans）

Evans 提出了一個(gè)發(fā)人深省的問題：為什么大多數(shù) ChatGPT 用戶只是偶爾使用？他提供了三個(gè)可能的解釋。首先，有多少用例真正是顯而易見且容易適配的？其次，誰的工作足夠靈活，能夠有意識(shí)地尋找優(yōu)化機(jī)會(huì)？程序員、營(yíng)銷人員、作家可能屬于這一類，但對(duì)于大多數(shù)有固定工作流程的人來說呢？第三，對(duì)于其他所有人來說，是否需要將這種能力包裝成更具體的工具和產(chǎn)品，而不是一個(gè)通用的聊天框？

他引用史蒂夫·喬布斯的話：“人們不知道自己想要什么，直到你展示給他們看”，以及“你必須從體驗(yàn)開始，然后回溯到技術(shù)”。

從試點(diǎn)到落地的漫長(zhǎng)之路

在企業(yè)層面，采用情況呈現(xiàn)出不同的圖景。報(bào)告指出，到目前為止，最成功的用例集中在幾個(gè)明顯的領(lǐng)域：編程輔助、營(yíng)銷內(nèi)容生成、客戶支持和流程自動(dòng)化。AI 編程工具被譽(yù)為“新的 AWS”——就像亞馬遜云服務(wù)通過基礎(chǔ)設(shè)施即服務(wù)降低了軟件創(chuàng)建的成本，AI 編程助手通過“氛圍編程”（vibe coding）這種新的抽象層，再次大幅降低了軟件開發(fā)的門檻。Y Combinator 孵化器 CEO Garry Tan 在二零二五年三月表示，當(dāng)前 YC 創(chuàng)業(yè)公司中約百分之九十五的代碼由 AI 編寫，這意味著“創(chuàng)始人不再需要五十或一百名工程師的團(tuán)隊(duì)，也不需要籌集那么多資金”。

咨詢和軟件服務(wù)公司成為企業(yè) AI 部署的重要推手。埃森哲（Accenture）報(bào)告的新生成式 AI 合同金額從二零二三年二月的幾乎為零，增長(zhǎng)到二零二五年八月的超過十八億美元。Palantir 這家曾經(jīng)神秘的數(shù)據(jù)分析公司，其企業(yè)部門收入在二零二五年達(dá)到了前所未有的增長(zhǎng)，部分歸因于其 AI 平臺(tái)產(chǎn)品。但 McKinsey 在二零二五年的調(diào)查顯示，在已經(jīng)使用生成式 AI 的企業(yè)中，按業(yè)務(wù)功能劃分，真正“已部署”的比例普遍低于百分之五，大多數(shù)仍處于“試點(diǎn)”或“實(shí)驗(yàn)”階段。

（來源：Benedict Evans）

摩根士丹利（Morgan Stanley）二零二五年九月對(duì)首席信息官（CIO，Chief Information Officer）的調(diào)查顯示：約四分之一的受訪者表示已經(jīng)部署了至少一個(gè)大語言模型（LLM，Large Language Model）項(xiàng)目，另有四分之一計(jì)劃在二零二五年下半年部署，但接近百分之四十的人表示至少要到二零二六年才會(huì)有計(jì)劃，或者根本沒有計(jì)劃。Evans 將這與云計(jì)算的采用軌跡進(jìn)行對(duì)比：根據(jù)高盛的 CIO 調(diào)查數(shù)據(jù)，雖然云計(jì)算已經(jīng)“古老而無聊”，但截至二零二五年，企業(yè)工作負(fù)載中仍然只有約百分之三十運(yùn)行在公有云上。技術(shù)變革總是需要時(shí)間的。

（來源：Benedict Evans）

那么部署緩慢的原因是什么？報(bào)告指出，這些挑戰(zhàn)聽起來更像是關(guān)于 CTO（Chief Technology Officer，首席技術(shù)官）的問題，而不是 AI 特有的問題：安全性、隱私、知識(shí)產(chǎn)權(quán)、錯(cuò)誤率、法律風(fēng)險(xiǎn)、數(shù)據(jù)集成、遺留系統(tǒng)兼容性，以及找到合適的解決方案匹配合適的人群。換句話說，這是部署任何新技術(shù)時(shí)都會(huì)遇到的典型障礙。但有一個(gè) AI 特有的問題值得關(guān)注：如何處理“錯(cuò)誤”？

大語言模型會(huì)產(chǎn)生事實(shí)性錯(cuò)誤、幻覺和不可預(yù)測(cè)的輸出，這似乎是這項(xiàng)技術(shù)固有的特征。報(bào)告提出了一系列問題：錯(cuò)誤是否重要？能否自動(dòng)化驗(yàn)證？人工驗(yàn)證是否高效？需要在 LLM 外面包裝多少傳統(tǒng)軟件？這些問題將決定哪些應(yīng)用場(chǎng)景真正可行。有些場(chǎng)景對(duì)準(zhǔn)確性要求不高，比如創(chuàng)意頭腦風(fēng)暴或初稿生成。有些可以通過技術(shù)手段驗(yàn)證，比如代碼可以運(yùn)行測(cè)試。但很多場(chǎng)景需要人工審核，這就限制了自動(dòng)化的價(jià)值。

Evans 引用了十九世紀(jì)經(jīng)濟(jì)學(xué)家威廉·斯坦利·杰文斯（William Stanley Jevons）的悖論來思考這個(gè)問題：技術(shù)進(jìn)步提高效率后，總消費(fèi)往往不降反升。應(yīng)用到 AI 上就是：你會(huì)用更少的人做同樣的工作，還是用同樣的人做更多的工作？如果雇傭大量人員曾是你的護(hù)城河，那現(xiàn)在會(huì)發(fā)生什么？當(dāng)你不再需要數(shù)百萬人來完成某項(xiàng)任務(wù)時(shí)，什么變得可能？

他用英國(guó)蒸汽機(jī)的歷史數(shù)據(jù)做了一個(gè)類比：到一九零零年，蒸汽機(jī)提供的勞動(dòng)力相當(dāng)于英國(guó)總?cè)丝诘拇蠹s五倍。這種“杰文斯悖論”在工業(yè)革命中充分顯現(xiàn)——更高效的動(dòng)力并沒有減少工作，而是創(chuàng)造了全新的產(chǎn)業(yè)和就業(yè)機(jī)會(huì)。那么，當(dāng)我們擁有“無限實(shí)習(xí)生”時(shí)會(huì)發(fā)生什么？

重新定義推薦與選擇

在消費(fèi)者應(yīng)用方面，報(bào)告重點(diǎn)分析了廣告和推薦系統(tǒng)這個(gè)潛在的巨大市場(chǎng)。根據(jù) WPP Media 和各公司數(shù)據(jù)，全球廣告收入在二零二四年約為一萬億美元，其中谷歌搜索占約兩千億，Meta 約四千億，亞馬遜約五百億。品牌每年花費(fèi)數(shù)千億美元與消費(fèi)者對(duì)話，還有租金、物流、營(yíng)銷和退貨等成本。這是一個(gè)巨大的價(jià)值捕獲機(jī)會(huì)。

（來源：Benedict Evans）

目前 AI 在廣告領(lǐng)域的應(yīng)用主要集中在資產(chǎn)創(chuàng)建自動(dòng)化。報(bào)告引用聯(lián)合利華、歐萊雅和億滋國(guó)際等公司的案例，顯示生成式 AI 工具可以將廣告資產(chǎn)創(chuàng)建效率提高十到二十倍，成本降低百分之三十到五十，并使視頻廣告對(duì)更多廣告主來說變得經(jīng)濟(jì)可行。谷歌和 Meta 都在二零二五年第二季度財(cái)報(bào)中強(qiáng)調(diào)，他們的 AI 推薦模型帶來了百分之幾到十幾的轉(zhuǎn)化率提升。全球廣告資產(chǎn)創(chuàng)建成本約為一千億美元，現(xiàn)在可以生成多十到二十倍的資產(chǎn)變體。

但更深層的變革可能在于推薦系統(tǒng)本身。Evans 指出，今天所有的推薦系統(tǒng)都通過驅(qū)動(dòng)、捕獲和分析用戶活動(dòng)來工作——我們都是機(jī)械土耳其人（Mechanical Turks，指 Amazon 的眾包平臺(tái)），在為算法提供訓(xùn)練數(shù)據(jù)，網(wǎng)絡(luò)效應(yīng)成為護(hù)城河。那么大語言模型能否做得更好？能否在不需要龐大用戶基礎(chǔ)的情況下實(shí)現(xiàn)推薦？

想象一下這樣的場(chǎng)景：你買了包裝膠帶，傳統(tǒng)的關(guān)聯(lián)推薦可能建議你購(gòu)買紙箱和氣泡膜。但如果系統(tǒng)真正理解這些商品代表什么，它可能推斷你在搬家，進(jìn)而推薦燈泡、煙霧報(bào)警器，甚至家庭保險(xiǎn)廣告。這從基于相關(guān)性的推薦轉(zhuǎn)向了對(duì)用戶意圖和情境的理解。報(bào)告提出，三十年來我們擁有無限的商品、無限的媒體和無限的零售渠道，現(xiàn)在我們有了一臺(tái)能看到所有這些、也能看到我們的機(jī)器。它會(huì)推薦什么？

這引出了一個(gè)根本性的價(jià)值拆分問題：當(dāng)你搜索或購(gòu)物時(shí)，你真正想要什么？你在乎來源嗎？是要解決問題的工具化需求，還是尋求策展和體驗(yàn)的享受？物流、數(shù)據(jù)、答案可能變成純粹的效用，而體驗(yàn)、策展、樂趣和真實(shí)性成為另一個(gè)維度。Evans 用東京 Morioka Shoten 書店說明這一點(diǎn)——一家每周只展示一本書的書店，代表了與亞馬遜完全不同的價(jià)值主張。

在這種背景下，我們?cè)賮砘乜?OpenAI 的策略困境。這家公司似乎對(duì)所有可能性都回答“是”：與 Oracle、Nvidia、Intel、Broadcom、AMD 的基礎(chǔ)設(shè)施交易，電商整合和廣告業(yè)務(wù)，應(yīng)用平臺(tái)和社交視頻，網(wǎng)頁瀏覽器，機(jī)器人，甚至與 Jony Ive 合作開發(fā)硬件，以及生物技術(shù)投資。Evans 引用 Jim Barksdale 的名言：“賺錢的方式只有兩種：要么捆綁，要么拆分。”O(jiān)penAI 似乎在同時(shí)嘗試兩者：既拆分用例（瀏覽器、視頻工具等），也在捆綁能力（把所有這些都整合到 ChatGPT 品牌下）。

但問題是：為什么？如果 ChatGPT 應(yīng)用已經(jīng)有八億周活躍用戶，為什么還需要瀏覽器、社交視頻和所有這些？為什么不直接用 ChatGPT 應(yīng)用就行了？這是因?yàn)楣具€沒有找到最佳的產(chǎn)品形態(tài)和分銷渠道嗎？還是因?yàn)槟Ｐ捅旧碚谧兂缮唐罚员仨毾蛏舷掠窝由靵聿东@價(jià)值？

這種不確定性也反映在創(chuàng)業(yè)生態(tài)中。Y Combinator 的數(shù)據(jù)顯示，二零二四年冬季和二零二五年夏季批次中，AI 初創(chuàng)公司的比例大幅上升，接近或超過總數(shù)的一半。這些創(chuàng)業(yè)公司存在的理由就是拆分用例——嘗試為特定問題提供比通用 ChatBot 更好的解決方案，即使底層模型可能趨同。他們?cè)谘鹤a(chǎn)品、用戶體驗(yàn)、垂直數(shù)據(jù)、分銷和市場(chǎng)推廣能力，而不僅僅是技術(shù)本身。

然而消費(fèi)者行為數(shù)據(jù)顯示，這種拆分還處于早期階段。Bain 在二零二五年九月的調(diào)查顯示，雖然年輕群體使用生成式 AI 的比例更高，但總體而言，絕大多數(shù)人仍然主要或總是使用傳統(tǒng)搜索引擎，而不是 AI 聊天機(jī)器人。這包括使用 Google Gemini 的人，其本身就集成在 Chrome 瀏覽器中，但用戶仍然更傾向于傳統(tǒng)搜索框。這是早期階段的正?，F(xiàn)象，還是說明了更深層的問題？

（來源：Benedict Evans）

自動(dòng)化的宿命與 AI 的未來

Evans 提醒我們，技術(shù)轉(zhuǎn)型總是充滿了過早的悲觀。他展示了一九九七年《連線》（Wired）雜志“網(wǎng)絡(luò)已死”的封面，以及二零二五年 NPR 報(bào)道的“出版商面臨來自谷歌 AI 搜索的滅絕級(jí)威脅”。事實(shí)上，網(wǎng)絡(luò)從一九九七年就開始“死亡”了，但今天它仍然是我們生活的核心。同樣，出版業(yè)也一直在“死亡”，但也一直在適應(yīng)和演變。技術(shù)變革從來不是簡(jiǎn)單的替代，而是復(fù)雜的重構(gòu)。

（來源：Benedict Evans）

那么，我們?cè)撊绾慰创@一切？報(bào)告的最后部分提供了歷史視角。一九五六年，美國(guó)國(guó)會(huì)發(fā)布了一份關(guān)于“自動(dòng)化和技術(shù)變革”的報(bào)告，這份報(bào)告討論了什么？

“在聽證會(huì)過程中，小組委員會(huì)具體考慮了金屬加工、化學(xué)、電子、運(yùn)輸和通信行業(yè)的六種不同工業(yè)情況，以及數(shù)據(jù)處理和辦公室工作。選擇這些行業(yè)只是為了說明自動(dòng)化趨勢(shì)中可能面臨的問題類型。當(dāng)然，還有許多其他行業(yè)如果時(shí)間允許也值得研究并能帶來收益。這些特定行業(yè)的選擇，不應(yīng)掩蓋其他領(lǐng)域快速發(fā)展的技術(shù)這一事實(shí)。僅舉幾例：罐頭和裝瓶行業(yè)、石油精煉、商業(yè)銀行文書處理、基礎(chǔ)鋼鐵行業(yè)、預(yù)拌混凝土的使用、煤礦開采、現(xiàn)代摩天大樓中電子控制電梯的使用，以及許多其他?！?/p>

聽起來很耳熟，對(duì)吧？Evans 指出，人們?cè)谝痪盼辶暧懻摰摹白詣?dòng)化”，聽起來和我們今天討論的 AI 非常相似。

美國(guó)人口普查局的數(shù)據(jù)顯示，電梯操作員的數(shù)量在 Otis 公司一九五零年推出“Autotronic”自動(dòng)電梯后，從一九五零年的約九萬五千人高峰，下降到一九九零年的不到一萬人。

（來源：Benedict Evans）

同時(shí)，自動(dòng)化也創(chuàng)造了新的可能性。報(bào)告展示了美國(guó)超市平均 SKU（Stock Keeping Unit，庫(kù)存單位）數(shù)量的歷史數(shù)據(jù)：一九五零年約為五千種，但在一九七四年條形碼和數(shù)據(jù)庫(kù)系統(tǒng)引入后，到二零零五年激增至五萬種?！白詣?dòng)化”本身就是一件大事，它讓零售商能夠管理五倍的商品種類，創(chuàng)造了全新的零售業(yè)態(tài)。

這引出了報(bào)告的核心問題：這是一個(gè)給 CIO、CMO（Chief Marketing Officer，首席營(yíng)銷官）、CEO（Chief Executive Officer，首席執(zhí)行官）的問題，還是給 Accenture、Publicis、Bain/BCG/McKinsey 的問題？換句話說，這是新工具還是新產(chǎn)業(yè)？答案可能是兩者都是，這取決于我們?nèi)绾尾渴疬@項(xiàng)技術(shù)。

Evans 將技術(shù)部署分為三個(gè)層次：吸收（自動(dòng)化明顯的用例，將其作為功能集成）、創(chuàng)新（新產(chǎn)品、捆綁和拆分）、顛覆（重新定義問題）。到目前為止，大多數(shù)成功的用例仍在“吸收”階段——編程、營(yíng)銷、客戶支持、自動(dòng)化。這些領(lǐng)域?qū)⒗^續(xù)有二十年的部署時(shí)間。但真正的問題在于：“創(chuàng)新”和“顛覆”會(huì)是什么樣子？

在“創(chuàng)新”層面，問題在于：LLM 自動(dòng)化能拆分什么？我們沒有意識(shí)到哪些東西實(shí)際上是捆綁的？互聯(lián)網(wǎng)通過拆分實(shí)體資產(chǎn)創(chuàng)造了在線分銷，那么 LLM 能拆分什么？互聯(lián)網(wǎng)創(chuàng)造了新的聚合者，LLM 如何能做得更好？報(bào)告認(rèn)為，答案可能在于從相關(guān)性推薦轉(zhuǎn)向意圖理解，從捕獲用戶數(shù)據(jù)轉(zhuǎn)向理解用戶需求。

在“顛覆”層面，問題更加根本：什么會(huì)變得可能，當(dāng)我們不再需要數(shù)百萬人來完成某項(xiàng)任務(wù)？就像蒸汽機(jī)不僅取代了人力和畜力，更創(chuàng)造了全新的工業(yè)和城市形態(tài)，AI 可能也會(huì)重新定義某些行業(yè)的根本問題。但這需要時(shí)間，也需要正確的問題。

現(xiàn)在，我們處在一個(gè)奇特的時(shí)刻：一方面，科技巨頭正在進(jìn)行人類歷史上最大規(guī)模的資本支出競(jìng)賽之一，其規(guī)?？膳c成熟的全球資本密集型產(chǎn)業(yè)相媲美。另一方面，產(chǎn)品形態(tài)、商業(yè)模式和價(jià)值捕獲方式仍然模糊不清。模型可能正在成為商品，但終端用戶體驗(yàn)還遠(yuǎn)未確定。企業(yè)部署正在進(jìn)行，但速度緩慢且謹(jǐn)慎。消費(fèi)者在嘗試，但還沒有將其變成日常習(xí)慣。

這是泡沫嗎？Evans 對(duì)此持謹(jǐn)慎態(tài)度。他引用了 Carmen M. Reinhart 和 Kenneth S. Rogoff 的著作《這次不一樣：八百年金融荒誕史》（This Time Is Different: Eight Centuries of Financial Folly）的封面。每個(gè)泡沫都是不同的，人們總是說“這次不一樣”，而且他們通常是對(duì)的——每個(gè)泡沫確實(shí)都不一樣，但它仍然可能是泡沫。重要的是，即使泡沫破裂，變革也已經(jīng)發(fā)生?；ヂ?lián)網(wǎng)泡沫留下了光纖基礎(chǔ)設(shè)施和新的商業(yè)模式。這次會(huì)留下什么？

報(bào)告結(jié)尾處，Evans 引用了一九七零年計(jì)算機(jī)科學(xué)家 Larry Tesler 的名言：“AI 就是機(jī)器還不能做的任何事情?！?/strong>這個(gè)定義的美妙之處在于，它永遠(yuǎn)是真的：一旦某件事情被自動(dòng)化，我們就不再稱它為 AI，而是稱之為“軟件”或“系統(tǒng)”。電梯不再需要操作員，我們不會(huì)說這是 AI，我們只是說這是電梯。搜索引擎使用復(fù)雜的算法，但我們不稱之為 AI，我們稱之為搜索。

那么當(dāng)生成式 AI 成功時(shí)，我們會(huì)稱它為什么？也許只是“軟件”。也許是“助手”。也許是我們還沒有想到的名字。但無論如何，世界將會(huì)改變。問題不是 AI 是否會(huì)“吞噬世界”，而是它會(huì)以什么方式、在多長(zhǎng)時(shí)間內(nèi)、留下什么樣的世界。

參考資料：

https://www.ben-evans.com/presentations

運(yùn)營(yíng)/排版：何晨龍