AI 產業演進進入「差異化階段」，主導設計滯後

本文約18000字，核心結構如下：

• 對 AI 發展的直觀或抽象判斷可能難以有效指導決策

• 兩個經典的產業演化分析工具（Utterback + Klepper）

• 使用合併框架分析：當前 AI 產業處於什麼階段？

• 一個必須追問的新問題：未來節奏如何？

• AI 產業演化的時間尺度：從製造業時代到數位時代

• AI 變革的具體時間坐標（推演）

• 使用最新趨勢進行反向驗證

打開手機，關於 AI 的動態幾乎每天撲面而來：某模型剛剛發布，性能又一次超越；某公司拿下新的融資，估值再創新高；某平台的用戶數突破新紀錄；某排行榜上，昨天的領跑者今天已經被反超。資訊密度和速度，都遠超以往任何一次技術變革。

走進 7 月剛落幕的 WAIC 大會，這種感受仍在持續。會場內滿是不斷刷新的數據、不斷超越的性能、不斷更新的技術參數和產品形態；從前沿實驗室、大廠、創業公司，到傳統行業玩家、終端廠商、科研機構，越來越多不同類型的企業都在密集進場，嵌入到這場龐大的技術產業革命當中。

資訊如此密集、參與者如此眾多，會自然帶來兩種容易出現的反應。

一種是焦慮——我是不是落後了？我的公司是不是正在錯過什麼？如果這週不行動，是不是下周就來不及了？

另一種是判斷衝動——誰已經贏了？誰已經出局？這個產業的格局是不是已經差不多定了？

兩種反應背後其實是同一個問題：AI 這個產業，目前到底處於什麼階段？我們又如何理性地做出這個判斷？

當下也有一些流行說法——例如「AI 已經進入了某個新階段」。基於各自視角，這些判斷都有其合理性和依據。但對於需要做出嚴謹戰略判斷與決策的企業決策者來說，可能有更基本的問題需要先釐清：我們憑什麼判斷上一個階段已經結束？憑什麼確定 AI 已經進入某個新階段？具體特徵是什麼？內在有什麼規律？完整的週期又分為哪些階段？這些問題需要一套更嚴密、科學的分析框架，才能得出更可靠的判斷——這正是當下 AI 變革中極易被忽視、代價也可能極大的問題。因為對產業階段的錯誤判斷，會直接影響資源投入的方向、節奏與優先級——認錯了階段，所有的行動都可能偏離。

在當下的 AI 討論中，已有不少學者開始對產業所處階段進行分析和判斷，其中，哈佛商學院教授 Karim Lakhani 於 2026 年 3 月在其個人 Substack 發表的長文《From Ferment to Dominant Design》就是較有代表性的一次嘗試。他借用兩位在產業創新研究領域享有極高聲譽的學者——James Utterback（麻省理工學院）與 Steven Klepper（卡內基梅隆大學）——各自用數十年時間、基於多個產業的完整歷史數據構建起來的分析工具，對 AI 大模型競爭做了階段判斷，並提出了幾個原創觀察（後文會展開）。他的核心結論是：AI 目前處於晚期流動期，主導設計尚未確立；產業秩序應被視為一個待定的問題，而不是一個已給出的結論。這與本文的方向一致，也是筆者在整理這套框架時吸收的重要觀點源之一。

本文將完整展開兩位學者的經典框架，探討針對數位/AI 時代的延伸分析框架，並結合 2026 年最新產業數據與進展，先嚴謹判斷當前 AI 產業演進所處階段，再追問 Lakhani 教授未回答、但對企業決策者極為關鍵的問題：根據產業演化的普遍規律，在主導設計確立、深度洗牌顯現後，未來節奏將如何？

這就是本文所說的「AI 產業演化的時間尺度」——我們目前的位置以及未來的節奏。

這兩個經典工具，是產業創新研究領域最具影響力的公共學術資產。它們的價值不在於抽象理論，而在於都是從大量歷史數據中總結出、並經過多次實證檢驗的規律。

Utterback 的產業演化三階段：從「產品維度」看

James Utterback 是麻省理工學院 Sloan 管理學院教授，也是產業創新與技術演化領域的開創性學者之一。他與 William Abernathy 於 1975 年合作的經典研究，觀察了數十個製造業產業的技術演化歷史，並在 1994 年的集大成著作《Mastering the Dynamics of Innovation》中系統化了一個驚人一致的規律：幾乎所有產業的技術演化，都遵循一個可識別的三階段時序。

流動期（Fluid Phase）——大家都在試。產品該長什麼樣、客戶到底要什麼、什麼是「夠好」，都還沒有答案。多種設計並存競爭，進入門檻低，創新集中在產品層。核心問題是：產品應該是什麼？

過渡期（Transitional Phase）——某些設計選擇開始穩下來，一個主導設計（Dominant Design）浮出水面。創新重心從「產品該是什麼」轉向「如何把產品做得更便宜、更可靠、更規模化」——從產品創新轉向工藝創新。核心問題變成：客戶到底最看重什麼？

專門期（Specific Phase）——產品設計基本定型，競爭轉向效率——誰做得更便宜、更可靠、更規模化。創新變為漸進式，產業高度集中。核心問題變成：誰能更可靠、更便宜、更規模化地交付？

這個模型的關鍵洞察是：在三個階段中，「誰在領先」完全不同。流動期的贏家能力（試驗、速度、想像力、容錯）與專門期的贏家能力（規模、成本、紀律、可靠）截然不同。一家公司在流動期領先，並不等於它有能力在專門期繼續領先——這也是為何在許多產業變革中，「當年領跑者最終出局」的深層原因。

此外，Utterback 後來與 Suárez（1993）進一步指出，產業演化未必都會經歷全部三個階段——有些產業最終會形成主導設計（A 軌跡），有些則可能長期停留在多路線並存（B 軌跡）。

2.1.1 Key Concepts: What Is a "Dominant Design," and Will It Still Exist in the AI Era?

在三個階段中，主導設計（Dominant Design）是最核心的概念，有必要展開做一些介紹。

主導設計不是「某一家公司的產品勝出」，而是「某一套技術組合和產品形態成為整個行業的事實標準」。它一旦確立，後來者要參與競爭，就必须在這套設計的基礎上做——偏離它的產品，幾乎難以避免被邊緣化。

最經典的例子是 1908 年的福特 T 型車——它確立的不是「福特這個品牌勝出」，而是「汽油內燃機 + 前置發動機 + 後輪驅動 + 流水線生產」這套組合，成為整個汽車行業接下來幾十年的默認答案。此後的車企都是在這套主導設計的框架內競爭誰做得更好，而不是再去挑戰「汽車該長什麼樣」。

一旦主導設計確立，產業的遊戲規則便悄然改變：創新重點從「產品該是什麼」轉向「如何把產品做得更便宜、更可靠、更規模化」——從產品創新轉向工藝創新。這也是過渡期與專門期之間最關鍵的分水嶺。

一個自然的追問：在 AI 時代還會有主導設計嗎？

我認為：答案是肯定的，但其形態將與製造業時代不同。只要產業需要規模化交付、需要生態協同、需要用戶預期穩定，就一定會形成某種「事實標準」——這是產業運行的經濟學要求。互聯網時代雖然節奏更快，但依然出現了 TCP/IP、HTTP、HTML、Chromium 內核等一層層的主導設計。

不過，AI 時代的主導設計更可能是「分層的、多個的、可組合的」——不再是「一種產品形態一統天下」，而是在技術棧的不同層各自出現事實標準，並透過介面和協議連接起來。

換句話說，AI 時代的主導設計可能不是「下一款 T 型車」，而更接近一套類似「TCP/IP + HTTP + HTML」的分層協議棧——每一層各自穩定，層與層之間透過標準介面協作。當前已出現的 MCP（Model Context Protocol，模型上下文協議）、A2A（Agent-to-Agent）網路，以及事實上的 API 調用規範，都可能是這類「下一代主導設計」的雛形。主導設計並未消失，只是改變了呈現方式。

2.1.2 Historical Data Verification

Utterback 三階段模型的可靠性，來自它對多個主導設計確立過程的準確刻畫：

• 汽車產業：1908 年福特 T 型車確立主導設計後，汽車產業迅速從流動期進入過渡期。

• 電視產業：早期黑白電視與多種彩色方案並存，1953 年 NTSC 彩色電視標準確立後進入過渡期。

• 個人電腦：1970 年代末出現了 Apple II、TRS-80、Commodore 等多種架構，直到 1981 年 IBM PC 架構 + Wintel 聯盟出現，主導設計才最終確立。

• 智能手機：在 2007 年 iPhone 發布之前，市場上有黑莓、諾基亞 Symbian、Windows Mobile 等多種設計。iPhone + iOS/Android 的組合成為主導設計後，其他路線迅速退出主流。

Common characteristic: All undergo a phase of coexisting multiple pathways, after which a specific combination becomes the dominant design. The consistency of this pattern forms the empirical basis of the Utterback model.

2.2 Klepper 的產業人口動態：從「企業維度」看

Steven Klepper 是卡內基梅隆大學經濟學教授，產業組織與企業演化研究的頂尖學者。早在 1982 年，Klepper 就與 Michael Gort 合作首次提出了產業經濟學意義上第一個正式的產業生命周期數學模型（學界通常稱之為 G-K 模型），此後他又獨立發表了一系列深化研究。基於對多個產業幾十年歷史數據的系統性研究，Klepper 發現了一個在產生與發展過程中，企業進出的一致性規律：

進入上升 → 企業數達峰 → 大洗牌 → 少數頭部企業主導。

這個規律的實證基礎，是他對美國汽車產業 1895-1966 年每一家進入企業的起源、位置和生產年份的完整追蹤。數據是這樣的：

這裡有一個驚人的悖論：

從峰值到 1960 年代深度整合大約用了 50–60 年，但期間美國汽車年產量按對數尺度增加了幾百倍。換句話說，產業變得極其龐大，企業數量卻變得極其稀少。產業沒有掙扎，它在蓬勃發展；死去的是弱者，不是需求。

Klepper 還在多個產業中驗證了同一規律，讓這個「上升-達峰-下降」的形狀不再是汽車產業的特例——電視機產業（1950 年代初期超過 80 個參與者，隨後經歷相對快速的洗牌）、打字機、真空管、輪胎、青黴素等都顯示出相同的基本形狀。這給了 Klepper 理論堅實的實證基礎。

2.2.1 一個關鍵理論：能力差異複合理論

Klepper 用一個理論解釋了上述現象——能力差異複合理論：

Shuffling is not a sudden judgment by the market, but an inevitable result of compounded differences in corporate capabilities over time.

不同企業在創新、增長、降低成本能力上的差異，會隨時間呈指數級放大，直至弱者跌破生存線。這個理論有三個關鍵點：

第一、能力差異往往源於早期的偶然。企業進入產業的最初幾年，各家能力其實差不多，但由於關鍵決策、關鍵人才、關鍵機會的一兩次不同選擇，企業間開始出現能力差異。這些差異在最初看幾乎微不足道。

第二、能力差異會自我強化、指數級放大。能力稍強的企業獲得更多市場份額 → 更多資源和學習機會 → 能力進一步領先——這是一個正反饋循環。能力稍弱的企業則陷入相反的負反饋。多年過去，最初「微不足道」的差異被複合成「追不動」的鴻溝。

第三，當差異累積到「臨界差異」時，弱者就會被擠出。淘汰的種子在流動期早期就已埋下——表面上大家都在跑，實際上底盤的複合速率完全不一樣。

上述研究得出了一個值得企業管理者警醒的結論：等到財報變差再開始重視能力建設，已經晚了；等到看得見的洗牌信號出現再啟動能力升級，機會窗口已經關閉。真正決定誰能穿越洗牌的，是企業在早期是否把「能力複合速率」當作最重要的戰略變量。

2.2.2 另一個反直覺的重要觀察：進入窗口關閉得比洗牌信號更早

除了能力差異複合理論之外，Klepper 還有一個反直覺但極為重要的觀察——產業的「進入窗口」關閉得比「洗牌信號」更早。

回到汽車產業的數據：1907–1910 年企業數達到峰值後，1910 年之後新公司的進入率急劇下降——此時還沒有明顯的洗牌信號，產業仍在快速增長，媒體也未開始報導「某某公司退出」的新聞。真正明顯的洗牌（企業總數持續下降數十年）要到 1920 年之後才展開。也就是說：

• 約 1910 年——從外部看仍是「繁榮景象，每家都在做汽車」，但新進入的窗口其實已開始關閉（真正想進場的新玩家已越來越少）

• 1920–1960 年——洗牌信號開始出現，媒體開始報導整合，此時普通觀察者才意識到「哦，行業正在整合」

• 當觀察者反應過來時，進入窗口已關閉整整 10-15 年

這項觀察具有強烈的現實意義：企業不能等到「看得見的洗牌信號」出現才決定是否進入某個產業或某個層級——因為當信號顯現時，進入窗口早已關閉。真正明智的進入判斷，必須在「表面仍繁榮、大家都在進入」的時候，就已完成對「窗口是否正在關閉」的獨立判斷。

這項觀察將在後續討論 AI 時間座標時被重新引用——AI 大模型的進入窗口，可能比大多數觀察者預期的更早關閉。

2.3 兩個工具各自有盲區，合併使用更有利於形成科學的產業階段判斷

兩個工具單獨使用，都有明顯盲區——Utterback 告訴你「產品設計如何演化」，但不告訴你哪些企業能活下來；Klepper 告訴你「企業如何被淘汰」，但不告訴你產品進程會怎麼變。只用一個工具，看到的都是產業演化的一半圖景。

一個產業的完整演化，同時包含「技術設計的收斂」和「企業人口的洗牌」兩個過程——前者 Utterback 的工具可以回答，後者 Klepper 的工具可以回答。這兩個過程有關聯但不完全同步——主導設計的確立通常發生在企業數量達峰之後、洗牌加速之前。

汽車產業就是這樣：1907-1910 年企業數達到 275 家的峰值，1908 年福特 T 型車確立主導設計，1910 年後進入率急劇下降，1920 年後企業總數開始大幅減少。兩個過程相互影響，共同定義了產業演化的完整節奏。

同時使用兩個工具，即從「產品維度」和「企業維度」兩方面來觀察產業——任何對產業演化階段的判斷，只有當兩個維度的觀察相互印證時，才更可靠、更科學。

3.0 分析範圍說明

"The AI revolution" is a very broad concept. This article’s analysis focuses on the interconnected and co-evolving whole of "AI large models and their applications and related products"—including the foundational large models themselves, applications and product forms built around these models (such as dialogue/programming/Agent/copilot/multimodal/model-driven embodied intelligence), and closely related complementary assets (cloud computing, computing power, chips, toolchains, evaluation systems). These three components are not three separate industries, but rather three interdependent levels within a single industry’s evolutionary process.

不包含在本文分析範圍內的：涉及獨立物理形態或獨立行業邏輯的部分——如人形機器人的機械/硬體主體、AI+醫療/法律/教育等垂直行業——它們各自具有獨立的產業規律，無法直接套用本文的時間坐標。

3.1 從 Utterback 的鏡頭看：每一層都還在流動期

從 Utterback 的三階段模型來看當前的 AI 大模型及其應用，會發現幾乎每一個重要層面都仍存在爭議。

架構層：Transformer 會是終局嗎？還是混合專家（MoE）、狀態空間模型（Mamba 家族）、世界模型、推理時計算、Agent 原生架構中的某一個分支會最終勝出？2026 年頭部廠商在 MoE 路線上大規模投入的同時，世界模型、Agent 原生等替代方向也在持續獲得學術界與產業界的重要推進；Scaling Law 邊際收益遞減的公開討論，也讓業界重新審視「是否還有其他底層可能」。架構路線遠未收斂。

產品形態層（AI 最終會以何種產品形式交付給用戶和企業）——當前並行競爭的至少有六種形態：

六種形態既相互交疊又互相競爭，沒有任何一種可以說自己已經勝出——這正是流動期「多產品形態並存」的典型特徵。

競爭維度層：推理力、編碼、成本、延遲、上下文長度、多模態、Agent 能力 / 自主任務時長、可靠性 / 幻覺率、安全性 / 可控性——哪一個維度最終會被市場定義為「最重要」？每家廠商都在自己擅長的維度上宣稱領先，但市場對「什麼維度最重要」仍未形成共識。特別是「能獨立工作多長時間」這個新維度——從 2025 年的邊緣話題到 2026 年 WAIC 主論壇的核心指標只用了一年——本身就是競爭維度尚未定型的訊號。

From Utterback’s perspective, AI large models and their applications are clearly still in a fluid phase—multiple pathways coexist, product concepts remain uncertain, and competitive dimensions have yet to be defined.

3.2 從 Klepper 的鏡頭看：高進入期，但能力分化已在暗中形成

從 Klepper 的產業人口動態來看 AI 大模型產業，觀察到的是「矛盾並存」的現象。

一方面，全球 AI 大模型企業仍然處於高進入期——OpenAI、Anthropic、Google、Meta、xAI、Mistral，加上中國的百度、阿里、騰訊、 DeepSeek 、月之暗面、智譜、字節等，再加上無數專注特定場景的初創公司。新進入者仍在持續湧現，密集實驗的特徵極強。

另一方面，頭部企業的能力不對稱已悄然拉開——算力（誰能承擔超大規模訓練成本）、分發（誰掌握入口）、企業客戶（誰積累了行業信任）、組織學習速度（誰更快地將每輪技術進步轉化為產品與商業能力）。這正是「能力差異複合」正在悄然進行的現場——今天所見到的頭部與非頭部之間的差距，許多是過去 3-4 年「複合」出來的結果。

從 Klepper 的鏡頭來看，AI 大模型產業處於「高進入期，但能力分化已經開始」的狀態——相當於汽車產業 1900-1910 年，企業數仍在向峰值攀升，但已有一些玩家在悄悄拉開身位的位置。

3.3 主導設計的嚴謹檢驗：五個促成因素

此前基於 Utterback + Klepper 的分析已指向一個判斷：AI 大模型及其應用處於晚期流動期。這一判斷值得再次進行可驗證的檢驗——筆者綜合 Utterback、Suárez、Christensen 等學者的研究論述，整理出主導設計的五個促成因素。歷史上主導設計的確立，通常需要其中至少 3-4 個同時具備：

• 因素一：技術層面的可行性——某種設計在綜合性能與工程可行性上出現清晰收斂，業界事實上向該方向匯聚，成為技術路徑上的「公認解」

• 因素二：互補資產的成熟——配套的供應鏈、標準、工具鏈、培訓體系、開發者生態圍繞該設計建立，形成生態鎖定

• 因素三：規模經濟的顯現——該設計的規模化交付形成「成本下降 + 單位經濟正向 + 商業模式跑通」的正向飛輪，投入-產出-再投入的循環開始轉動

• 因素四：主導廠商的推動——少數幾家具有市場影響力的企業選擇並推廣該設計，通過市場份額與生態號召力共同確立事實標準

• 因素五：政府／監管的介入——通過標準化立法、認證體系、監管框架強制或引導統一

福特 T 型車之所以在 1908 年成為汽車主導設計，正是因為技術可行（內燃機 + 前置發動機組合最優）、互補資產（加油站、維修網絡）快速跟進、規模經濟（流水線降低成本）、主導廠商（福特市場份額一度過半）、政府監管（道路標準、駕照制度）——五個因素幾乎同時滿足。

使用這五個因素逐一檢驗 AI 大模型及其應用的當前狀態，僅有 1 個部分符合，其他 4 個都還遠未實現——這正是本文判斷「AI 大模型及其應用仍處於晚期流動期」的具體依據：並非憑感覺，而是逐條對照得出。

In other words, the dominant design requires the threshold of "at least 3–4 factors present simultaneously," which AI is still far from achieving.

3.4 綜合階段判斷：從晚期流動期向早期過渡期移動的「分化帶」

綜合以上分析和五因素檢驗，可以得出一個綜合判斷：當前 AI 大模型及其應用處於晚期流動期，並已開始向早期過渡期移動——筆者稱之為：「分化帶」。

“分化帶”的核心含義可概括為：產品分層仍開放，能力分化已啟動

「分化帶」並非一個獨立的新階段，它描述的是在 Utterback 三階段理論中，流動期與過渡期之間的過渡地帶，也不預判 AI 最終一定會走完過渡期到專門期的收斂；作為一個描述性概念，它捕捉到當前客觀存在的一種雙面結構：

一面：在產品維度上，架構、形態和競爭維度仍處於開放狀態——多條路線並存，主導設計尚未浮現，屬於流動期尚未結束的部分。

另一方面：從企業維度來看，頭部與非頭部之間的能力差異複合已經啟動——算力、分發、企業客戶、組織學習速度的差距正在悄然拉開，這屬於早期過渡期已開始的部分。

兩面在同一時刻疊加，就構成了「分化帶」。這不是混亂，因為可見的模式和累積的不對稱已經存在；也不是塵埃落定，因為決定誰笑到最後的標準還未硬化。用一句話說清楚：外部還看似繁榮，能力差異複合已經啟動。

值得進一步納入的，是 Karim Lakhani 教授在 2026 年 3 月的長文中，基於同一分析框架提出的三個原創觀察——它們可視為對「分化帶」內部機制的進一步細化。

Lakhani 觀察一：架構開放 × 競爭不對稱 可以同時存在——架構層面的開放，和企業層面的分化，是可以並存的。Lakhani 給這個狀態起了一個精準的名字："結構化發酵（Structured Ferment）"，與本文的"分化帶"指向同一現象——只是本文更強調"能力分化"這一動力學，Lakhani 更強調"發酵"的多路線並存感。

Lakhani 的觀察二：分層集中假說——未來 AI 的產業結構可能不會收斂至「單一贏家通吃」，而是在技術棧的不同層面各自出現一批主導者：前沿模型層、企業整合層、開放生態層、專門補充層（雲、晶片、工具鏈、安全）各自形成主導者。

Lakhani 的觀察三：多模型編排是一種新興產業模式——真實的工作任務正被拆解成一條鏈：構思、檢索、起草、編碼、檢查、格式化、交付——不同模型在這條鏈的不同環節各有所長。真正決定勝負的，可能不是「哪個模型最強」，而是「誰能在正確的時刻，為正確的任務，調用正確的智能」。

3.5 當前階段的具體特徵歸納

綜合以上分析，當前「分化帶」階段的具體特徵可歸納如下：

那麼，如果 AI 大模型及其應用處於「分化帶」（由晚期流動期向早期過渡期移動），按照產業演化的一般規律，到主導設計確立、深度洗牌顯現，未來節奏如何？

這是一個對企業決策者至關重要的問題。因為時間感直接決定行動節奏——如果窗口有 20 年，可以從容佈局；如果窗口只有 3-5 年，很多動作必須立刻啟動。

一個非常自然的推論是：參考 Utterback 與 Klepper 的歷史數據。汽車產業從流動期到主導設計確立用了約 15-20 年，從峰值到深度整合用了 50-60 年——如果 AI 也遵循這個時間尺度，我們似乎還有很長一段時間。

但這裡有一個非常關鍵的問題——Utterback 與 Klepper 的兩個工具，它們的數據基礎都是製造業。製造業的產業演化時間尺度，是否可以直接套用到數字/AI 時代？如果不行，那真實的時間尺度又是怎樣的？這就是接下來要回答的問題。

製造業與數位時代的結構性差異——以及為何會加速

製造業的產業演化天然緩慢，是因為它有幾個共同特徵：

• 物理產品需要工廠、供應鏈、渠道——擴張受物理限制

建立規模經濟需要巨額資本和時間——工廠建設、供應鏈搭建都是長週期動作

• 用戶採納受限於實體分發速度——一輛汽車從生產到到達用戶手中需要數週甚至數月

• 技術演化受限於工藝、材料、生產設備的迭代節奏——每一代改進都要重建生產線

正因這些特徵，汽車產業的擁擠期約 20 年，從主導設計到深度整合又歷經數十年。這些時間尺度並非產業演化的「通用規律」，而是製造業特有的物理與資本約束的結果。

當這些限制被數位化打破時，四個特徵都在發生根本性變化，產業演化的時間尺度被直接壓縮：

• 分發的邊際成本接近零——一個 App 可在數月內觸及全球，ChatGPT 僅用約 2 個月便達成 1 億用戶，是歷史上採用速度最快的消費級產品之一。

• 規模經濟已轉為網絡效應和數據飛輪——製造業的規模經濟需工廠累積多年，數位產業的規模效應可在 1-2 年內建立指數級增長的自循環。

• 使用者採用受限於頻寬和終端，而非實體分發——從「數週數月」縮短至「幾分鐘下載即用」。

• 技術演化的限制在於人才與算力，而非工藝與設備——頭部企業在極短時間內累積了巨額資本、算力與人才（2026 年美國五大科技公司 AI 基礎設施投入合計承諾達到 7000 億美元級別），這種資本積聚速度是製造業時代無法想像的。

除了這四點根本性變化外，數字時代還額外疊加了兩條加速因素：

• 反饋迴路加速——數位產品可進行實時 A/B 測試，反饋從「年」縮短至「天甚至小時」，「學習速度」隨之加快，能力複合的時間被大幅壓縮）

• 全球化同步競爭——數字產業從一開始就是全球市場，玩家更多、競爭更快、洗牌更劇烈。

關鍵問題：這些差異會將數位時代的時間尺度相較於製造業時代壓縮多少倍？

六個數字時代產業的演化速度對照

我們來看幾個已經完成從流動期過渡到過渡期的數位產業：

智能手機（2007–2012）——2007 年 iPhone 發布，2008 年 Android 加入，2010 年前後 iOS + Android 雙頭主導格局清晰，2013 年前後 Nokia、BlackBerry、Windows Phone 基本退出主流。從流動期到過渡期定型：約 5 年。

社交網絡（2004-2012）——2004 年 Facebook 上線，2004-2008 年多家平台競爭（MySpace、Facebook），2010 年前後 Facebook 全球主導地位確立。從流動期到過渡期定型：約 6-8 年。

網頁瀏覽器（1994-2000）——1994 年 Netscape 上線，1995-1998 年瀏覽器大戰（Netscape vs IE），1999-2000 年 IE 主導市場。從流動期到過渡期定型：約 5-6 年。

雲計算 IaaS（2006-2015）——2006 年 AWS 上線，2010-2013 年多家玩家競爭，2016-2018 年三家頭部廠商格局清晰（AWS、Azure、GCP）。從流動期到過渡期定型：約 8-10 年。

電動汽車 （2010-？）——2010 年前後 Tesla 引領，2015-2020 年多家新勢力湧現，2025 年前後頭部格局初步形成但仍在過渡期。預計定型：約 12-15 年（涉及物理製造，略慢於純數字產業——這也提醒我們，AI 中涉及物理形態的部分，如具身智能的機械/硬體本體，會明顯慢於純數字部分）。

時間尺度壓縮的量化判斷

如何從上述五個產業時長數據得出可用的壓縮倍數？筆者設計了一套邏輯推演方法。

第一步 · 選定基準產業

基準產業需滿足三個條件：

結構完整：走過流動期 → 過渡期 → 專門期全過程

可查證的數據：企業進出、主導設計確立、深度整合具可核實的歷史數據

時間跨度足夠長：能提供未經壓縮的原生時間尺度。

Klepper 系統追蹤的美國汽車產業 1895-1966 年數據同時滿足這三點。

但仍需追問：製造業內部的產業週期本身也不是均勻的（電視機 T1 約 6-8 年，汽車 T1 約 15-20 年，兩者已接近 2 倍差異），憑什麼把汽車作為「製造業時代」的代表基準？

這可以從 5.1 的分析框架進行探究——六個結構性因素（物理分發、規模經濟、用戶採納、技術演化、反饋循環、全球化競爭）框架不僅可以解釋「製造業 vs 數位」之間的差異，也可以解釋「製造業內部」的差異。電視機（1946 起步）之所以比汽車（1895 起步）快 2-3 倍，本質上是因為電視承接了上一代產業（廣播）在這六個因素上已經累積的資產——分發網路、電子管製造工藝、用戶認知、技術底座都不需要從零開始建設。

這個洞察揭示了一個更深層的規律：時間尺度的壓縮並非僅由「製造業到數位時代」這一次跳躍所產生，而是一個持續多代、多因素累積的連續加速過程。選擇汽車作為基準的核心理由，不僅在於「結構完整、資料可查、跨度長」這三個表面條件，而是汽車是「從零建設」最完整的案例：六個因素都必須從零開始，沒有任何前置產業可以承接，代表了未被前置累積加速過的原生時間尺度。以它為基準得出的壓縮倍數，可大致推算出「數位時代累積加速的最大值」。

第二步 · 對照五個數字產業

以汽車 T1（15-20 年）為基準：

第三步· 使用六因素框架對 AI 進行分類

回到六因素框架——一個產業在六個因素上被前置累積加速的程度，直接決定它的壓縮倍數。按這個邏輯看表格裡的數據：

電動汽車：壓縮最小（1.3-1.5 倍），因為它仍需獨立建設物理製造、供應鏈、硬體迭代三條鏈路；

純數位產業，如瀏覽器、雲端運算等：壓縮 2-3 倍，因為它們承接了 PC 時代和互聯網早期的累積；

智能手機應用生態：壓縮幅度最大（3–4 倍），因為它出現在數位基礎設施高度成熟之後——六個因素中幾乎所有前置約束都已被解決。

那麼，AI 大模型及其應用屬於哪一類？筆者分析認為：

它出現在數字時代最晚的位置——雲計算、互聯網、移動設備、開發者生態、數據基礎設施都已高度成熟；同時 AI 自己又帶來了兩條前所未有的自加速回路——網絡效應和數據飛輪（用得越多→數據越多→模型越強→更多人用）。

根據六因素框架推演，AI 的壓縮倍數應在 3-5 倍之間：下限 3 倍參照表格中已確認的「晚期加速」產業（如瀏覽器、智慧型手機應用生態）；上限 5 倍是考慮 AI 獨有的雙自加速迴路後所做的外推——這在歷史上尚無先例，屬於合理但仍待驗證的估計。

跨代總覽與綜合預估

將以上分析總結，可以得出一張完整的跨代對比總覽：

綜合預估：從製造業時代到數字時代，產業演化的時間尺度大約壓縮了 3–5 倍；預估 AI 大模型及其應用的實際壓縮倍數落在這個區間的中上段。

【必要的誠實說明】：上述對照採樣僅納入了已完成主導設計確立的數字產業，未納入 VR/AR、元宇宙、Web3/ 區塊鏈應用等至今仍未收斂的產業——它們全部遠超 3-5 倍壓縮預期，仍處流動期。也就是說，「3-5 倍壓縮」預設了 AI 會走「已收斂數字產業的路徑」。這個路徑前提如果生變，那麼 3-5 倍壓縮需要相應校準。

在得出時間尺度大約壓縮了 3-5 倍後，我們可以往下分析 AI 大模型及其應用的具體時間坐標，當然這不是精確預測，而是基於歷史對照的合理預估。而且能做這種預估的前提是：AI 大模型會走 A 軌跡（形成主導設計），而非 B 軌跡（永久多元化）。

筆者的綜合判斷是：AI 大模型走 A 軌跡的可能性顯著高於走 B 軌跡——但形態不是「單一 T 型車」，而是「分層協議棧式的多層主導設計」。

除了前面 2.1.1 節從「產業運行的經濟學要求 + 互聯網分層協議棧」角度論證了這一點，以下三個當下可觀察的信號，也有力地支持這一判斷：

• 技術工具包已趨於標準化——Transformer 架構、預訓練 + 後訓練（SFT + RLHF/DPO）、多模態融合、工具調用／Agent 化，幾乎被所有頭部模型共同採用。這是歷史上主導設計前夜的常態。

• 子層的主導設計已在各自領域浮現——程式設計代理層已收斂至 Claude Code / Cursor / Copilot / Windsurf 模式；多模態原生產品收斂至「擴散模型 + 長時序保真」路線；企業 Copilot 層中，Microsoft 365 Copilot 已成為事實標準。不需要「整個 AI」同時收斂，子層已獨立形成小型主導設計。

• 協議層主導設計已現雛形——MCP（Anthropic 於 2024 年底提出，2026 年被 OpenAI / Google / Microsoft 陸續接入）、A2A 網絡——協議層的主導設計通常比產品層更持久（正如 TCP/IP 比任何一個瀏覽器都持久）

【必要的誠實說明】：兩個反向信號一旦成立，本文的時間坐標就需要重新校準：

反向訊號一：「越大越強」的公式可能失效。過去五年，AI 能力主要靠「更大的模型 + 更多的數據 + 更強的算力」這個粗暴公式推動（Scaling Law，縮放定律）。如果 2027-2028 年這個公式走到盡頭、且短期沒有強替代路線——業界會被迫分頭去試世界模型、Mamba、Agent 原生架構等完全不同的路線，目前看到的「技術收斂」就可能破裂。

反向訊號二：從「多陣營並行」演變為「各陣營各自的主導設計」。當下的多陣營並行本身是「能力分化」的正常表現——真正的風險，在於這種分化深化至「完全不再互通」。有兩股力量指向這個方向：一是具身智能的「大腦」（學術上稱為 VLA 模型）——由於需要實時感知與處理物理反饋，底層架構可能演化成與聊天大模型完全不同的路徑；二是中美兩大陣營在架構、協議、生態、監管上持續拉開距離。若從「統一的主導設計」演變為「幾個陣營各自的主導設計」，時間坐標可能發生變化。

三條關鍵時間線（推演）

繼續前面的分析，如果將 AI 大模型的產業化起點定位在 2020 年 GPT-3 發布（這是行業普遍認可的時間節點：Transformer 架構成熟、首次呈現湧現能力、首次形成企業級商用 API），以這個原點向後推演，筆者大概繪製了一張從 2020 年到 2035 年的時間總圖，共分四個階段：

向下詳細展開總圖，對企業決策者而言，有三條關鍵時間線值得進一步分析與關注（分析範圍：AI 大模型及其應用；涉及獨立物理形態或獨立行業邏輯的部分需根據各自演化速度另行判斷）。

時間線一：主導設計浮現視窗——分層浮現，預計2026-2032 分檔展開

不同子層的收斂節奏不同步，差異極大。基於當下可觀察的信號，可進行分檔估計（而非精確時間表）：

• 較早浮現（2026–2028 年前後）——協議層（MCP / A2A / API 調用規範）與程式設計代理層。協議層的迭代成本相對較低，跨廠商共識形成迅速，已具備事實標準雛形；程式設計代理層已出現清晰的產品形態收斂（Claude Code / Cursor / Copilot / Windsurf / 通義靈碼 等）。

• 中期浮現（2027–2029 年前後）——產品形態主線分為三層：通用對話助手、多模態原生產品（擴散模型 + 長時序保真路線）、嵌入式副駕駛（面向企業工作流的形態）。這三層已出現明顯的頭部收斂信號，頭部產品在客戶中的滲透率亦快速上升；但完整定型仍需 2–3 年。

• 較晚浮現（2028–2030 年前後）——辦公／桌面 Agent 工作台層（以 WorkBuddy、Coze／扣子、百煉等為代表）。主要靠生態綁定驅動，憑藉入口、協同辦公鏈路、生態位快速追趕；但企業級生產部署仍處於從「個人提效」向「組織提效」跨越的早期階段，完整硬化預計將於 2028–2030 年前後完成。

• 最晚出現（2030–2032 年及以後）——通用自主 Agent 層（Manus、Operator 類）、多 Agent 協作範式、架構層根本性創新、具身智能「大腦」層（VLA 模型）。通用自主 Agent 與多 Agent 協作面臨可靠性、成本結構、責任邊界、跨域協議等深層問題，收斂節奏明顯慢於純數位層；架構層目前表現為「工具包表面收斂」（Transformer + MoE + 後訓練 + 記憶架構），真正的根本性創新預計要到 2030 年以後。

【必要的誠實說明】：以上分檔僅為基於當下信號的合理估計——提供的是時間感，而非時間表。在 2030 年之前，架構、形態、競爭維度仍在演變；2030 年之後，遊戲規則可能開始「分層」重來一次。

時間線二：進入窗口關閉 · 預計 2026-2030 （前沿模型層最先關閉）

Klepper 的核心觀察是「進入窗口關閉比洗牌信號更早」——汽車產業在 1910 年進入率下降，而洗牌在 1920-1960 年才顯現，滯後 10-15 年。按數字時代壓縮 3-5 倍，這個 gap 相應壓縮到 2-5 年——因此進入窗口關閉大致在深度洗牌前 2-5 年，即 2026-2030。

但需要分層看待關閉的不同階段：

• 前沿模型層：最早關閉，作為純粹的新進入者切入前沿模型層，2027–2028 年後將變得非常困難——算力、人才與企業信任的綜合優勢已接近尾聲，2026 年可觀察到全球前沿模型層的創投資金正向少數企業集中。

• 協議層與工具鏈層：較早關閉，一旦 MCP / A2A 等協議規範形成主導，後進入者需接入生態，而非另起爐灶

• 應用層與產品形態層：相對寬鬆，編程代理層因頭部產品的快速商業化整合，窗口正在加速關閉；但多模態原生產品、辦公／桌面 Agent 等應用層仍具有相對充裕的進入空間，2028–2032 年仍具機會。

• 垂直行業整合層：長期開放，AI + 醫療／法律／教育等垂直行業的整合窗口，可能持續到 2035 年之後

核心含義：不同的戰略位置，進入窗口的緊迫程度明顯不同——押注前沿模型層的窗口最短，從事應用層與垂直整合的窗口相對充裕。

時間線三：深度洗牌開始 · 預計 2030-2035（主要發生在前沿模型層）

Klepper 的能力複合機制在數位時代運行得更快——8–10 年可能就能達到製造業時代 30 年的複合效果。企業間的能力差距會在這個時間窗口被指數級放大到不可逆轉的程度。

但深度洗牌的強度也按層分化：

• 前沿模型層的洗牌最深：能力複合、算力資本壁壘、企業信任集中——可能收斂到少數幾個頭部

• 應用層與產品形態層的洗牌較輕：每層可能保留幾個主要玩家，長尾更多

• 協議層的洗牌幾乎不會發生：一旦穩定，標準就是標準

• 垂直行業整合層的洗牌與傳統行業邏輯掛鉤：AI 只是變數之一，行業本身的洗牌節奏會主導

企業進入窗口的緊迫性

將這三條時間線合起來看，一個關鍵推論：

大多數以 AI 大模型及其應用為戰略重心的企業，實際留給自己的戰略調整時間，可能只有 2-4 年——要在 2030 年主導設計（尤其是產品形態層）浮現前建立好自己的位置，需要在 2028 年前完成方向判斷和切入選擇；反過來推，2026-2027 年就是最關鍵的兩年。

但這條時間線有一個前提：規模經濟和商業模式必須在 2027-2030 年前完成關鍵跨越。而第七部分的反向驗證將顯示，「規模經濟和商業模式尚未成型」是 2026 年最真實的觀察之一。如果商業模式難題持續至 2028 年後仍未突破，主導設計浮現的窗口可能相應延後 2-3 年——也就是說，上述時間坐標依賴於「AI 走 A 軌跡 + 規模經濟在 3-4 年內跨越」兩個前提，任一條件生變，時間坐標都需要重新校準。

對於涉及獨立物理形態或獨立行業邏輯的部分（具身智能硬體本體、AI + 垂直行業等），時間表需按各自節奏校準——但「能力複合速率差異被指數級放大」這一底層規律，對所有層都適用。

這就是「AI 產業演化的時間尺度」——提供一個基於分析框架得出的分層的、有條件的、精確的時間感。

一個嚴謹的分析，必須經得起最新數據的檢驗。用 2026 年 AI 產業的可觀察動向，從產品、企業、商業、現場四個側面對前面關於「分化帶」的判斷做一次反向驗證——挑較能說明問題的六組信號即可。

驗證一：架構層面確實仍在開放

2026 年的架構演化仍多路線並進：在 Transformer 主導之下，混合專家（MoE）在 Gemini 3.1 Pro、 DeepSeek 在 V4 等模型中全面應用；推理時的計算成為 GPT、Claude 等新版本的核心競爭維度；狀態空間模型（Mamba 家族）與 Agent 原生架構在 2025-2026 年持續出現新的探索；世界模型方向持續由 Fei-Fei Li、Yann LeCun 等頂尖學者推動。上下文窗口從數十萬到 200 萬 Token 量級仍在快速躍遷；Scaling Law 的邊際收益遞減在 2026 年也開始被公開討論——這些都說明技術路徑仍在被重新審視。

結論：從架構層面來看，顯然仍處於流動期。主導設計的技術可行性因素遠未滿足——這正是「分化帶」中「產品維度仍開放」這一面向的直接證據。

驗證二：企業層面確實已經出現分化——但格局是多陣營並行

2026 年前沿模型層的實際格局，是多陣營並行的結構，而沒有絕對的引領者：

• 美國頭部陣營：以 OpenAI、Anthropic、Google 為主體，Meta（Llama 系）、xAI 緊隨其後

• 中國開放路線陣營： DeepSeek 、Qwen、 Kimi 、智譜、 豆包 、混元等，在成本、開源、多語言、垂直場景等維度形成獨立競爭力

• 歐洲/其他陣營：Mistral 等在開源生態中佔有一席之地

同時，可以觀察到的分化信號很清晰——ChatGPT 的用戶流量份額從此前的絕對主導地位顯著回落，Gemini 的使用量以年為單位倍數增長，Anthropic 在企業與開發者場景取得高速增長、其 ARR 已進入百億美元級，季度營收進入數十億美元規模。

結論：這與「分化帶」的判斷完全吻合——在產品維度上，仍存在多陣營並行的開放格局（架構未定、路線未定），但在企業維度上，頭部與非頭部之間的能力差距已明顯拉開。需要注意的是，「能力分化」並不等於「少數幾家勝出」——它可能是「多個陣營各自拉開身位」。

驗證三：產業結構正朝「分層集中 + 多模型編排」演化

Lakhani 預測的「分層集中」與「多模型編排」，在 2026 年得到較強的現實驗證：

• 前沿模型層：多個頭部廠商與多個陣營並行佔位（見 7.2）

• 企業整合層：Microsoft（+OpenAI）、Google Workspace AI、Salesforce Einstein 等分別佈局

• 開放生態層： DeepSeek （低成本推理）、Llama、Mistral 分別錨定

• 專門補充層：NVIDIA（GPU）、AMD/Intel、Cerebras/Groq（新架構晶片）分別佔位——這一層的進入門檻正被第5.1節所述的資本集聚推向極限

同時，多模型編排已從「新興模式」變為主流用法——用戶不再問「哪個模型最強」，而是問「哪個模型在哪个場景最強」：用 Claude 寫作和編程、用 Gemini 搜索和分析、用 ChatGPT 做圖像生成和通用對話，已成為常態。

結論：分層集中假說和多模型編排均成立——而且分層集中的演化比預期更快。

驗證四：時間尺度確實正在被顯著壓縮

時間尺度壓縮的主要證據來自「採納速度、資本流入、成本下降、能力迭代」四條曲線：

• 採納速度：ChatGPT 約 2 個月達到 1 億用戶，是歷史上採納最快的消費級產品之一

• 資本流入速度：Anthropic 從成立到 ARR 達到百億美元級僅用了約 4 年——製造業時代需要數十年

• 成本下降速度：主流大模型的 Token 價格在過去 3 年內下降了約 2 個數量級，頭部開源與低成本模型的推理價格已進入「分幣級 / 每百萬 Token」的區間

• 能力迭代速度：從 GPT-3 到 GPT-5 系列不超過 6 年——製造業時代一代產品迭代通常需要 5-10 年

結論：時間尺度壓縮不僅成立，在部分具體曲線（採納、成本、能力迭代）上，實際壓縮程度可達 5-10 倍。但需留意——具體曲線的壓縮速度會快於產業整體演化的壓縮速度，因為產業整體演化還受商業模式跑通、監管定型、生態成熟等慢變量約束，仍保持在 5.3 節判斷的 3-5 倍中位。換言之，AI 產業演化的「信號側」（曲線）已明顯加速，「結構側」（主導設計確立）需要一段更長的沉澱期。

Verification Five: Economies of scale and a stable business model have yet to be established

在主導設計的五個促成因素中，「規模經濟的顯現」是必要條件之一——只有當一種設計的規模化交付成本足夠低、穩定盈利模式清晰，並能形成「投入-產出-再投入」的正向飛輪時，主導設計才可能真正硬化下來。用這個標準來看 2026 年的 AI 大模型及其應用，會發現規模經濟和商業模式遠未成型：

• 訓練與推理成本仍在劇烈波動——Token 價格近三年下降了約 2 個數量級，頭部開源與低成本模型的推理價格已進入「分幣級 / 每百萬 Token」區間；成本曲線仍在快速滑動，遠未達到「穩定」

• 頭部企業仍在大規模持續投入——OpenAI、Anthropic 等前沿模型公司普遍處於高投入、高融資的階段；Anthropic ARR 雖已進入百億美元級，但相對於訓練與算力投入而言仍未走出「投入遠大於產出」的階段

• 企業對 AI 投資的 ROI 回報慢於預期——大量企業的 AI 項目仍處於 POC 或試點階段，將 AI 轉化為全要素生產率提升、實現 ROI/ROE 正向增長普遍仍在探索中；根據 McKinsey《State of AI》、MIT NANDA《GenAI Divide》等 2025-2026 年的行業調研，大多數企業級 AI 投入尚未看到明確的正向財務回報

• 穩定的商業模式仍在探索中——訂閱費、Token 計費、Agent 按結果計費、企業定製、API 分成、開源 + 服務……每種商業模式都有代表性玩家，但都尚未實現「規模化盈利 + 復利式增長」的狀態

Conclusion: The positive flywheel of "investment–output–reinvestment" for AI large models and their applications has not yet been established—this is a direct manifestation of the failure to satisfy the key factors of economies of scale. If economies of scale and business models have not yet stabilized, it must still be within the differentiation zone, as this is a prerequisite for convergence from the transitional phase to the specialized phase.

驗證六：WAIC 2026——"越頂尖的人，分歧越大"

2026 年 7 月剛剛落幕的 WAIC 2026 從「人」的一側提供了一個現場印證。

會議四大前沿議題（物理智能、科學智能、算力底座、智能體治理）同時被視為「下一程」的方向——多分支並存、無單一路線勝出是流動期的典型形態。而頗能說明問題的一幕，是2024 年圖靈獎得主理查德·薩頓與階躍星辰董事長印奇幾乎同一時間給出了兩種截然相反的判斷：

• 薩頓：「AI 還比較弱小且不可靠」，「人類知識的轉移」這條路徑「已經達到極限」，未來必須邁入「經驗時代」

• 印奇：「2026 年模型能力正在跨越關鍵臨界點」，「行業正站在 AGI 高峰的山腳下」，智能體將成為「生產力的最小單元」

在同一個會場、同一個時間點，兩位極具代表性的人物對「我們究竟在哪裡」給出了幾乎相反的答案。同時，Yoshua Bengio 警告「社會尚未為能力更強、獨立性更高的系統做好準備」，清華薛瀾、伯克利 Mark Nitzberg 分別就「價值判斷」和「生死決策」提出邊界——監管與治理層也仍在討論原則，而非執行標準。

結論：如果 AI 真的已經進入「下半場」或「主導設計確立後的執行期」，頂尖研究者與頂尖創業者不會在「我們究竟在哪裡」這個最基礎的問題上出現如此鮮明的分歧。這本身就是我們仍處於「分化帶」的有力現場證據。

綜合驗證：這就是「分化帶」

將前面六組驗證放在一起看——它們不是六件孤立的事，而是同一個結論的六重獨立視角的相互印證。一句話收束：

AI 大模型及其應用正處於「分化帶」——產品分層仍開放，能力分化已啟動，商業模式尚未跑通。這也是第三部分（階段研判）、第六部分（時間坐標）與本節（2026 趨勢）三度印證的結果，並非單一角度的推斷。

回到開頭的兩個問題——我們在哪裡，未來節奏如何。

結合兩個經典分析工具的整合框架、加上主導設計五因素的嚴謹檢驗，以及 2026 年最新趨勢的反向驗證，可對當下 AI 大模型及其應用提供清晰的解答。

我們在哪裡——AI 大模型及其應用目前正處於從晚期流動期向早期過渡期移動的「分化帶」。主導設計的形成因素目前僅滿足了 1 個（部分），產業結構可能演化為「分層集中」而非「單一贏家」。

未來節奏如何——按照分層化的時間坐標，主導設計可能在 2027-2030 年前後於多個子層浮現，深度洗牌顯現在 2030-2035 年，留給企業的戰略調整時間大致在 2-4 年量級。

分層意味著：不同戰略位置（前沿模型層 / 應用層 / 垂直整合層）的緊迫程度並不相同，但「能力差異複合」這一底層規律對所有層都適用。這裡提供的是分層的、有條件的時間感，而非精確的時間表——具體的演化節奏，會隨著 Scaling Law、分陣營趨勢等前提條件的變化而校準。

對於企業決策者而言，這兩個判斷共同構成了一個時間坐標。在這個坐標之上，還有一個更根本的問題需要回答：在這樣的階段和這樣的时间窗口裡，企業究竟應如何思考、如何行動、如何自我校準？

這個問題筆者將在下一篇文章中討論……

本文來自微信公眾號「騰訊研究院」（ID：cyberlawrc），作者：李鴻勝