Ang pag-unlad ng industriya ng AI ay pumasok sa 'Zone ng Pagkakaiba' habang ang pangunahing disenyo ay nagtatagalan

Ang artikulong ito ay may halos 18,000 na salita, at ang pangunahing istruktura ay sumusunod:

• Ang intuitibong o abstrak na paghuhusga sa pag-unlad ng AI ay maaaring mahirap gamitin bilang gabay sa paggawa ng desisyon

• Dalawang klasikong kasangkapan sa pagsusuri ng pag-unlad ng industriya (Utterback + Klepper)

• Gamitin ang merged framework para analisahin: Sa anong yugto ngayon ang AI industry?

• Isang bagong tanong na dapat itanong: Paano ang paggalaw sa hinaharap?

• Panahon ng pag-unlad ng industriya ng AI: Mula sa panahon ng paggawa hanggang sa panahon ng digital

• Mga tiyak na puntos sa panahon ng pagbabago ng AI (pagsusuri)

• Gamitin ang pinakabagong trend para sa reverse verification

Buksan ang mobile phone, ang mga balita tungkol sa AI ay halos araw-araw na sumisibol: isang model ay bago lang na-publish at ang performance ay muli nang labis na nagsobra; isang kumpanya ay nakakuha ng bagong pagsasakop, at ang valuation ay nakapag-set ng bagong tala; ang bilang ng mga user ng isang platform ay lumampas sa bagong rekord; sa isang listahan, ang nangunguna kahapon ay ngayon ay napasobraan. Ang density at bilis ng impormasyon ay mas malaki kaysa sa anumang dating teknolohikal na pagbabago.

Patuloy ang ganitong pakiramdam sa WAIC summit na nagwakas noong July. Ang lugar ay puno ng patuloy na umuusbong na data, patuloy na lalong mapapabuti na performance, at patuloy na ina-update na teknikal na parameter at anyo ng produkto; mula sa mga avant-garde na laboratorio, malalaking kumpanya, at mga startup, hanggang sa mga tradisyonal na player sa industriya, mga tagapag-ayos ng terminal, at mga institusyon ng pananaliksik, mas maraming uri ng mga kumpanya ang nagsisimulang pumasok nang malakas at magsisilbing bahagi ng malaking rebolusyon sa teknolohiya.

Ang sobrang dami ng impormasyon at ang malaking bilang ng mga kalahok ay naturally magdudulot ng dalawang madalas na reaksyon.

Isang uri ay pagkabalisa—ba't ako'y napipisa? Ba't bumabagsak ang aking kumpanya? Kung hindi ko gawin ito ngayong linggo, ba't mawawala na ang pagkakataon bukas na linggo?

Ang isa pang paraan ay ang paghuhusga sa impulsive—sino na ang nanalo? Sino na ang nalabas? Ang disenyong pang-industriya ay halos naka-set na ba?

Sa likod ng dalawang reaksyon ay mayroong iisang tanong: Sa anong yugto ngayon ang industriya ng AI? At paano natin ito masisiyasat nang rasyonal?

Mayroon ding ilang popularing pahayag—tulad ng "nasa nayong yugto na ang AI." Batay sa kanilang sariling pananaw, may katotohanan at batayan ang mga pagsusuring ito. Ngunit para sa mga tagapagdesisyon ng mga kumpanya na nagsasagawa ng maingat na pagsusuri at desisyon, may mas pangunahing tanong na kailangang sagutin muna—ano ang aming batayan upang masabing natapos na ang nakaraang yugto? Ano ang aming batayan upang matiyak na nasa nayong yugto na ang AI? Ano ang mga partikular na katangian nito? Ano ang mga panloob na batayan? Ano ang lahat ng yugto sa isang buong siklo? Kailangan ng mga tanong na ito ng isang mas mahigpit at agham na framework upang makamit ang mas tiyak na pagsusuri—ito ay isang problema na madalas na napapalabas sa pagbabago ng AI, at maaaring magdulot ng malaking gastos. Dahil sa maling pagkakaintindi sa yugto ng industriya, direktang maapektuhan ang direksyon, ritmo, at prioridad ng pagpapalagay ng mga yaman—kung mali ang yugto, lahat ng galaw ay maaaring mali.

Sa kasalukuyang pag-uusap tungkol sa AI, ang ilang mga akademiko ay nagsimulang mag-analisa at magbigay ng paghuhusga sa antas ng industriya, kung saan ang mahabang artikulo ni Harvard Business School professor na si Karim Lakhani noong Marso 2026 sa kanyang personal na Substack na “From Ferment to Dominant Design” ay isang malaking halimbawa. Ginamit niya ang mga kasangkapan sa pagsusuri na itinayo ng dalawang kilalang mga akademiko sa larangan ng pag-aaral ng inobasyon sa industriya—si James Utterback (Massachusetts Institute of Technology) at si Steven Klepper (Carnegie Mellon University)—na nagtrabaho nang ilang dekada batay sa buong historikal na data mula sa maraming industriya upang masukat ang kompetisyon sa malalaking AI model, at ipinakita niya ang ilang orihinal na obserbasyon (na papalawakin sa susunod). Ang kanyang pangunahing konklusyon ay: ang AI ay kasalukuyang nasa huling yugto ng paggalaw, at ang dominant design ay hindi pa nakakatukoy; ang orden ng industriya ay dapat ituring bilang isang katanungan na nasa paghihintay, hindi bilang isang naisasagot na konklusyon. Ito ay sumasalungat sa direksyon ng artikulong ito, at isa rin ito sa mga mahalagang pinagkukunan ng pananaw na sinakop ng manunulat habang inaayos ang framework na ito.

Ang artikulong ito ay magpapakita ng buong mga klasikong framework ng dalawang mga akademiko, at mag-aaral ng extended analytical framework para sa digital/AI era, kasama ang pinakabagong industriyal na datos at pag-unlad noong 2026. Una, ito ay magiging maingat sa pagtukoy sa kasalukuyang yugto ng pag-unlad ng AI industry, at pagkatapos ay magtatanong ng isang tanong na hindi sinagot ni Professor Lakhani, ngunit napakahalaga para sa mga tagapagdesisyon ng kumpanya: Ayon sa karaniwang batayan ng industriyal na evolusyon, paano ang mga ritmo sa hinaharap kapag naitatag na ang dominant design at nagsisimula na ang malalim na pagbabago?

Ito ang tinatawag na "panahon ng pag-unlad ng industriya ng AI" na binanggit sa artikulong ito—kung saan tayo ngayon at paano ang ritmo sa hinaharap.

Ang dalawang klasikong kasangkapan na ito ay ang pinakamalaking pampublikong akademikong yaman sa larangan ng pag-aaral ng inobasyon sa industriya. Ang kanilang halaga ay hindi nasa abstraktong teorya, kundi sa mga batas na nakuha mula sa malaking dami ng historical data at na-verify sa maraming pagsubok.

Tatlong yugto ng pag-unlad ng industriya ni Utterback: Mula sa "dimensyon ng produkto"

Si James Utterback ay isang propesor sa MIT Sloan School of Management at isa sa mga tagapag-angkop sa larangan ng industriyal na inobasyon at pag-unlad ng teknolohiya. Kasama ni William Abernathy noong 1975, ang kanilang klasikong pag-aaral ay nag-observa sa kasaysayan ng pag-unlad ng teknolohiya ng dobleng mga industriya sa paggawa, at sa kanilang komprehensibong aklat noong 1994 na pinamagatang “Mastering the Dynamics of Innovation,” isinistemang isang patuloy na pattern: ang pag-unlad ng teknolohiya sa halos lahat ng industriya ay sumusunod sa isang kilala at tatlong-panahon na pagkakasunod-sunod.

Fluid Phase —— Lahat ay nagtatala. Wala pa ring sagot kung paano dapat magmukha ang produkto, ano talaga ang kailangan ng mga customer, o ano ang “sapat na mabuti”. Maraming disenyo ang umiiral at nagkukumpetensya, at mababa ang hadlang pagsali. Ang pagkakaroon ng inobasyon ay nakatuon sa antas ng produkto. Ang pangunahing tanong: Ano dapat ang produkto?

Pahinga sa transisyon (Transitional Phase) — nagsisimula nang mag-stabil ang ilang mga desisyon sa disenyo, at lumalabas ang isang pangunahing disenyo (Dominant Design). Ang pagkakaroon ng inobasyon ay nagmumula sa "Ano ang dapat maging produkto" patungo sa "Paano gawing mas mura, mas kumpiyansa, at mas iskala ang produkto"—mula sa inobasyon sa produkto patungo sa inobasyon sa proseso. Ang pangunahing tanong ay naging: Ano ang pinakamahalaga sa mga kliyente?

Tiyak na Pahinga (Specific Phase) — ang disenyo ng produkto ay nakakamit na, ang kompetisyon ay nakatuon sa kahusayan—sino ang makakagawa nito nang mas mura, mas kumpiyansa, at mas iskala. Ang pagkakabuo ay naging progresibong, at ang industriya ay mataas na nakonsentrado. Ang pangunahing tanong ay naging: Sino ang makakapagbigay nang mas kumpiyansa, mas mura, at mas iskala?

Ang pangunahing pag-unawa sa modelo ay: sa tatlong yugto, iba-iba ang "sino ang nangunguna". Ang kakayahan ng mga tagumpay sa yugto ng paggalaw (pagsubok, bilis, imahinasyon, pagtanggap sa pagkakamali) ay lubos na iba sa kakayahan ng mga tagumpay sa yugto ng pagkakaroon ng espesyalisasyon (laki, gastos, disiplina, kumpiyansa). Ang pagiging nangunguna ng isang kumpanya sa yugto ng paggalaw ay hindi nangangahulugan na may kakayahan itong magpatuloy na nangunguna sa yugto ng pagkakaroon ng espesyalisasyon—ito ang mas malalim na dahilan kung bakit maraming pagbabago sa industriya ang nagtatapos sa pagkawala ng mga dating nangunguna.

Isang karagdagang punto: Ipinakita ng Utterback at Suárez (1993) na ang pag-unlad ng industriya ay hindi laging sumasailalim sa lahat ng tatlong yugto—ang ilang industriya ay maaaring makamit ang dominanteng disenyo (Trajectory A), habang ang iba ay maaaring manatili sa matagal na panahon sa pagkakaroon ng maraming parirala (Trajectory B).

2.1.1 Mahahalagang Konsepto: Ano ang "dominant design", at mayroon pa ba ito sa panahon ng AI?

Sa tatlong yugto, ang dominant design ay ang pinakamahalagang konsepto, at kailangang ipaliwanag nang mas detalyado.

Hindi ang pagtatagumpay ng isang produkto ng isang kumpanya ang pangunahing disenyo, kundi ang pagiging pambansang istandard ng isang kombinasyon ng teknolohiya at anyo ng produkto. Kapag ito ay itinatag, kailangan ng mga bagong pagsali sa kompetisyon na gumawa batay sa disenyo na ito—ang mga produkto na lumalabas dito ay halos hindi maiiwasan na maging marginalisado.

Ang pinakaklasikong halimbawa ay ang Ford Model T noong 1908—hindi ito nagtatag ng "pagtatagumpay ng brand na Ford," kundi ang "gasoline internal combustion engine + front-engine + rear-wheel drive + assembly line production" na kombinasyon, na naging default na sagot ng buong automotive industry sa mga susunod na dekada. Mula noon, ang lahat ng mga manufacturer ng kotse ay nakikipagkompetensya sa loob ng framework na ito kung sino ang mas magaling, at hindi na nagtatangkang hamulin ang "paano dapat magmukha ang kotse."

Kapag nakakamit ang pangunahing disenyo, nagbabago nang tahimik ang mga alituntunin ng industriya: ang pagkakaroon ng inobasyon ay nagmumula sa "Ano ang dapat maging produkto" patungo sa "Paano gawing mas mura, mas maaasahan, at mas iskala ang produkto"—mula sa inobasyon ng produkto patungo sa inobasyon ng proseso. Ito ang pinakamahalagang hangganan sa pagitan ng panahon ng transisyon at panahon ng espesyalisasyon.

Isang natural na susunod na tanong: Mayroon pa bang pangunahing disenyo sa panahon ng AI?

Sa palagay ko: Oo, ngunit ang anyo nito ay magkakaiba sa panahon ng paggawa. Habang kailangan ng industriya ang malawakang pagpapadala, koordinasyon ng ekosistema, at katatagan ng mga inaasahan ng user, laging magkakaroon ng isang "totoong istandard"—ito ay ang ekonomikong pangangailangan ng industriya. Kahit na mas mabilis ang ritmo sa panahon ng internet, lumabas pa rin ang mga pangunahing disenyo tulad ng TCP/IP, HTTP, HTML, at Chromium kernel.

Gayon lamang, ang pangunahing disenyo sa panahon ng AI ay mas malamang na "hierarchical, marami, at komposable"—hindi na "isang uri ng produkto ang nagtatagpo lahat", kundi sa iba't ibang antas ng teknikal na stack ay lumalabas ang mga katotohanang pamantayan, at pinag-uugnay sa pamamagitan ng mga interface at protokolo.

Sa ibang salita, ang pangunahing disenyo sa panahon ng AI ay maaaring hindi ang "susunod na T-model car," kundi mas malapit sa isang bagong layer na protocol stack tulad ng "TCP/IP + HTTP + HTML"—kung saan bawat layer ay sariling matatag at nagtatrabaho nang magkakasama sa pamamagitan ng standard na interface. Ang mga umusbong na MCP (Model Context Protocol), A2A (Agent-to-Agent) network, at de facto API calling standards ay maaaring mga unang anyo ng ganitong "susunod na pangunahing disenyo." Ang pangunahing disenyo ay hindi nawala, ito ay nagbago lang ng anyo.

2.1.2 Pagpapatotoo ng kasaysayan

Kakayahan ng Utterback Three-Stage Model na makuha ang tumpak na paglalarawan sa proseso ng pagtatatag ng maraming pangunahing disenyo:

• Automotive industry: Pagkatapos ng pagtatatag ng pangunahing disenyo ng Ford Model T noong 1908, mabilis na pumasok ang industriya ng kotse mula sa panahon ng paglipat patungo sa panahon ng transisyon.

• Industriya ng telebisyon: Noong mga unang panahon, coexist ang mga unang itim-at-puting telebisyon at iba’t ibang kulay na sistema; nagsimula ang transisyon pagkatapos matatag ang NTSC color television standard noong 1953.

• Personal computer: Noong huling bahagi ng dekada ng 1970, lumitaw ang iba’t ibang arkitektura tulad ng Apple II, TRS-80, at Commodore, hanggang sa matiyak ang pangunahing disenyo noong 1981 nang lumabas ang IBM PC architecture + Wintel alliance.

• Mga smartphone: Bago ang paglulunsad ng iPhone noong 2007, mayroong iba’t ibang disenyo sa merkado tulad ng BlackBerry, Nokia Symbian, at Windows Mobile. Pagkatapos maging pangunahing disenyo ang kombinasyon ng iPhone + iOS/Android, mabilis na umalis ang iba pang mga landas mula sa pangunahing merkado.

Kaparehong katangian: parehong nagsisimula sa isang panahon ng pagkakaroon ng maraming alternatibong disenyo, pagkatapos ay ang isang partikular na kombinasyon ang naging pangunahing disenyo. Ang konsistensya ng pattern na ito ang batayang empirikal ng modelo ni Utterback.

2.2 Ang dinamika ng populasyon ng industriya ni Klepper: Mula sa "dimensyon ng negosyo"

Si Steven Klepper ay propesor ng ekonomiks sa Carnegie Mellon University at isang lider sa pag-aaral ng industriyal na organisasyon at pag-unlad ng mga kumpanya. Noong 1982, kasama ni Michael Gort, unang ipinakilala ni Klepper ang unang opisyal na matematikal na modelo ng buhay ng industriya sa larangan ng ekonomiks ng industriya (karaniwang kilala bilang G-K model), at mula noon ay naglabas siya ng isang serye ng mga pagpapalalim na pag-aaral. Batay sa sistematisadong pag-aaral sa dekada-dekada ng datos mula sa maraming industriya, natuklasan ni Klepper ang isang consistent na pattern sa pagpasok at paglabas ng mga kumpanya sa proseso ng pagbuo at pag-unlad:

Pumasok sa pagtaas → Patag na ang bilang ng mga kumpanya → Malaking pagbabago → Dominado ng ilang pangunahing kumpanya.

Ang empirikal na batayan ng pattern na ito ay ang kumpletong pagsubaybay niya sa pinagmulan, lokasyon, at taon ng produksyon ng bawat pagsasakop sa industriya ng kotse sa Amerika mula 1895 hanggang 1966. Ang data ay ganito:

Mayroong isang nakakagulat na paradox:

Nag-antay ng 50-60 taon mula sa peak hanggang sa malalim na integrasyon noong 1960s, ngunit sa panahong iyon, ang taunang produksyon ng mga kotse sa Amerika ay tumataas ng mga sandaanan sa log scale. Sa ibang salita, ang industriya ay naging napakalaking, ngunit ang bilang ng mga kumpanya ay naging napakaliit. Hindi nagdusa ang industriya—ito ay umunlad; ang namatay ay ang mga mahina, hindi ang demand.

Si Klepper ay nag-verify din ng parehong pattern sa iba’t ibang industriya, na ginawa ang anyong "tumaas—nagpeak—bumaba" na hindi na eksklusibo sa industriya ng kotse—ang industriya ng telebisyon (na may higit sa 80 na mga kalahok noong unang bahagi ng dekada ng 1950, na sumunod sa mabilis na pagbabago), mga typewriter, vacuum tubes, mga gulong, penicillin, at iba pa ay nagpakita ng parehong pangunahing anyo. Ito ang nagbigay ng matibay na empirikal na batayan sa teorya ni Klepper.

2.2.1 Isang mahalagang teorya: Ang Kompositong Teorya ng Pagkakaiba sa Kakayahan

Ginamit ni Klepper ang teorya ng compounded ability gap upang ipaliwanag ang nakalista sa itaas:

Ang pagkakasunod-sunod ay hindi isang biglaang pagpapasya ng merkado, kundi isang inevitableng resulta ng pagkakaroon ng pagkakaiba sa kakayahan ng mga negosyo na nakakalat sa panahon.

Ang pagkakaiba ng mga kumpanya sa kanilang kakayahan sa inobasyon, paglago, at pagbawas ng gastos ay magkakaroon ng eksponensyal na pagpapalawak sa paglipas ng panahon, hanggang sa mabagsak ang mga mahina sa ibaba ng linya ng pagkakaroon. May tatlong pangunahing puntos ang teoryang ito:

Una, ang mga pagkakaiba sa kakayahan ay madalas na nagmumula sa mga pagkakataon sa panimula. Sa mga unang taon ng pagpasok ng isang kumpanya sa isang industriya, ang kakayahan ng bawat isa ay halos magkakapareho, ngunit dahil sa isang o dalawang iba’t ibang desisyon, mahalagang tao, o mahalagang pagkakataon, ang mga kumpanya ay nagsisimulang magkaroon ng pagkakaiba sa kakayahan. Ang mga pagkakaibang ito ay tila hindi makikita sa simula.

Pangalawa, ang pagkakaiba sa kakayahan ay magpapalakas at magpapalaki nang eksponensyal. Ang mga kumpanya na kaunti lang ang mas malakas ay makakakuha ng mas maraming bahagi ng merkado → mas maraming yaman at pagkakataon sa pagkatuto → mas lalong nagiging mas malakas ang kakayahan—ito ay isang positibong loop ng feedback. Samantala, ang mga kumpanya na kaunti lang ang mas mahina ay nasa negatibong loop. Pagkalipas ng mga taon, ang orihinal na "maliit" na pagkakaiba ay naging "hindi kayang abutin" na pagkakaiba.

Ikatlo, kapag nakumpuni ang pagkakaiba hanggang sa "kritikal na pagkakaiba," ang mga mahina ay inalis. Ang mga butil ng pagkakalimot ay naitanim na sa maagang bahagi ng panahon ng paggalaw—sa paningin, lahat ay tumatakbo, ngunit ang kompositong bilis ng mga base ay ganap na iba.

Ang nakaraang pag-aaral ay nagbunga ng isang konklusyon na dapat maging babala sa mga tagapagpaganap ng negosyo: ang paghintay hanggang magiging masama ang financial report bago simulan ang pagbuo ng kakayahan, ay sobrang huli; ang paghintay hanggang makita ang mga malinaw na signal ng pagbabago bago simulan ang pag-upgrade ng kakayahan, ay nagsara na ang window ng pagkakataon. Ang tunay na nagpapasya kung sino ang makakalampas sa pagbabago, ay kung gaano kahalaga ng kompanya sa maagang yugto ang "bilis ng pagkakaisa ng kakayahan" bilang pinakamahalagang estratehikong variable.

2.2.2 Isa pang mahalagang obserbasyon na hindi intuïtibo: Mas maaga ang pag-close ng bintana kaysa sa signal ng shuffling

Bukod sa teorya ng pagkakaiba sa kakayahan, mayroon pa si Klepper ng isang hindi karaniwan ngunit napakahalagang obserbasyon—ang "bintana ng pagpasok" ng industriya ay isarado nang mas maaga kaysa sa "mga signal ng pagbabago".

Balik sa datos ng industriya ng kotse: Pagkatapos makamit ang pinakamataas na bilang ng mga kumpanya noong 1907-1910, bumagsak nang malaki ang rate ng pagpasok ng mga bagong kumpanya pagkatapos ng 1910—nang hindi pa may malinaw na signal ng pagpapalitan, habang patuloy pa ring umuunlad ang industriya, at ang mga media ay hindi pa nagsisimula na mag-report ng mga balita tungkol sa “pagtatanggal ng isang kumpanya.” Ang tunay na malinaw na pagpapalitan (patuloy na pagbaba ng kabuuang bilang ng mga kumpanya sa loob ng maraming dekada) ay nagsimula lamang pagkatapos ng 1920. Ibig sabihin:

• Sa paligid ng taong 1910—mula sa panlabas, tila pa rin ang "tagumpay at bawat pamilya ay gumagawa ng kotse," ngunit ang bintana para sa mga bagong pumasok ay nagsisimulang isarado (lalong kakaunti na ang mga bagong lalaro na talagang nais magsali)

• 1920–1960 — Simulan ng mga signal ng pag-shuffle, nagsimula ang media na i-report ang integrasyon, at noon lang natanto ng karaniwang obserbador na “Oh, nag-iintegrate ang industriya.”

• Nang makareaksyon ang mga obserbador, ang bintana ng pagpasok ay nagsara na nang buong 10-15 taon

Ang pagmamasid na ito ay may malalim na praktikal na kahulugan: ang mga negosyo ay hindi dapat maghintay ng "makikita na mga signal ng pagbabago" bago magdesisyon kung pumasok sa isang industriya o antas—dahil nang magpakita ang signal, ang bintana para pumasok ay nasa pagsara na. Ang totoong matalinong pagpapasya para pumasok ay dapat tapos na sa panahon na "paano pa rin tumaas, at lahat ay pumapasok"—nang magkaroon na ng independiyenteng pagtataya kung ang bintana ay nasa pagsara na.

Ang obserbasyong ito ay babalikin sa pagtalakay sa AI time coordinate—ang entry window ng AI large models ay maaaring mas mabilis na isara kaysa sa inaasahan ng karamihan sa mga obserbador.

2.3 Ang bawat dalawang kasangkapan ay may sariling blind spot; ang paggamit nito nang sabay ay mas nakakatulong upang makabuo ng isang agham na paghuhusga sa yugto ng industriya

Ang dalawang kasangkapan, kung gamitin nang hihiwalay, ay may malaking mga kulang—ang Utterback ay nagpapakita kung "paano umuunlad ang produkto," ngunit hindi nagpapakita kung aling mga kumpanya ang makakarating; ang Klepper ay nagpapakita kung "paano natatalo ang mga kumpanya," ngunit hindi nagpapakita kung paano magbabago ang proseso ng produkto. Ang paggamit lamang ng isang kasangkapan ay nagbibigay ng kalahati lamang ng larawan ng pag-unlad ng industriya.

Ang buong evolusyon ng isang industriya, na kasama ang dalawang proseso: "konverhensya ng teknikal na disenyo" at "pagbabago sa populasyon ng mga kumpanya"—ang unang proseso ay masasagot ng kasangkapan ni Utterback, habang ang ikalawa ay masasagot ng kasangkapan ni Klepper. Ang dalawang prosesong ito ay may kaugnayan ngunit hindi ganap na sinkronisado—ang pagtatatag ng pangunahing disenyo ay karaniwang nangyayari pagkatapos ng pagkakaroon ng pinakamataas na bilang ng mga kumpanya, bago magsimula ang pagpapabilis ng pagbabago.

Ang industriya ng automotive ay ganito: noong 1907-1910, ang bilang ng mga kumpanya ay nakamit ang pinakamataas na punto sa 275, noong 1908, ang Ford Model T ay naging standard na disenyo, at noong 1910, bumagsak nang malaki ang rate ng pagpasok, at noong 1920, ang kabuuang bilang ng mga kumpanya ay nagsimulang bumaba nang malaki. Ang dalawang proseso ay nag-iimpluwensya sa isa’t isa at nagtutulungan upang matukoy ang buong ritmo ng pag-unlad ng industriya.

Ang paggamit ng dalawang kasangkapan nang sabay-sabay ay ang pagtingin sa industriya mula sa "dimensyon ng produkto" at "dimensyon ng kumpanya"—ang anumang pagtataya sa yugto ng pag-unlad ng isang industriya ay mas mapagkakatiwalaan at mas agham kapag ang mga obserbasyon sa parehong dimensyon ay nagpapatibay sa isa't isa.

3.0 Paliwanag ng Saklaw ng Pagsusuri

Ang "Rebolusyong AI" ay isang napakalaking konsepto. Ang sakop ng pagsusuri sa artikulong ito ay nakatuon sa isang magkakasalungat na umuunlad na buong sistema—ang "malalaking modelo ng AI at ang mga aplikasyon at kaugnay na produkto nito"—na kabilang ang sariling pangunahing malalaking modelo, ang mga aplikasyon at anyo ng produkto na nakabatay sa malalaking modelo (tulad ng pag-uusap/pag-program/Agent/Co-Pilot/multimodal/at ang bahagi ng modelo na nagpapagalaw sa embodied intelligence), at ang mga malapit na kaugnay na suporta sa aset (cloud, computing power, chip, toolchain, at sistema ng pagtataya). Ang tatlong bahaging ito ay hindi magkakahiwalay na tatlong industriya, kundi tatlong magkakasalungat na antas sa isang proseso ng pag-unlad ng isang industriya.

Hindi kasama sa sakop ng pagsusuri na ito: mga bahagi na may sariling pisikal na anyo o sariling lohika ng industriya—tulad ng mekanikal/hardware na katawan ng humanoid robot, AI+kalusugan/legal/edukasyon at iba pang pambansang industriya—na may sariling mga batayang patakaran ng industriya at hindi direktang maaaring gamitin ang time coordinate sa artikulong ito.

3.1 Mula sa pananaw ni Utterback: Ang bawat antas ay patuloy pa sa panahon ng paggalaw

Gamit ang tatlong-ebolusyon na modelo ni Utterback sa kasalukuyang malalaking AI model at mga aplikasyon, makikita na halos bawat mahalagang aspeto ay nasa gitna ng pagkakaibigan.

Arsitektur: Magiging huling wika ba ang Transformer? O babagsak ba ang isang sangay sa Mixed Experts (MoE), State Space Models (Mamba family), World Models, inference-time computation, o agent-native architectures? Habang ang mga pangunahing kumpanya ay malawak na nagpapakilala sa MoE route noong 2026, patuloy na natatanggap ng akademya at industriya ang mahalagang pag-unlad sa alternatibong direksyon tulad ng World Models at agent-native; ang pampublikong talakayan tungkol sa pagbaba ng marginal benefit ng Scaling Law ay nagpapahintulot sa industriya na muli pangangalap kung mayroon pa bang iba pang pangunahing posibilidad. Ang mga ruta ng arsitektura ay malayo pa sa pagkakasundo.

Antas ng anyo ng produkto (paano haharapin ng AI ang mga user at mga negosyo sa huli) — mayroong hindi bababa sa anim na anyo na kasalukuyang nagsasagawa ng kompetisyon:

Ang anim na anyo ay nagkakasalubong at nagkakasalungatan, at walang isa ang maaaring sabihing nanalo—ito ang klasikong katangian ng "pagkakaroon ng maraming produkto" sa panahon ng pagdaloy.

Mga aspeto ng kompetisyon: pag-iisip, coding, gastos, latency, haba ng konteksto, multimodal, kakayahan ng Agent / autonomo na tagal ng task, reliability / rate ng hallucination, security / control—alinsunod saan ang market ang hihigit na ituturing na “pinakamahalaga”? Bawat kumpanya ay nagpapahayag ng pagiging unang sa kanilang kahusayan sa bawat aspeto, ngunit wala pa ring pagkakasundo sa market kung aling aspeto ang pinakamahalaga. Lalo na ang bagong aspeto na “kung gaano katagal makapagtrabaho nang independiyente”—mula sa marginal na paksa noong 2025 hanggang sa pangunahing indikador sa WAIC 2026 sa loob ng isang taon lamang—ay isang palatandaan na ang mga aspeto ng kompetisyon ay hindi pa nakakapag-ayos.

Batay sa mga larawan ni Utterback, ang malalaking AI model at ang kanilang mga aplikasyon ay tila nasa panahon ng pagbabago—maraming landas na kasalungat, hindi tiyak ang mga konsepto ng produkto, at hindi pa nakakatukoy ang mga aspeto ng kompetisyon.

3.2 Mula sa lens ni Klepper: Mataas na panahon ng pagpasok, ngunit ang pagkakaiba-iba ng kakayahan ay nagsisimula nang mapanatili

Mula sa dinamika ng populasyon ng industriya ni Klepper sa industriya ng malalaking modelo ng AI, nakikita ang fenomeno ng "pagkakasundo ng mga kontradiksyon".

Sa isang panig, ang mga kumpanya sa global na AI large models ay patuloy na nasa mataas na yugto ng pagpasok—OpenAI, Anthropic, Google, Meta, xAI, Mistral, kasama ang mga Chinese na Baidu, Alibaba, Tencent, DeepSeek , ang malalim na panig ng buwan, Zhipu, ByteDance, at iba pa, kasama ang maraming startup na nakatuon sa mga partikular na skena. Patuloy pa ring dumadating ang mga bagong pumasok, at malakas ang katangian ng matinding pagsubok.

Sa kabilang panig, ang pagkakaiba sa kakayahan ng mga lider na kumpanya ay nagsisimula nang tahimik na magkakaiba—computing power (sino ang kayang tanggihan ang gastos sa malaking pagsasanay), distribution (sino ang may kontrol sa entry point), enterprise customers (sino ang nakapag-umpisa ng tiwala sa industriya), at bilis ng organisasyong pagkatuto (sino ang mas mabilis na nagpapalit ng bawat pag-unlad sa teknolohiya sa produkto at kakayahan sa negosyo). Ito ang aktwal na lugar kung saan ang "compound capability gap" ay nangyayari nang tahimik—ang pagkakaiba na nakikita mo ngayon sa pagitan ng lider at hindi lider ay marami sa kanilang nangyari noong nakaraang 3-4 taon bilang resulta ng "compound".

Batay sa mga larawan ni Klepper, ang industriya ng malalaking AI model ay nasa "mataas na pagsisimula, ngunit ang pagkakaiba sa kakayahan ay nagsimula na"—paris ng汽车产业 noong 1900-1910, kung saan ang bilang ng mga kumpanya ay patuloy na umaakyat patungo sa puncyo, ngunit may ilang mga manlalaro na nagsisimulang magkakalayo.

3.3 Masusing pagsusuri ng pangunahing disenyo: limang nakakatulong na salik

Batay sa Utterback + Klepper, mayroon nang isang pagtataya: ang mga malaking AI model at ang kanilang mga aplikasyon ay nasa huling yugto ng paggalaw. Ang pagtatayang ito ay dapat muli pang masuri gamit ang isang mapagkakatiwalaang pagsusuri—ang manunulat ay nag-ayos ng limang salik na nagpapalakas sa pangunahing disenyo, batay sa mga pag-aaral at pagsusuri ni Utterback, Suárez, Christensen at iba pang mga akademiko. Sa kasaysayan, ang pagtatatag ng pangunahing disenyo ay karaniwang nangangailangan ng kahit anumang 3-4 sa mga ito na magkakasama:

• Factor 1: Teknikal na pagkakasya—ang isang disenyo ay nagkakaroon ng malinaw na pagkakapareho sa kabuuang pagganap at teknikal na pagkakasya, at ang industriya ay nagkakaisa sa direksyong ito, naging "kilalang solusyon" sa teknikal na landas

• Factor 2: Maturity of complementary assets—supply chains, standards, toolchains, training systems, and developer ecosystems have been established around this design, creating ecosystem lock-in

• Faktor 3: Pagkakaroon ng ekonomiya sa sukat—ang malawak na pagpapadala ng disenyo ay bumuo ng positibong siklo ng “pagbaba ng gastos + positibong unit economics + pagkakamit ng business model,” at nagsisimula na ang siklo ng pagsisikap–output–muling pagsisikap

• Faktor 4: Pagpapalakas ng mga pangunahing kumpanya—ang ilang kaunting may malaking impluwensya sa merkado ay pumili at pinapalaganap ang disenyo, at sa pamamagitan ng bahagi sa merkado at kakayahan sa ekosistema, itinatag ang pambansang istandard

• Factor 5: Pagsali ng gobyerno o regulasyon—pamamagitan ng pagpapalabas ng mga batas na istandar, sistema ng sertipikasyon, at mga framework ng regulasyon upang ipaglaban o gabayan ang pagkakaisa

Ang Ford Model T ay naging pangunahing disenyo ng kotse noong 1908 dahil sa pagkakasunod ng limang salik nang halos sabay: teknikal na kakayahang gawin (kombinasyon ng internal combustion engine at front-engine), mabilis na pag-unlad ng mga komplementarong aset (mga gas station at network ng pagpapagaling), ekonomiya sa iskala (assembly line na nagbaba ng gastos), pangunahing tagapag-ugnay (ang Ford ay may bahagi ng merkado na higit sa kalahati), at pamahalaang regulasyon (mga pamantayan sa daan at sistema ng lisensya).

Gamitin ang limang faktor na ito upang suriin nang isahan ang kasalukuyang kalagayan ng mga malaking AI model at ang kanilang mga aplikasyon; tanging 1 na bahagi ang natutugunan, habang ang iba pang 4 ay malayo pa sa pagkakaroon—ito ang tiyak na batayan ng artikulong ito sa pagpapahayag na "ang mga malaking AI model at ang kanilang mga aplikasyon ay patuloy pa sa huling yugto ng likididad"; hindi ito batay sa pakiramdam, kundi sa pagkakasunod-sunod na paghahambing.

Sa ibang salita, ang pangunahing disenyo ay nagtatag ng isang hadlang na "kailangan ng hindi bababa sa 3-4 na mga factor na magkakasabay," na kung saan ay malalayong hindi kayang abutin ng AI.

3.4 Pagsusuri sa Komprehensibong Pahinga: Ang "Divergence Zone" na naglalakbay mula sa Late Liquidity Phase patungo sa Early Transition Phase

Batay sa pagsusuri at pagsusuri sa limang faktor, maaaring magbigay ng isang komprehensibong pagtataya: Kasalukuyang nasa huling yugto ng likuididad ang mga malaking AI model at ang kanilang mga aplikasyon, at nagsisimula nang umalis patungo sa maagang yugto ng transisyon—tinatawag ito ng manunulat bilang: "Zone ng Dibisyon."

Ang pangunahang kahulugan ng "divergence zone" ay maaaring maipaliwanag bilang: ang paghahati-hati ng produkto ay patuloy na bukas, samantalang ang pagkakaiba-iba ng kakayahan ay nagsimula na

Ang "divergence zone" ay hindi isang independiyenteng bagong yugto; ito ay naglalarawan sa isang transisyonal na zona sa pagitan ng flow stage at transition stage sa teorya ng Utterback na tatlong yugto, at hindi ito nagtataya kung ang AI ay magtatapos nang buo sa transition stage papunta sa specialization stage bilang isang konverhensiyon; bilang isang deskriptibong konsepto, ito ay nagsasalita sa isang duwaling istruktura na umiiral sa kasalukuyan:

Sa isang panig: Sa aspeto ng produkto, ang arkitektura, anyo, at kompetisyon ay patuloy na bukas—maraming ruta ang kasalukuyang umiiral, ang pangunahing disenyo ay hindi pa nabubuo, at nasa panahon ng pagbabago pa rin ito.

Sa kabilang panig: Sa antas ng negosyo, ang pagkakaiba sa kakayahan sa pagitan ng mga lider at hindi lider ay nagsimula na—ang pagkakaiba sa computing power, distribution, enterprise customers, at bilis ng organisasyonal na pagkatuto ay nagsisimulang lumawak, at ito ay bahagi na ng maagang transisyonal na yugto.

Ang pagkakasunod-sunod ng dalawang panig sa parehong oras ay bumubuo ng "zone ng divergence." Ito ay hindi kaguluhan, dahil ang mga makikita na pattern at akumulatong asimetrinya ay nasa lugar na; at hindi rin ito natapos, dahil ang mga pamantayan para sa kung sino ang haharapin ay hindi pa nakakapag-iba. Sa isang pangungusap: Ang panlabas ay tila malusog, ngunit ang pagkakaroon ng pagkakaiba sa kakayahan ay nagsimula na.

Ang mga tatlong orihinal na obserbasyon ni Professor Karim Lakhani na ipinakilala sa kanyang mahabang artikulo noong Marso 2026, batay sa parehong analitikal na framework, ay dapat isaalang-alang para sa karagdagang pagkakasama—maaaring ito ay ituring bilang karagdagang pagpapalawak sa mga mekanismo sa loob ng "divergence zone".

Observasyon ni Lakhani: Ang pagiging bukas sa arkitektura at ang asimetrikong kompetisyon ay maaaring magkasama—ang pagiging bukas sa antas ng arkitektura at ang pagkakaiba-iba sa antas ng kumpanya ay maaaring magkakasabay. Ibinigay ni Lakhani ang isang tumpak na pangalan sa ganitong kalagayan: "Structured Ferment," na tumutukoy sa parehong fenomeno na tinutukoy ng artikulong "Divide Zone"—ngunit ang artikulong ito ay mas nagte-teklado sa dinamikang "pagkakaiba sa kakayahan," habang si Lakhani ay mas nagpapahalaga sa damdamin ng maraming parirala na nagpapalaganap.

Lakhani’s Observation 2: The Layered Concentration Hypothesis—Ang产业结构 ng AI sa hinaharap ay maaaring hindi magkonsolidado sa isang "single winner takes all," kundi magkakaroon ng mga pangunahing player sa bawat antas ng teknikal na stack: antas ng advanced models, antas ng enterprise integration, antas ng bukas na ecosystem, at antas ng espesyalisadong suporta (cloud, chip, toolchain, security), kung saan bawat isa ay magkakaroon ng sariling pangunahing player.

Tingin ni Lakhani 3: Ang multi-model orchestration ay isang bagong industriyal na modelo—ang mga totoong gawain ay hinahati sa isang chain: pag-iisip, paghahanap, pagsulat, coding, pagsusuri, pag-format, at pagpapadala—ang iba’t ibang model ay may kakayahan sa iba’t ibang bahagi ng chain. Ang tunay na magpapasya sa tagumpay ay maaaring hindi ang "aling model ang pinakamalakas," kundi ang "sino ang makakapag-trigger ng tamang inteligensya sa tamang panahon para sa tamang gawain."

3.5 Mga partikular na katangian ng kasalukuyang yugto

Batay sa mga nabanggit na pagsusuri, ang mga partikular na katangian ng kasalukuyang "pagsasaparang" yugto ay maaaring maipaliwanag tulad ng sumusunod:

Kung ang mga malaking AI model at ang kanilang aplikasyon ay nasa "zone ng pagkakahati" (naglalakbay mula sa huling yugto ng likido patungo sa maagang transisyon), ayon sa pangkalahatang batayan ng pag-unlad ng industriya, paano ang mga ritmo sa hinaharap habang tinatayo ang pangunahing disenyo at lumalabas ang malalim na pagbabago?

Ito ay isang mahalagang tanong para sa mga tagapagdesisyon sa negosyo. Dahil direktang tinutukoy ng pagkakaroon ng panahon ang ritmo ng aksyon—kung ang bintana ay 20 taon, maaaring magsagawa ng mga plano nang mapayapa; kung ang bintana ay tanging 3-5 taon, kailangan agad na simulan ang maraming aksyon.

Isang napakalikas na konklusyon ay ang pagtataya sa mga datos ni Utterback at Klepper: nanggaling ang industriya ng kotse sa panahon ng paglipat hanggang sa pagkakatatag ng pangunahing disenyo sa loob ng halos 15-20 taon, at mula sa puncyo hanggang sa malalim na integrasyon sa loob ng 50-60 taon—kung susundin din ng AI ang scale na ito, tila mayroon pa tayong maraming panahon.

Ngunit may isang napakahalagang tanong dito—ang dalawang kasangkapan ni Utterback at Klepper, ang kanilang batayang data ay ang paggawa. Maaari bang direktang gamitin ang panahon ng pag-unlad ng industriya ng paggawa sa panahon ng digital/AI? Kung hindi, ano nga ba ang totoong panahon? Ito ang tanong na sasagutin ngayon.

Structural differences between manufacturing and the digital age—and why it’s accelerating

Ang pag-unlad ng industriya ng paggawa ay natural na mabagal dahil mayroon itong ilang karaniwang katangian:

• Ang mga pisikal na produkto ay nangangailangan ng pabrika, supply chain, at channel—may mga pisikal na limitasyon sa paglago

Ang pagbuo ng ekonomiya sa iskala ay nangangailangan ng malaking kapital at oras—ang pagtatayo ng pabrika at pagbuo ng supply chain ay mga gawain na may mahabang siklo.

• Ang pagtanggap ng mga user ay nakadepende sa bilis ng physical distribution—isang kotse ay kailangang magsimula sa paggawa at matapos ay dumating sa kamay ng user sa loob ng ilang linggo hanggang sa ilang buwan

• Ang teknikal na pag-unlad ay limitado sa ritmo ng pag-update ng proseso, materyales, at mga makinarya sa paggawa—ang bawat generasyon ng pagpapabuti ay nangangailangan ng pagbuo muli ng linya ng produksyon

Dahil sa mga katangiang ito, ang panahon ng pagkakasalot sa industriya ng kotse ay humigit-kumulang 20 taon, at mula sa pangunahing disenyo hanggang sa malalim na integrasyon ay ilang dekada pa. Ang mga iskala ng oras na ito ay hindi "pangkalahatang batas" ng pag-unlad ng industriya, kundi resulta ng mga pisikal at kapital na paghihigpit na katangi-tangi sa paggawa.

Kapag ang mga limitasyong ito ay nasira ng digitalisasyon, ang apat na katangian ay nagsisibago nang malalim: ang panahon ng evolusyon ng industriya ay diretso na pinapaliit:

• Ang pagkakalat ay may halos sero na marginal cost—isang app ay maaaring makarating sa buong mundo sa ilang buwan, at natapos ng ChatGPT ang pagkuha sa 100 milyong user sa loob lamang ng mga 2 buwan, isa sa pinakamabilis na akceptado na consumer product sa kasaysayan.

• Ang ekonomiya ng scale ay napalitan ng network effect at data flywheel—ang ekonomiya ng scale sa manufacturing ay nakabatay sa pagkolekta ng mga pabrika sa loob ng maraming taon, habang ang ekonomiya ng scale sa digital industry ay maaaring itayo ang isang exponential growth self-reinforcing cycle sa loob ng 1-2 taon.

• Ang paggamit ng user ay limitado sa bandwidth at endpoint, hindi sa physical distribution—nabawasan mula sa "mga linggo hanggang buwan" patungo sa "download at gamitin sa ilang minuto".

• Ang teknikal na pag-unlad ay limitado ng kakayahan at computing power, hindi ng proseso at kagamitan—ang mga pangunahing kumpanya ay nakalikom ng malaking kapital, computing power, at kakayahan sa napakabilis na panahon (noong 2026, ang kabuuang pagsisikap sa pagsisilbi ng AI ng limang pangunahing teknolohiya na kumpanya sa Amerika ay umabot sa antas ng $700 bilyon); ang bilis ng pagkolekta ng ganitong kapital ay hindi maiisip sa panahon ng paggawa.

Sa labas ng apat na pangunahing pagbabago, may dagdag na dalawang pagpapabilis na kadahilanan sa panahon ng digital:

• Pagpapabilis ng feedback loop—ang mga digital na produkto ay maaaring magkaroon ng real-time A/B testing, kung saan ang feedback ay nabawasan mula sa "taon" hanggang sa "araw o kahit oras", at ang "bilis ng pagkatuto" ay sumabilis, na nagpapababa nang malaki sa panahon ng kompound na kakayahan

• Global na pagkakasundo sa kompetisyon—ang digital na industriya ay global na merkado mula sa simula, may higit pang mga manlalaro, mas mabilis na kompetisyon, at mas malalim na pagbabago.

Mahalagang tanong: Ilang beses ang pinapaliit ng mga pagkakaiba na ito ang iskala ng oras sa panahon ng digital kumpara sa panahon ng paggawa?

Comparison of the Evolution Speeds of Six Digital Age Industries

Tingnan natin ang ilang mga digital na industriya na naitagpo na ang pagbabago mula sa peryodo ng likididad patungo sa peryodo ng transisyon:

Mga smartphone (2007–2012) — Ipinakilala ang iPhone noong 2007, sumali ang Android noong 2008, malinaw na naging dominante ang iOS + Android sa paligid ng 2010, at sa paligid ng 2013, ang Nokia, BlackBerry, at Windows Phone ay praktikal na umalis sa pangunahing merkado. Mula sa panahon ng paggalaw patungo sa pagkakatigil ng transisyon: halos 5 taon.

Social Media (2004–2012) —— Ipinakilala ang Facebook noong 2004, nagkakaroon ng kompetisyon mula sa iba’t ibang platform noong 2004–2008 (MySpace, Facebook), at noong paligid na 2010, nailahad na ang pangunahing posisyon ng Facebook sa buong mundo. Mula sa panahon ng paggalaw patungo sa pagkakatukoy ng transisyon: humigit-kumulang 6–8 taon.

Web browser (1994–2000) —— Ipinakilala ang Netscape noong 1994, ang browser war (Netscape vs IE) noong 1995–1998, at ang IE ang nangunguna sa merkado noong 1999–2000. Mula sa paglipat hanggang sa pagkakapit sa anyo: humigit-kumulang 5–6 taon.

Cloud computing IaaS (2006–2015) —— Ipinaglaban ang AWS noong 2006, nagkakaroon ng kompetisyon mula sa 2010–2013, at malinaw na naging istruktura ng tatlong pangunahing vendor noong 2016–2018 (AWS, Azure, GCP). Mula sa panahon ng paglipat patungo sa pagkakatigil: humigit-kumulang 8–10 taon.

Mga electric vehicle (2010–?) —— Pinangunahan ng Tesla noong paligid ng 2010, lumitaw ang maraming bagong kalahati noong 2015–2020, at unang nabuo ang pangunahing istruktura noong paligid ng 2025 ngunit nasa transitional pa rin na yugto. Inaasahang matitigas: humigit-kumulang 12–15 taon (naglalaman ng pisikal na paggawa, mas mabagal kaysa sa purong digital na industriya—ito rin ang nagpapaalala sa atin na ang mga bahagi ng AI na may pisikal na anyo, tulad ng mechanical/hardware body ng embodied intelligence, ay mas mabagal kaysa sa purong digital na bahagi).

Quantitative judgment na may compressed time frame

Paano nakakakuha ng magagamit na factor ng compression mula sa limang data ng haba ng industriya? Gumawa ang may-akda ng isang sistema ng lohikal na pagdededuksiyon.

Unang Hakbang · Piliin ang pangunahing industriya

Kailangan ng baseline industry na matupad ang tatlong kondisyon:

Buong istruktura: Lumipas sa panahon ng paggalaw → panahon ng transisyon → panahon ng espesyalisasyon

Makikita ang data: pagpasok at paglisan ng mga negosyo, pagtatatag ng pangunahing disenyo, malalim na integrasyon na may verifiable na kasaysayan ng data

Sapat ang panahon: nagbibigay ng orihinal na panahon na hindi na komprimo.

Ang data ng industriya ng kotse sa Estados Unidos mula 1895 hanggang 1966 na tinatahak ng sistemang Klepper ay sumasapat sa lahat ng tatlong punto na ito.

Ngunit kailangan pa ring tanungin: Ang panloob na siklo ng panahon sa paggawa ay hindi rin pantay (ang TV ay T1 na humigit-kumulang 6-8 taon, ang kotse ay T1 na humigit-kumulang 15-20 taon, at pareho ay malapit sa 2倍 na pagkakaiba), bakit ginagamit ang kotse bilang pangunahing batayan para sa "panahon ng paggawa"?

Maaaring suriin ito sa pamamagitan ng mga pagsusuri sa 5.1—anim na struktural na salik (pisikal na distribusyon, ekonomiya ng sukat, pagtanggap ng gumagamit, pag-unlad ng teknolohiya, mga siklo ng feedback, at global na kompetisyon). Ang framework na ito ay hindi lamang nagpapaliwanag sa pagkakaiba sa pagitan ng "paggawa vs digital" kundi pati na rin sa pagkakaiba sa loob ng "paggawa". Ang telebisyon (na nagsimula noong 1946) ay mas mabilis ng 2-3 beses kaysa sa kotse (na nagsimula noong 1895) dahil sa pagkuha nito ng mga aset na nakuha na ng nakaraang industriya (radyo) sa mga salik na ito—ang network ng distribusyon, proseso ng paggawa ng vacuum tubes, pagkakakilanlan ng gumagamit, at pundasyon ng teknolohiya ay hindi kailangang magsimula mula sa zero.

Ang pag-unawa na ito ay nagpapakita ng isang mas malalim na pattern: ang pagpapaliit ng panahon ay hindi nagmula sa isang tanging paglipat mula sa pagmimina hanggang sa digital na panahon, kundi isang tuloy-tuloy na pagpapabilis na nag-akumula sa maraming henerasyon at maraming salik. Ang pangunahing dahilan kung bakit ginamit ang kotse bilang batayan ay hindi lamang ang "buong istruktura + maaaring ma-access ang data + mahabang panahon" na tatlong pangunahing kondisyon, kundi dahil ang kotse ay ang pinakakompleto na halimbawa ng "pagbuo mula sa sero": ang lahat ng anim na salik ay kailangang magsimula mula sa sero, walang nakaraang industriya na maaaring magtanggap, at kumakatawan sa orihinal na panahon na hindi pa pinabilis ng nakaraang akumulasyon. Ang bilang ng pagpapaliit na natukoy gamit ito bilang batayan ay maaaring magbigay ng isang malapit na pagtataya sa "pinakamataas na posibleng akumulatibong pagpapabilis sa digital na panahon."

Pangalawang hakbang · Ikumpara ang limang digital na industriya

Batay sa kotse T1 (15-20 taon):

Hakbang 3 · I-classify ang AI gamit ang six-factor framework

Bumalik sa six-factor framework—ang antas kung saan isang industriya ay pinabilis ang pagsisimula sa anim na factor, direktang tumutukoy sa kanyang compression multiplier. Ayon sa lohikang ito, tingnan ang data sa tabla:

Mga electric vehicle: Pinakamaliit na kompresyon (1.3-1.5 beses), dahil kailangan pa rin nito ng hiwalay na pagtatayo ng mga link sa pisikal na paggawa, supply chain, at hardware iteration;

Mga digital na industriya tulad ng browser at cloud computing: naiiwasan ng 2-3 beses, dahil sila ang nagsasagawa ng mga akumulasyon mula sa panahon ng PC at mga unang panahon ng internet;

Ecosystem ng mobile app: Pinakamalaking pagkabawas (3-4 beses), dahil ito ay lumitaw pagkatapos ng mataas na pag-unlad ng digital infrastructure—karamihan sa lahat ng mga nakaraang pagtigil sa mga factor ay naresolba na.

Ano kaya ang kategorya ng mga malalaking modelo ng AI at ang kanilang mga aplikasyon? Ayon sa pagsusuri ng may-akda:

Nakikita ito sa pinakamahuling bahagi ng digital age—ang cloud computing, internet, mobile devices, developer ecosystem, at data infrastructure ay nasa mataas na antas ng pagiging matatag; samantala, ang AI mismo ay nagdala ng dalawang walang kahalintulad na self-accelerating loops—ang network effect at data wheel (mas maraming paggamit → mas maraming data → mas malakas na model → mas maraming tao ang gagamit).

Batay sa six-factor framework, ang compression ratio ng AI ay dapat nasa pagitan ng 3 hanggang 5 beses: ang lower bound na 3 beses ay batay sa mga napatunayang "late-stage acceleration" industriya sa talahanayan (tulad ng browser at ecosystem ng mobile apps); ang upper bound na 5 beses ay isang extrapolation batay sa natatanging double self-reinforcing loop ng AI—na walang kasaysayang katulad nito, kaya ito ay isang makatwiran ngunit patuloy na binubuo na estimasyon.

Comprehensive Overview and Aggregate Forecast

Sa pagbuod ng mga pagsusuri sa itaas, maaaring makabuo ng isang kompletong pangkalahatang paghahambing sa pagitan ng mga henerasyon:

Komprehensibong pagtataya: Mula sa panahon ng paggawa hanggang sa panahon ng digital, ang iskala ng oras ng pagbabago ng industriya ay nabawasan ng halos 3-5 beses; inaasahan na ang tunay na pagbabawas ng AI large models at kanilang aplikasyon ay nasa gitna hanggang itaas ng interval na ito.

[Mahalagang Paghahayag ng Katotohanan]: Ang mga sample na pagkukumpara sa itaas ay naglalaman lamang ng mga digital na industriya na kumpleto na ang pangunahing disenyo, at hindi kasama ang VR/AR, metaverse, Web3/blockchain applications at iba pang industriya na patuloy pa ring nasa pagbabago—lahat ng ito ay higit pa sa 3-5 beses na kompresyon na inaasahan at nasa pagsasalay-salay pa. Ibig sabihin, ang "3-5 beses na kompresyon" ay nagpapalagay na ang AI ay magiging daan ng "mga naka-konverheng digital na industriya". Kung ang premisang ito ay magbago, kailangang i-adjust ang 3-5 beses na kompresyon.

Pagkatapos makuha ang pagkakompres ng panahon sa halagang 3-5 beses, maaari nating ipagpatuloy ang pagsusuri sa eksaktong panahon ng mga malalaking AI model at ang kanilang mga aplikasyon, bagaman ito ay hindi eksaktong paghuhula, kundi isang makatotohanang pagtataya batay sa nakaraang paghahambing. At ang kondisyon para sa ganitong pagtataya ay: ang mga malalaking AI model ay magiging sa Trak A (pagbuo ng pangunahing disenyo), hindi sa Trak B (pangmatagalang pagkakaiba-iba).

Ang komprehensibong pagtataya ng may-akda ay: mas malaki ang posibilidad na ang malalaking AI model ay sumusunod sa trahektorya A kaysa sa trahektorya B—ngunit ang anyo ay hindi "isang solong T-shaped vehicle", kundi "maraming antas na pangunahing disenyo na parang layered protocol stack".

Bukod sa mga pagsusuri sa seksyon 2.1.1 mula sa perspektiba ng "mga ekonomikong pangangailangan ng industriya + stack ng internet protocol layers", tatlong makikita ngayong signal ang sumusuporta nang malakas sa paghuhusga na ito:

• Ang teknikal na toolkit ay nagsasaklaw na sa ibabaw—ang arkitekturang Transformer, pre-training + post-training (SFT + RLHF/DPO), multi-modal fusion, at tool calling/agentization, ay ginagamit ng lahat ng pangunahing modelo. Ito ang karaniwang kalagayan bago ang pangunahing disenyo sa kasaysayan.

• Ang mga pangunahing disenyo sa bawat sublayer ay nagsisimula na lumabas—ang layer ng programming agents ay nag-converge sa pattern ng Claude Code / Cursor / Copilot / Windsurf; ang mga native na multimodal na produkto ay nag-converge sa ruta ng "diffusion models + long-term fidelity"; sa layer ng enterprise Copilot, ang Microsoft 365 Copilot ay naging de facto standard. Hindi kailangan na mag-converge ang "buong AI" nang sabay-sabay, ang mga sublayer ay nagsisimula nang mag-isa na bumuo ng kanilang sariling pangunahing disenyo.

• Ang pangunahing disenyo sa protokolo ay nagsisimula nang makita ang anyo—MCP (itinatag ng Anthropic sa dulo ng 2024, at sinamantala ng OpenAI / Google / Microsoft noong 2026), at ang A2A network—ang pangunahing disenyo sa protokolo ay karaniwang mas matagal kaysa sa protokolo ng produkto (tulad ng TCP/IP na mas matagal kaysa sa anumang browser)

[Mahalagang pagsasabi ng katotohanan]: Kapag naging batid ang dalawang reverse signal, kailangang muling i-calibrate ang time coordinate ng artikulong ito:

Reverse Signal 1: Ang pormula na "mas malaki, mas malakas" ay maaaring maging hindi epektibo. Sa nakaraang limang taon, ang kakayahan ng AI ay pangunahing inilalayong sa pamamagitan ng simpleng pormula na "mas malaking modelo + mas maraming data + mas malakas na computing power" (Scaling Law). Kung sa taon 2027-2028 ay matutapos na ang pormulang ito at walang malakas na alternatibong direksyon sa maikling panahon—ang industriya ay magkakaroon ng pagkakataong subukan ang iba’t ibang ganap na iba’t ibang landas tulad ng world models, Mamba, at agent-native architectures. Ang kasalukuyang "technological convergence" na nakikita ay maaaring mabulok.

Reverse Signal 2: Mula sa "pagkakasunod-sunod ng maraming kamp" patungo sa "pangunahing disenyo ng bawat kamp". Ang kasalukuyang pagkakasunod-sunod ng maraming kamp ay normal na pagkakahati-hati ng kakayahan—ang totoong panganib ay ang paglalalim ng pagkakahati na magdudulot ng "kabuuang pagkakawala ng pagkakaugnay". May dalawang puwersa na nagtuturo sa direksyong ito: una, ang "utak" ng embodied intelligence (sa akademikong termino, VLA model)—dahil kailangan nito ang real-time na pagpapansin at pagproseso ng pisikal na feedback, ang pangunahing arkitektura ay maaaring mag-ebolusyon sa isang ganap na iba’t ibang landas kumpara sa malalaking chat model; pangalawa, ang dalawang kamp ng China at Estados Unidos ay patuloy na nagpapalayo sa arkitektura, protokolo, ekosistema, at regulasyon. Kung mula sa "isang pangunahing disenyo" ay magiging "mga pangunahing disenyo ng bawat kamp", maaaring magbago ang time coordinate.

Tatlong mahahalagang timeline (pagsusuri)

Sasunod sa nakaraang pagsusuri, kung ituturing nating punto ng pagkakaroon ng industriyalisasyon ng malalaking AI model ang paglalabas ng GPT-3 noong 2020 (ito ay pangkalahatang tinatanggap na punto sa industriya: matatag na Transformer architecture, unang pagkakakita ng emergent capability, at unang pagbuo ng enterprise-grade commercial API), mula sa punto na ito patungo sa hinaharap, isinulat ng may-akda ang isang pangkalahatang timeline mula 2020 hanggang 2035, na nahahati sa apat na yugto:

I-expand nang detalyado mula sa pangkalahatang larawan, may tatlong kritikal na timeline para sa mga tagapagdesisyon ng kumpanya na dapat pagsiyasan at pag-aralan ( sakop ng pagsusuri: AI large models at kanilang aplikasyon; ang mga bahagi na may sariling pisikal na anyo o sariling lohika ng industriya ay dapat masuri nang hiwalay batay sa kanilang sariling pag-unlad ).

Timeline 1: Pagkakaroon ng主导设计 na window—hierarkikal na pagkakaroon, inaasahang 2026-2032 na ipapakita sa mga antas

Hindi sinkronizado at malaki ang pagkakaiba sa ritmo ng konverhensya ng iba’t ibang sublayer. Batay sa mga signal na makikita ngayon, maaaring gawin ang isang pagtataya ayon sa mga antas (hindi eksaktong takdang-panahon):

• Mas maagang lumabas (bago 2026-2028) —— protokol layer (MCP / A2A / API call specification) at programming agent layer. Ang pag-update sa protokol layer ay may mas mababang gastos at mas mabilis ang pagkakaroon ng konsenso sa pagitan ng iba’t ibang vendor, at mayroon nang mga katangian ng isang facto standard; ang programming agent layer ay may malinaw na pagkakaisa sa anyo ng produkto (Claude Code / Cursor / Copilot / Windsurf / Tongyi Lingma atbp.

• Mid-term emergence (around 2027–2029) —— Three core product dimensions: general-purpose conversational assistant, multimodal native products (diffusion models + long-sequence fidelity approach), and embedded co-pilot (form factor tailored for enterprise workflows). Clear signs of market consolidation are emerging among leading products, with rapid adoption growth among customers; however, full maturation will still require 2–3 years.

• Huling lumabas (paligid ng 2028-2030) —— Workplace/Desktop Agent Workstation Layer (na kinakatawan ng WorkBuddy, Coze, at Bailian). Pinapagana ng pangunahing pagkakabukod sa ekosistema, na nakakakuha ng mabilis na paghahabol sa pamamagitan ng entry point, mga proseso sa collaborative workplace, at posisyon sa ekosistema; ngunit ang enterprise-level deployment ay nasa maagap na yugto pa rin ng paglipat mula sa "personal efficiency" patungo sa "organizational efficiency", at ang ganap na pagiging matatag ay inaasahang mangyayari paligid ng 2028-2030.

• Pinakamahuling makikita (2030–2032 at pagkatapos) —— Pangkalahatang autonomous Agent layer (tulad ng Manus, Operator), multi-Agent collaboration paradigm, fundamental architectural innovation, at embodied intelligence "brain" layer (VLA models). Ang pangkalahatang autonomous Agent at multi-Agent collaboration ay nagtatagpo ng mga malalim na problema tulad ng reliability, cost structure, responsibility boundaries, at cross-domain protocols, at mas mabagal ang pagkakasundo kaysa sa pure digital layer; ang architectural layer ay kasalukuyang nagpapakita ng "surface convergence ng toolkit" (Transformer + MoE + post-training + memory architecture), at ang totoong fundamental innovation ay inaasahang mangyayari lamang pagkatapos ng 2030.

[Mahalagang pahayag ng katotohanan]: Ang mga antas na nabanggit ay batay lamang sa makatotohanang pagtataya ng kasalukuyang signal—nagbibigay ito ng isang pakiramdam ng oras, hindi ng isang oras na talahanayan. Bago ang 2030, patuloy pa ring umuunlad ang arkitektura, anyo, at mga dimensyon ng kompetisyon; pagkatapos ng 2030, maaaring magsimula ang mga patakaran ng laro na "magkakasaligan" muli.

Timeline 2: Pagsasara ng window · Inaasahan noong 2026-2030 (una ang pagsasara ng Frontier Model Layer)

Ang pangunahing obserbasyon ni Klepper ay "sarado ang entry window mas maaga kaysa sa signal ng shakeout"—bumaba ang rate ng pagpasok sa industriya ng kotse noong 1910 kumpara sa pagkakakilanlan ng shakeout noong 1920-1960, na may pagkakaantala ng 10-15 taon. Sa ilalim ng digital era na komprimo 3-5 beses, ang gap na ito ay komprimo nang katumbas na 2-5 taon—kaya ang entry window ay sarado halos 2-5 taon bago ang malalim na shakeout, o sa pagitan ng 2026-2030.

Ngunit kailangang tingnan nang may mga antas ang iba’t ibang yugto ng pag-close:

• Mga modelo sa harap: Pinakamuna na isarado, bilang isang bagong pumasok sa layer ng mga harap na modelo, hihirapan na sa 2027-2028—ang kombinasyon ng computing power, talento, at tiwala ng mga kumpanya ay malapit na sa katapusan; sa 2026, makikita ang paghahatid ng venture capital sa buong mundo patungo sa ilang pribilehiyado lamang sa layer ng mga harap na modelo.

• Protokol at toolchain layer: Mas maaga ang pag-close; kapag naging pangunahin ang mga protokol tulad ng MCP/A2A, ang mga nagtatapos na pumasok ay kailangang mag-connect sa ecosystem, hindi magbuo ng bagong sistema

• Antas ng aplikasyon at antas ng anyo ng produkto: Mas maluwag; ang antas ng programming agent ay mabilis na nagkakaroon ng komersyal na integrasyon mula sa mga pangunahing produkto, kaya ang pagkakataon ay nagsisimulang magsarado; ngunit mayroon pa ring sapat na puwang para sa pagpasok sa antas ng aplikasyon tulad ng mga native na multimodal na produkto at mga办公/桌面 Agent, at mayroon pa ring pagkakataon hanggang 2028-2032.

• Layer ng integrasyon sa patakarang pana-panahon: Buksan sa matagal, ang window para sa integrasyon ng AI sa mga pana-panahong industriya tulad ng kalusugan, batas, at edukasyon ay maaaring magpatuloy hanggang pagkatapos ng 2035

Pangunahing kahulugan: Magkakaiba ang antas ng pagkakataon sa iba’t ibang estratehikong posisyon—ang pinakamaliit na bintana ay sa frontend model layer, habang mas malaki ang bintana para sa application layer at vertical integration.

Timeline 3: Deep Shuffle Begins · Estimated 2030–2035 (Primarily occurs at the frontier model layer)

Mas mabilis ang compound mechanism ng Klepper sa digital age—maaaring makamit ang compound effect na katumbas ng 30 taon sa manufacturing era sa loob ng 8-10 taon. Ang pagkakaiba sa kapasidad sa pagitan ng mga kumpanya ay magkakaroon ng exponential na paglago sa loob ng window na ito at magiging hindi maibabalik.

Ngunit ang lakas ng deep shuffle ay nababahagi ayon sa layer:

• Ang pinakamalalim na pagkakasunod-sunod sa layer ng mga modelong nangunguna: pagkakaisa ng kakayahan, mga hadlang sa kapital ng computing power, at pagkakalagay ng tiwala sa mga kumpanya—maaaring magkonsentrado sa ilang pangunahin

• Mas mababang pagbabago sa application layer at product form layer: Maaaring manatili ang ilang pangunahing player sa bawat layer, mas maraming long tail

• Halos walang pagbabago sa protokol layer: Kapag nakapag-stabil na, ang pamantayan ay pamantayan na

• Ang pagbabago sa antas ng pagsasama ng pambansang industriya ay nakakabatay sa lohika ng tradisyonal na industriya: ang AI ay isa lamang variable, ang ritmo ng pagbabago ng industriya mismo ang magiging pangunahin

Urgency ng pinto para sa mga negosyo

Tingnan ang mga timeline na ito nang magkasama, isang mahalagang konklusyon:

Ang karamihan sa mga kumpanya na may estratehiyang nakatuon sa malalaking AI model at mga aplikasyon nito ay maaaring mayroon lamang 2-4 taon para sa kanilang pagpapalit ng estratehiya—upang mabuo ang kanilang posisyon bago makamit ang pangunahing disenyo (lalo na sa antas ng anyo ng produkto) hanggang 2030, kailangan nilang tapusin ang pagpapasya sa direksyon at pagpili ng pagsali bago 2028; kung isasalin ito pabalik, ang 2026-2027 ay ang pinakamahalagang mga taon.

Ngunit may isang priyoridad sa timeline na ito: ang ekonomiya ng iskala at ang business model ay dapat makamit ang mahalagang paglipat bago ang 2027-2030. Ang pagsusuri sa pahina 7 ay magpapakita na ang "ang ekonomiya ng iskala at ang business model ay hindi pa nabuo" ay isa sa pinakatotoong obserbasyon noong 2026. Kung patuloy na hindi malulutas ang mga hamon sa business model hanggang sa 2028 at higit pa, ang bintana para sa pagkakaroon ng pangunahing disenyo ay maaaring ma-delay ng 2-3 taon—ibig sabihin, ang mga coordinate sa time na ito ay nakadepende sa dalawang priyoridad: "AI ay sumusunod sa Track A + ang ekonomiya ng iskala ay makakalipas sa loob ng 3-4 taon," at kung anumang isa sa mga ito ay magbago, kailangan muling i-adjust ang mga coordinate sa time.

Para sa mga bahagi na may sariling pisikal na anyo o sariling industriyal na lohika (tulad ng mga physically embodied AI hardware, AI + pagsasakop sa mga tiyak na industriya), ang mga takdang panahon ay dapat ayusin ayon sa kanilang sariling ritmo—ngunit ang panganib na "ang pagkakaiba sa bilis ng pagkakaisa ng kakayahan ay paulit-ulit na pinapalaki" ay may aplikasyon sa lahat ng antas.

Ito ang "panahon ng pag-unlad ng industriya ng AI"—nagbibigay ng isang masusing, kondisyonal, at eksaktong pag-unawa sa panahon batay sa isang framework ng pagsusuri.

Isang matalinong pagsusuri ay dapat makatitiyak sa pinakabagong datos. Gamitin ang mga nakikita mong trend sa industriya ng AI noong 2026, mula sa apat na aspeto—produkto, kumpanya, negosyo, at aktwal na sitwasyon—upang gawin ang isang reverse validation sa dating pagtataya tungkol sa “divergence zone”—pumili lamang ng anim na signal na pinakamalalim na nagpapaliwanag.

Verification 1: Ang arkitektura ay patuloy na bukas

Patuloy pa ang pag-unlad ng arkitektura noong 2026 sa maraming direksyon: Sa ilalim ng dominasyon ng Transformer, ang Hybrid Experts (MoE) sa Gemini 3.1 Pro, DeepSeek Ginagamit nang buong kalakasan sa mga modelo tulad ng V4; ang pagkalkula sa pagpapatakbo ay naging pangunahing aspeto ng kompetisyon para sa mga bagong bersyon tulad ng GPT at Claude; ang state space models (pamilya ng Mamba) at native agent architectures ay patuloy na nagtataguyod ng mga bagong pag-aaral noong 2025-2026; ang direksyon ng world models ay patuloy na pinapalakas ng mga lider sa larangan tulad ni Fei-Fei Li at Yann LeCun. Ang context window ay patuloy na umuunlad mula sa ilang daan libo hanggang sa antas ng 2 million tokens; ang pagbaba ng marginal returns ng Scaling Law ay nagsimulang pag-usapan noong 2026—lahat ng ito ay nagpapakita na ang teknikal na landas ay patuloy na binabawasan muli.

Kongklusyon: Ang arkitektura ay patuloy pa ring nasa proseso ng pagbabago. Ang mga teknikal na pagkakataon na nagtataguyod ng disenyo ay hindi pa lubos na natutugunan—ito ang direktang ebidensya ng aspeto ng “patuloy pa ring bukas ang produkto” sa “zone ng pagkakahati”.

Pagsubok 2: Totoo na nagsisibahagi sa antas ng korporasyon—ngunit ang sitwasyon ay maraming grupo na nagkakasabay

Ang tunay na kalagayan ng layer ng mga modelong nangunguna noong 2026 ay isang istrukturang paralelo ng maraming grupo, at walang tiyak na lider:

• Pangunahing grupo sa Estados Unidos: OpenAI, Anthropic, Google bilang pangunahin, kasunod ng Meta (Llama series), xAI, at iba pa

• Mga bansa na may open roadmap sa Tsina: DeepSeek 、Qwen、 Kimi , Zhipu, Doubao , Hunchun, atbp., ay bumuo ng sariling kompetensya sa mga aspeto tulad ng gastos, open source, maraming wika, at mga pambansang escena

• Europe/others: Mayroon ng lugar sa open-source ecosystem ang Mistral at iba pa

Samantala, malinaw ang mga signal ng pagkakahati-hati: ang bahagi ng trapiko ng mga gumagamit ng ChatGPT ay bumaba nang makabuluhan mula sa dating pangunahing dominasyon, ang paggamit ng Gemini ay tumataas sa mga bilang na taun-taon, at ang Anthropic ay nakakamit ng mabilis na paglago sa mga escenario ng negosyo at developer, na ang kanilang ARR ay nasa antas ng milyar dolyar, at ang kanilang kaukulang kita ay nasa sukat ng sampu’t milyon dolyar.

Kongklusyon: Ito ay ganap na sumasalamin sa paghuhusga ng "divergence zone"—mayroon pa ring bukas na格局 na may maraming grupo sa antas ng produkto (hindi pa nakakatukoy ang arkitektura o ruta), ngunit sa antas ng kumpanya, ang pagkakaiba sa kakayahan sa pagitan ng mga lider at hindi lider ay nagsisimula nang malinaw na magkahiwalay. Mahalagang tandaan na ang "capability divergence" ay hindi katumbas ng "mga kaunting kumpanya lamang ang mananalo"—maaari itong maging "maraming grupo na nagtatayo ng sariling distansya."

Pagsubok 3: Ang istruktura ng industriya ay umuunlad patungo sa "pagkakasunod-sunod at pagkonsentra + maraming modelo na pinag-uugnay"

Ang "layered concentration" at "multi-model orchestration" na hinulaan ni Lakhani ay mas malakas na na-verify sa realidad noong 2026:

• Mga modelo sa harap: Maraming pangunahing manufacturer at maraming grupo na nagtatayo nang sabay-sabay (tingnan ang 7.2)

• Layer ng Corporate Integration: Microsoft (+OpenAI), Google Workspace AI, Salesforce Einstein, atbp. ay nagpapalaganap nang hiwalay-hiwalay

• Buksan ang antas ng ekosistema: DeepSeek (Maabot na gastos sa pag-iisip), Llama, Mistral ay nakabase sa

• Mga espesyalisadong layer: NVIDIA (GPU), AMD/Intel, Cerebras/Groq (mga bagong arkitekturang chip) — ang pagpasok sa layer na ito ay tinatapos ng pagkolekta ng kapital na inilarawan sa Seksyon 5.1

Samantala, ang multi-model orchestration ay naging pangunahing paggamit mula sa "emerging pattern"—hindi na nagtatanong ang mga user kung "aling model ang pinakamalakas," kundi "aling model ang pinakamalakas sa anumang sitwasyon": ang paggamit ng Claude para sa pagsulat at programming, ang Gemini para sa paghahanap at pagsusuri, at ang ChatGPT para sa image generation at pangkalahatang talakayan, ay naging karaniwan.

Kongklusyon: Ang hierarchical centralization hypothesis at ang multi-model orchestration ay parehong tama—at mas mabilis ang evolusyon ng hierarchical centralization kaysa sa inaasahan.

Verifikasi 4: Ang panahon ay tunay na binabawasan

Ang pangunahing ebidensya sa pagkakabawas ng panahon ay mula sa apat na kurba: "bilis ng pagtatangkilik, pagdating ng kapital, pagbaba ng gastos, at pagpapalawig ng kakayahan":

• Bilis ng pagtatanggap: Dumating sa 100 milyong user ang ChatGPT sa loob ng halos 2 buwan, isa sa pinakamabilis na pagtatanggap sa kasaysayan ng mga produkto para sa konsumidor.

• Bilis ng pagdaloy ng kapital: Ang Anthropic ay nagsimula mula sa pagkakatatag hanggang sa makamit ang ARR sa antas ng milyar dolyar sa loob lamang ng apat na taon—ang panahon ng paggawa ay nangangailangan ng ilang dekada

• Bilis ng pagbaba ng gastos: Ang presyo ng Token ng mga pangunahing malalaking modelo ay bumaba ng humigit-kumulang dalawang antas ng pagkakaiba sa loob ng mga nakaraang 3 taon, at ang presyo ng pagpapatakbo ng mga pangunahing bukas-sourcem at mura na modelo ay nasa antas na “senti bawat milyong Token”

• Bilis ng pagpapalawig ng kakayahan: Mula sa GPT-3 hanggang sa GPT-5 series sa loob ng higit sa 6 taon—sa panahon ng paggawa, karaniwang kailangan ng 5-10 taon ang isang generasyon ng produkto para sa pagpapalawig

Konklusyon: Ang pagkompres ng iskala ng oras ay hindi lamang tama, kundi sa ilang partikular na kurba (pagtanggap, gastos, iterasyon ng kakayahan), ang antas ng pagkompres ay maaaring umabot sa 5-10 beses. Gayunpaman, dapat maging babala—ang bilis ng pagkompres sa mga partikular na kurba ay mas mabilis kaysa sa pangkabuuang pag-unlad ng industriya, dahil ang pangkabuuang pag-unlad ng industriya ay nakaaapekto rin sa mga malalim na salik tulad ng pagkakaroon ng isang patatag na negosyo model, pagkakatukoy ng regulasyon, at pagkakamit ng ekosistema, at nananatili pa rin sa median na 3-5 beses na inihayag sa Seksyon 5.3. Sa ibang salita, ang "signal side" (kurba) ng pag-unlad ng AI industry ay naging malinaw na mas mabilis, samantalang ang "structural side" (pagkakatatag ng pangunahing disenyo) ay nangangailangan ng mas mahabang panahon para sa pagpapadama.

Verification Five: Ang ekonomiya ng iskala at ang matatag na negosyong modelo ay hindi pa nabuo

Sa limang pangunahing salik na idinisenyo ng lider, ang "pagkakaroon ng ekonomiya sa iskala" ay isang kinakailangang kondisyon—tanging kapag sapat na mababa at matatag ang gastos sa pagpapalaganap ng isang disenyo, malinaw ang modelo ng pagkakaroon ng tubo, at nabubuo ang positibong "pagsisimula-kalabasan-pagsisimula ulit" na flywheel, na maaaring magkaroon ng tunay na pagkakatigas ang lider na disenyo. Gamit ang pamantayan na ito upang tingnan ang mga malaking AI model at ang kanilang aplikasyon noong 2026, makikita na ang ekonomiya sa iskala at ang modelo ng negosyo ay malayo pa sa pagkakabuo:

• Ang mga gastos sa pagtuturo at pagpapatakbo ay patuloy na nagbabago nang malakas—bumaba ang presyo ng Token ng halos dalawang antas sa loob ng tatlong taon, at pumasok ang presyo ng pagpapatakbo ng mga pangunahing open-source at mura na modelo sa antas ng "senta bawat milyong Token"; patuloy pa ring umuunlad ang curve ng gastos, at malayo pa sa "stabilidad"

• Ang mga kumpanya sa lider ay patuloy na malalaking pagpapakilala—ang mga kumpanya ng mga modernong modelo tulad ng OpenAI at Anthropic ay nasa pagsisimula ng mataas na pagpapakilala at mataas na pagsasamantala; bagaman ang ARR ng Anthropic ay nasa antas ng daan-daang bilyon dolyar, patuloy pa rin ito sa "mas malaki ang pagpapakilala kaysa sa output" kumpara sa mga gastos sa pagtatrabaho at computing power.

• Mas mabagal kaysa sa inaasahan ang pagkamit ng ROI ng AI sa mga negosyo—maraming proyekto ng AI sa mga korporasyon ay nasa pahinga o pagsusulit pa lamang, at ang pagpapalit ng AI sa pagtaas ng kabuuang produktibidad ng mga salik, pati na rin ang positibong paglago ng ROI/ROE ay patuloy pa ring sinusubukan; ayon sa mga pag-aaral ng industriya noong 2025–2026 tulad ng McKinsey’s “State of AI” at MIT NANDA’s “GenAI Divide”, ang karamihan sa mga pagsisikap sa AI para sa negosyo ay hindi pa nakikita ang malinaw na positibong pagsasauli sa pananalapi

• Ang matatag na negosyo model ay patuloy pa ring sinusuri—mga subscription fee, pagbabayad batay sa Token, pagbabayad batay sa resulta ng Agent, custom na solusyon para sa negosyo, paghahati-hati sa API, open source + serbisyo... Ang bawat uri ng negosyo model ay may kanyang mga representante, ngunit wala pa sa estado ng "scalable profit + compound growth".

Kongklusyon: Ang positibong flywheel ng "pagsisikap-labas-pagsisikap" para sa malalaking AI model at ang kanilang mga aplikasyon ay hindi pa nabuo—ito ay direktang pagpapakita na ang mga salik ng ekonomiya ng sukat ay hindi natutugunan. Kung ang ekonomiya ng sukat at ang business model ay hindi pa nakakamit ang katatagan, masasabi na nasa likod ng pagkakaiba pa rin ito, dahil ito ang kinakailangang kondisyon bago makamit ang pagkakaisa mula sa panahon ng transisyon patungo sa espesyalisasyon.

Pagsubok 6: WAIC 2026 —— "Mas mataas ang antas ng isang tao, mas malaki ang pagkakaiba"

Ang WAIC 2026 na nagwakas noong Hulyo 2026 ay nagbigay ng direktang patunay mula sa panig ng "tao".

Apat na pinakamodernong paksa sa konperensya (pisikal na intelihensya, agham na intelihensya, pundasyon ng computing power, pamamahala ng mga agente) ay isinasaalang-alang rin bilang direksyon ng “susunod na yugto”—ang pagkakaroon ng maraming sangay na nagcoexist, na walang iisang ruta ang mananalo, ay karaniwang anyo ng panahon ng pagbabago. Ang isang makabuluhang pangyayari ay ang parehong oras na pagbigay ng dalawang magkakaibang pagpapasya ni Richard Sutton, tanggap ng Turing Award noong 2024, at ni Yin Qi, pangulo ng Step星辰:

• Sutton: "Ang AI ay patuloy na mahina at hindi mapagkakatiwalaan," "ang landas ng pagpapalipat ng kaalaman ng tao" ay "nabigla na sa limitasyon," at ang hinaharap ay kailangang lumipat sa "panahon ng karanasan"

• Yin Qi: "Ang kakayahan ng modelo noong 2026 ay papasok sa mahalagang kritikal na punto," "ang industriya ay nasa paa ng bundok ng AGI," ang mga agent ay magiging "pinakamaliit na yunit ng produktibidad"

Sa parehong lugar at parehong oras, dalawang napakakatawan na mga tao ay nagbigay ng halos magkabaligtad na sagot sa tanong, "Saan tayo talaga?" Samantala, si Yoshua Bengio ay nagbabaalang-alang na "hindi pa handa ang lipunan sa mas kayang at mas independiyenteng mga sistema," habang si Xue Lan mula sa Tsinghua at si Mark Nitzberg mula sa Berkeley ay nagtakda ng hangganan sa "pagpapasya ng halaga" at "desisyon sa buhay at kamatayan"—at ang regulasyon at pamamahala ay patuloy pa ring nag-uusap tungkol sa mga prinsipyo, hindi pa sa mga pagsasagawa.

Kongklusyon: Kung talagang pumasok na ang AI sa "ikalawang kalahati" o "panahon ng pagpapatupad pagkatapos matukoy ang pangunahing disenyo," hindi magkakaroon ng ganitong malaking pagkakaiba ang mga pinakamahusay na mananaliksik at pinakamahusay na negosyante sa pinakabasehang tanong na "Saan tayo talaga?" Ito mismo ay malakas na ebidensya na nasa "zone ng pagkakahati" pa tayo.

Comprehensive verification: Ito ang "divergence zone"

Tingnan ang mga nakaraang anim na grupo ng pagpapatotoo nang magkasama—hindi ito anim na hiwalay na bagay, kundi anim na independiyenteng pananaw na nagpapatibay sa iisang konklusyon. Isang pangungusap na pagsasapulot:

Nasa "divergence zone" ang mga malalaking AI model at ang kanilang aplikasyon—ang paghahati-hati ng produkto ay patuloy na bukas, ang pagkakaiba-iba ng kakayahan ay nagsimula na, at ang business model ay hindi pa nakakapagpapatakbo. Ito ay resulta ng tatlong pagpapatotoo: Ikatlong Bahagi (Paghuhusga sa Yugto), Ikaanim na Bahagi (Koordinadong Oras), at seksyong ito (Mga Trend para sa 2026)—hindi isang iisang pananaw na paghuhula.

Bumalik sa dalawang unang tanong—kanino tayo, at paano ang paggalaw sa hinaharap.

Ang paggamit ng isang pagsasama-samang framework ng dalawang klasikong analytical tool, kasama ang mahigpit na pagsusuri ng limang pangunahing factor, at ang reverse validation ng pinakabagong trend noong 2026, ay maaaring magbigay ng malinaw na sagot sa kasalukuyang AI large models at kanilang aplikasyon.

Saan tayo—ang malalaking AI model at ang kanilang aplikasyon ay kasalukuyang nasa "zone of differentiation" kung saan nagmumula sa late liquidity stage patungo sa early transition stage. Ang mga salik na nagpapabuo sa pangunahing disenyo ay kasalukuyang natutugunan lamang ang 1 (bahagya); ang产业结构 ay maaaring mag-evolve bilang "layered concentration" kaysa "single winner".

Paano ang hinaharap na ritmo—ayon sa hirarkikal na time coordinate, ang pangunahing disenyo ay maaaring magsilang sa paligid ng 2027-2030 sa mga sub-layer, habang ang malalim na pagbabago ay lalabas sa 2030-2035, na nagbibigay ng 2-4 taon na oras para sa strategic adjustment ng mga negosyo.

Ang paghahati-hati ay nangangahulugan na: ang pagkakaroon ng pagkakasunod-sunod sa iba't ibang estratehikong posisyon (pangunahing modelo layer / application layer / vertical integration layer) ay hindi magkakapareho, ngunit ang patakaran na "compound capability gap" ay sumasaklaw sa lahat ng mga layer. Ito ay isang hinati at kondisyonal na pagkakaroon ng oras, hindi isang eksaktong timeline—ang tiyak na ritmo ng pag-unlad ay magkakaroon ng pag-aayos batay sa mga panimulang kondisyon tulad ng Scaling Law at mga trend ng pagkakahati.

Para sa mga tagapagdesisyon ng kumpanya, ang dalawang pagpapasyang ito ay bumubuo ng isang time coordinate. Sa itaas ng coordinate na ito, mayroon pa isang mas pangunahing tanong na sagutin: Sa ganitong yugto at sa ganitong time window, paano dapat isipin, gawin, at i-adjust ng kumpanya ang sarili nito?

Iisipin ng may-akda ang tanong na ito sa susunod na artikulo…

Ang artikulong ito ay galing sa WeChat account na “Tencent Research Institute” (ID: cyberlawrc), may-akda: Li Hongsheng