在不相关的行业里偷窥已知未来

如果你想知道所在的行业将走向何方，最值得翻阅的，往往不是本行业的编年史，也不是紧盯那个和你最像的对手。真正藏有答案的地方，很可能是一个你平时从未留意的陌生行业——它和你做着完全不同的事，却比你早十几年走完了同一条路。

「历史会押韵」这句话很迷人，但几乎没法直接用来做决策。问题不在于它不对，而在于它没告诉你到底该跟谁比。历史的样本无穷无尽，如果你不知道哪一段历史正在与你此刻的处境形成对应，这句格言就只能沦为事后诸葛亮。

一个更具操作性的版本是：你所在的行业，可能正在重走另一个行业已经走过的路径。那个行业与你毫不相干，却领先你十几二十年，经历了同样的结构性周期。 你不需要凭空预测未来，只需要把它已经发生过的「下一步」，读成一份附带了时间范围和失效条件的清单。

一、答案不在本行业的历史里

先明确一点：要想看清一个行业的结构性转折，反复研究本行业的历史，或者追随最相似的竞争对手，帮助通常有限。 这两件事对短期定价和跟随策略有用，却很难让人提前看见即将发生的结构性变化。

本行业的历史主要解释「我们从哪来」，却未必能回答「我们将往哪去」。而最相似的对手和你处于同一周期阶段，你们看见的风景差不多，犯的错误也雷同；互相模仿，只会让你们一起待在同一个认知盲区里。

真正值得寻找的参照，是那个表面上与你毫不相像，结构上却沿着同一条曲线演化的行业。这引出一条反直觉的规则：表面相似的类比容易诱导模仿，表面陌生但结构同构的类比才更有预测价值。 前者让你复制产品、打法和口号；后者才有可能揭示行业背后的结构时钟。

所谓「同构」，并不要求两个行业拥有相似的产品、客户或时代背景。它只要求几个关键变量之间呈现出相同的关系：稀缺资源掌握在谁手里、利润集中在价值链的哪一层、什么东西正在被商品化（逐渐变成谁都能提供、价格持续走低的标准品）、成本正朝着哪个方向变化。你可以把它理解为：同一台钟，只是换了一个表盘。

二、两个相隔一个半世纪的「表盘」

有一个经典对照，完美诠释了这种同构。

1840 年代的英国铁路与 1990 年代末的互联网，一个用钢轨和蒸汽机，一个用光纤和数据包，相隔 150 年，却走出了几乎一样的大周期。

19 世纪 40 年代，英国铁路狂热达到顶峰：1846 年一年，议会批准了超过 200 家铁路公司，授权建设约 9500 英里的线路，仅 1845 年批准的里程就相当于此前 15 年的总和。投入资本相当于当时国民产出的数个百分点，几乎占到全国投资的一半。随后泡沫破裂，1846 至 1850 年间铁路股暴跌约三分之二，获批线路中有三分之一从未建成，大量投资者血本无归。

然而，钢轨留了下来。 泡沫并没有拆掉铁路。那十年间，英国铁路里程增长了数倍，狂热期中铺设的线路至今仍是英国路网的重要组成部分。随后，破产的小公司被少数存续企业低价整合为全国性路网。真正从低成本运输中获益的，是这些整合者和整个维多利亚时代的工业经济，而不是那些因疯狂建设而破产的发起人。

150 年后，同样的钟声再次响起。1996 至 2001 年，美国光纤铺设量在数年内增长了约 10 倍，电信行业投入了数千亿美元。接着，WorldCom 和 Global Crossing 相继破产，电信股市值蒸发约 2 万亿美元。泡沫破裂后，已铺设的光纤超过九成尚未启用，成了所谓的「暗光纤」。

但光纤同样留了下来。 2005 年前后，Google 开始以极低的价格收购这些暗光纤。Pets.com、Webvan 等互联网泡沫期的明星早已退场，许多基础设施建设者也已破产；真正利用廉价带宽进入爆发期的，是新一代公司和服务：Google 云、Amazon Web Services、YouTube、Netflix。为 2001 年预建的容量，直到 2008 年左右才等来需求，而承接这些需求的，多半既不是当年的泡沫明星，也不是最初的基础设施建设者。

把这两个行业还原成结构语言，你会看到同一条七步链条：资本密集的通用基础设施（钢轨／光纤）→ 金融狂热推动超额建设 → 需求被高估 → 泡沫破裂，建设者退出 → 基础设施继续留存 → 资产折价导致使用成本骤降 → 一批完全不同的后来者利用低成本基础设施进入爆发期。 两块表盘差异巨大，背后的时钟却由同一套机制驱动：资本先推动基础设施过度建设，随后由更低的成本释放出长期价值。经济史学者卡萝塔·佩蕾丝（Carlota Perez）将这种「安装期→崩盘→铺开期」的节奏，提炼为跨越运河、铁路、钢铁与电力、石油与汽车、信息技术等五次技术革命的通用周期。

三、几台可以叠加的「钟」

当然，没有一台钟能解释所有行业的兴衰。更实际的做法，是把几台各自负责一段规律的钟叠加起来观察。除了前面讲的「泡沫→铺开」大周期，还有两台常用的钟：

铁路、互联网与 AI，表盘各不相同，却可能正沿着同一条相位曲线前行。所谓相位，就是一个行业走到了演化周期的哪个位置。识别这条曲线，并不是要直接预言 AI 的明天，而是借助铁路和互联网已经走过的阶段，生成一组可以被检验的下一步假设。

四、如何识别结构同构：三个动作

整套方法可以拆解为三个层层递进的动作，前一个是后一个的前提。

第一个动作：翻译成结构语言。 把你所在的行业和候选的参照行业，都转换成同一组结构变量：稀缺资源由谁掌握？利润集中在价值链的哪一层？什么东西正在被商品化？成本在朝什么方向变化？此外，还要加上一个极易被遗漏的第五项：是否存在认证、网络锁定或信任机制——人们认可它，是因为别人也认可它。 这个变量常常决定最终结果，后面的 MOOC 案例会说明漏掉它会怎样。只有把两个行业都翻译成这种结构语言，比较才有意义；漏掉关键变量，整个对应关系就可能崩塌。

第二个动作：校准相位。 在这组结构变量上，寻找一个与你结构同构、但走得比你更远的行业。它领先的那段「相位差」，就是你可以提前观察的演化区间。

第三个动作：读取下一阶段，并主动寻找失效条件。 把参照行业后来发生的真实变化，转化为一个附带了时间范围和失效条件的假设，而不是不容置疑的预言。接下来要做的，是主动去寻找本行业独有、可能破坏这个类比的变量，例如特殊的监管、认证壁垒、网络锁定效应，或者一条无法持续下降的成本曲线。方向可以从相位差中大致推断，但具体发生的时点，必须等待领先指标来确认；两者一定要分开判断。

相位差，就是这套方法唯一的「信息优势」：另一个行业已经替你走完了这段路，并留下了公开的记录。你只需要把它走过的「下一步」读出来，再逐项核对，看看自己所在的行业里有没有那个参照行业未曾面对过的、足以改写结局的变量。

五、正例：成本曲线告诉你方向，但不告诉你时刻

在三台钟里，「成本曲线」是事前预测记录最清晰的一台。

早在 1936 年，一位航空工程师就发现：飞机累计产量每翻一倍，制造成本会下降一个相对固定的比例。后来，学者们用六十多种技术回测，证实以累计产量来解释成本下降的规律，比其他模型更可靠。太阳能组件价格从 1970 年代的每瓦约 100 美元，降到 2019 年的每瓦约 0.4 美元，四十年降幅约 99.6%；锂电池包价格从 2010 年的每千瓦时约 1160 美元，降至 2024 年的约 115 美元，并在 2025 年进一步降至约 108 美元，十几年下降超过九成，正快速逼近电动车与燃油车的成本平衡点。

关键在于，这些方向曾被人提前预见。少数相信成本规律的人，在十年前就大致画出了太阳能价格的下降轨迹，实际的降幅甚至超出了他们当时的预测。而同一时期，一些权威机构年复一年地把太阳能成本曲线画得过于平缓，反复低估了后续的降幅。

这里可以提炼出一条边界清晰的规则：当成本下降有清晰的物理机制作支撑，并且长期方向单调向下时，这条曲线往往比权威机构的年度共识更早释放信号。 在太阳能的例子中，依赖「累计产量→成本下降」这一内在机制的人，比那些只做简单线性外推的人，更早看见了方向。

不过，这条规则必须严格收窄。并非所有行业的成本曲线都会单调下降——核电就出现过「建得越多、成本反而越高」的负学习现象。事先区分的方法，是看产品能否标准化、模块化并大规模复制：能做到的，通常更可能沿学习曲线下降；需要高度现场定制、建设周期极长、监管严苛的，则可能出现反转。所以，正确的顺序是先判断你面对的是哪一种成本曲线，再决定能否依赖它。

这台钟还有一个明确的限制：它能描述成本变化的方向，却给不出精确的时间表。 成本可能下降到哪个水平，可以事先估算；但市场在哪一年进入大规模采用，取决于累计产量增长的速度。方向可以有较高置信度，时点只能给出一个大致窗口。

需要诚实交代的是，以上材料只验证了「成本曲线」这一台钟的事前预测能力。三台钟里，只有它拥有比较清楚、能追溯到具体预测者的记录；另外两台，尤其是后面会用于分析 AI 的「泡沫→铺开」周期，仍然缺乏同等质量的证据。

六、两种常见的读错方式

这套方法最大的风险，往往不是找不到同构的行业，而是找到了参照对象，却读错了结构。 误读通常有两种类型。

第一种，是读错了变量。 2012 年被称为「MOOC 元年」：Coursera、edX、Udacity 在同一年上线，斯坦福的一门免费 AI 课程吸引了 16 万人注册。Udacity 创始人当时判断，50 年后全球可能只会剩下 10 所大学，Udacity 希望成为其中之一。这个推理在当时看起来极其有力：顶尖大学已经把内容免费放到网上，人们为什么还要为本地普通大学的课程付费？唱片、报纸、百科全书都经历过「高成本在位者被免费数字替代品冲击」的阶段，而且比大学更早走完了这条路。

结果却完全不同。课程完成率只有 7% 左右；创始人 2013 年就公开承认产品存在严重问题，Udacity 随后转向企业技能培训；大学学位也并没有被免费课程替代。原因在于，大学提供的绝不只是内容，而是一张被雇主共同认可的文凭，以及由这种认可维系的社会信号网络——雇主认可这张文凭，部分原因恰恰是其他雇主同样认可。一门低价课程可以复制讲座，却无法复制这张认可网络。决定结果的关键变量，并不在内容的成本曲线上。佐治亚理工学院后来用相似的技术，推出了学费约 7000 美元、带有正式认证的在线硕士项目，恰好从反面说明：有效的切入是保留了文凭，而不是绕过了它。

MOOC 的例子并不是说结构类比毫无价值，它恰恰揭示了那第五个变量为什么必须存在：遗漏了认证层，整个判断就会失真。但同样必须承认，没人能保证自己已经穷尽了所有关键变量。因此，第三个动作才要求你主动寻找可能遗漏的变量；每一次结构匹配，产出的只能是一个待检验的假设，不能直接当作定论。

第二种，是把循环读成了单向趋势。 流媒体平台早期做了一件事：把有线电视的捆绑套餐拆开，卖给用户「只看你付费的内容」。十几年后，局面开始回转：Netflix 推出广告套餐、限制账号共享，各平台轮番涨价；迪士尼重新打包多项服务，电信运营商也把流媒体纳入套餐。流媒体正在变成某种「有线电视 2.0」。 拆分释放了创新，但重新捆绑能创造规模，钟摆正在往回摆。如果你把「拆分」当成不可逆的终点，就会完全忽略市场重新聚合的力量。当然，新的套餐仍然允许单独购买和灵活退订，这说明周期会重复结构关系，却不会复刻全部细节。

七、什么会让这套方法失效？

衡量一套判断方法是否值得用，首先要看它是否公开说明了自己的失效条件。这套方法至少存在五个风险点。

第一，框架本身存在幸存者偏差。 人们更容易记住那些解释成功的周期，却很少留意那些 S 曲线提前熄火，或者泡沫破裂后迟迟没有进入铺开期的案例。佩蕾丝本人也指出，信息技术的「黄金期」曾被推迟，甚至可能流产。任何框架都只是对复杂现实的压缩，无法消除不确定性。

第二，方向能预测，时点常常不能。 时钟的转速并不固定。一个阶段即将到来，绝不等于它明年就会发生。光纤的需求比预期晚了约七年才真正到来；长期价值没有主要留在建设者手中，这个方向判断基本正确，但时间判断却偏差了近十年。

第三，实时判断时，你可能把相位完全读反。 这是最大的风险。1990 年代末，确实有人引用过铁路的类比，却用它得出了完全相反的结论：「带宽会持续变便宜，所以基础设施仍然修得不够。」结构模式明明已经出现，人们仍然可能判断错它当前所处的阶段。事后讲述总是很整齐，事中判断永远是模糊的。

第四，可能存在钟面之外的主导变量。 MOOC 案例中的文凭认可网络，就是一个足以改写结局的变量。第三个动作要求你主动寻找失效条件，正是为了降低这类遗漏。

第五，任何一段历史都可以在事后被套入某种周期。 有效的检验，必须看这个框架是否曾经事前给出过明确的判断，而不是在结果出来之后才把故事讲圆。现有案例中，真正通过这项检验的主要是成本曲线；用于分析 AI 的「泡沫→铺开」周期并没有同等质量的证据，因而只能作为需要持续验证的方向性假设。

综合这五个风险，一个更诚实的表述是：「行业重复别人」，是一种观察视角，而不是一条定律。 观察视角本身无法被单个反例驳倒，真正能够被证伪的，是它产出的每一项具体判断。因此，在做判断之前，你必须提前写清楚：出现了哪些事实，这个判断就算错了。这套方法最终产出的，应该是一份附带监测指标和失败条件的判断，而不是一句无法检验的预言。

八、把这套方法用在 AI 上：它现在走到哪了？

AI 产业正处于什么阶段，可以依次用这三个动作判断。

第一个动作，翻译成结构语言。 「聊天机器人」或「新一代软件」只是 AI 的产品表层。从基础设施的角度看，AI 由算力、数据中心和芯片这些资本密集型的通用设施支撑，而需求仍在形成之中，大规模的资本投入正推动供给急速扩张。全球四家主要云厂商 2025 年的资本支出（用于土地、数据中心和芯片采购等长期投入）合计约 3880 亿美元，2026 年的指引高达 6300 亿至 7250 亿美元。

第二个动作，寻找相位更靠后的参照行业。 在「资本推动通用基础设施超额建设」这一结构特征上，1990 年代末的暗光纤，以及更早的 1840 年代铁路，都是合适的参照对象。它们后来的轨迹已经记录在案：部分建设者退出，资产价格暴跌，一批完全不同的后来者利用这些低成本基础设施进入了大规模铺开期。由此，我们得到一个方向性假设：AI 的长期价值，可能更多流向那些没有承担 2024 至 2026 年这轮算力建设成本、却能在成本下降后利用这些基础设施的后来者，而不是狂热期的建设者本身。

在接受这个判断之前，必须说明两层证据边界。

第一层，是参照周期本身的证据质量。三台钟里，只有「成本曲线」拥有比较清楚、能追溯到具体预测者的事前记录；「泡沫→铺开」周期并没有同等的验证。以光纤为例，当年真正引用铁路类比的人，曾集体读反了方向，时间判断也偏差近十年。因此，关于 AI 的这个推断，不能获得与太阳能成本曲线同级别的置信度，它只是一个证据相对较弱的、基于结构类比的假设。

第二层，是对 AI 当前所处相位的判断本身可能出错。把 AI 放在「安装期／狂热期」，并非已经证实的事实，而是一种需要持续验证的解释。只有当行业出现以下信号时，这个狂热期的判断才会得到加强：资本支出接近甚至超过经营现金流；行业开始严重依赖外部融资；企业之间出现大量相互购买的循环交易。如果这些指标并没有出现，或者 AI 已经显出早期铺开的迹象，那么后续推理就必须重做。这一组指标，就是判断相位是否读错的第一组监测信号。

第三个动作，读取下一阶段，并寻找失效条件。 前面已经给出了方向性假设，接下来必须找出可能破坏这个类比的变量。至少有两个，而且任何一个成立，都足以让判断失效。

第一个失效条件，是芯片折旧是否过快，以至于无法形成低成本、可长期使用的公共资产。 暗光纤和钢轨可以闲置多年而基本保有其使用价值，后来者因此能以极低的价格去利用它们。而 AI 加速芯片的经济寿命却充满争议：看空者如迈克尔·伯里（Michael Burry）估计其有效寿命只有两到三年；主要云厂商按五到六年折旧；看多者则认为芯片转入推理任务后还能再用上数年。如果较短的寿命判断成立，那么过剩的算力很可能在需求成熟之前就丧失了经济价值，价值转移给后来者的那个关键环节就不会发生。

第二个失效条件，是基础设施的投资者有没有能力同时吃掉应用层的价值。 铁路和光纤，当年大多是由单一用途公司依靠外部投资者资金来建设的，公司破产后，资产才转移到其他使用者手中。而今天的微软、Google、亚马逊和 Meta，不仅手握充足的现金流，而且具备从芯片、云、模型到应用和分发的纵向一体化能力。只要这些公司继续健康经营，资产就不会以破产价格转手，同一家公司可能同时收获安装期和铺开期的全部价值。这意味着，「泡沫→铺开」未必总是建设者退出、后来者承接的单向剧本。在位者仍然保有这种结构优势，尽管资本支出逼近经营现金流、行业内循环交易增多，正在慢慢削弱这种稳定性。

因此，更严谨的表述是：AI 的长期价值可能更多流向未承担本轮算力建设成本的后来者，但只要上面任何一个条件成立，这个判断就宣告失效——要么芯片在形成低成本公共资产之前就已快速折旧，要么依靠自有现金建设基础设施的在位者成功通吃了两个阶段的价值。

纠结于「AI 是不是泡沫」很难得出一个可以检验的答案。更有价值的问题，是持续观察三组指标：芯片是否过快折旧、在位者能否同时获得两阶段价值，以及 AI 是否被我们放错了相位。如果三组失效条件都没有触发，长期价值最终还是主要回流到原有的建设者手中，那么需要被重新审视的，就是这套结构类比方法本身。

结论：稀缺的，是识别行业相位的能力

全文可以归纳为三点：

1. 行业不重复自己，它重复别人。 更有预测价值的参照，往往是那些表面陌生、结构同构、且相位更加靠后的行业。
2. 方法包含三个动作： 翻译成结构语言 → 找到相位更靠后的参照行业 → 读取它的下一阶段，并主动寻找可能让类比失效的变量。
3. 方向与时点必须分开判断。 方向来自相位差，时点依赖领先指标；结构周期提供的是机制，不是精确的日历。

由此，也浮现出一种更稀缺的能力：持续诊断自己所在行业的结构，并识别它正处在周期的哪个位置。 你关心的下一步，大概率已经在一个不相关的行业里提前上演过；这套方法不能解决「明明看见了却不愿行动」的问题，但它能大大减少只因表面相似就草率判断的失误。

这套判断对个人同样适用。前一篇把差异化解释为在稠密度地图上寻找禁区之外的位置，并指出「禁区会移动」。结构周期为这张地图补上了时间维度：竞争地图不是静止的，而是在某种周期节律中不断变化。光看见自己当前站在哪里还不够，你还得识别出自己与所在的行业正处在哪个相位——因为在你要行动的那一刻，原来的位置，可能已经变了。

参考信号

• 本系列前作：AI 把合格变成地板：优势必须追着边缘走 ｜ 差异化不是灵感，是一张地图：先画出禁区，再选站位
• 周期框架：Carlota Perez, Technological Revolutions and Financial Capital（2002）——把运河、铁路、钢铁电力、石油汽车、信息技术抽成同一条「安装期→崩盘→铺开期」；Perez 本人亦指出信息技术的「黄金期」被推迟／流产（二次泡沫）
• 铁路狂热：Wikipedia, Railway Mania（1846 年议会授权规模、崩盘幅度、约三分之一未建成）
• 电信／暗光纤：NPR, Telecom Glut（2002-07-22）（约 97% 光纤在任一时刻未点亮）；WorldCom、Global Crossing 破产；Google 于 2005 年前后收购暗光纤
• 成本曲线：Wright（1936）经验曲线 + Swanson 定律；Our World in Data, Learning curves（太阳能 $106/W→$0.38/W）；BloombergNEF Battery Price Survey（电池 $1160/kWh（2010）→ $115/kWh（2024 年调查）；2025 年调查进一步降至约 $108）；Ramez Naam 的太阳能预测偏保守、IEA 长期低估
• MOOC：NYT, The Year of the MOOC（2012）；Thrun「50 年后只剩 10 所高校」（Wired, 2012）与 2013 年「我们的产品很烂」（Fast Company）；完成率约 7%（Katy Jordan）；佐治亚理工 OMSCS 带认证的 $7k 在线硕士
• 流媒体重新打包：Netflix 广告套餐（2022-11）与限制账号共享（2023-05）；迪士尼／Hulu／Max 打包（2024-07，「像有线电视」）；Barksdale「打包与拆包」（1995）
• AI 资本开支与不同观点：四大云厂商 2025 年 capex 约 $388B、2026 指引 $630-725B；折旧争议（看空方如 Michael Burry 估芯片经济寿命约 2-3 年，在位者按 5-6 年折旧，看多方主张转入推理任务后再使用数年）