1. 科技史的正确打开方式为什么要读一本“通史”做技术这行时间久了都会遇到一种尴尬手里的工具越来越新但视野反而越来越窄。今天追大模型明天追边缘计算后天又出来个新框架每个都学一点每个都浅尝辄止最后陷入一种“技术焦虑”的循环。我身边不少朋友都有这个困惑包括我自己也曾经历过一段“只盯着眼前一亩三分地”的时期直到我认真读完吴军的《全球科技通史》才对“技术趋势”这件事有了完全不同的理解。这本书不是一本简单的编年体科技史它的核心价值在于提供了一个“上帝视角”——把人类上万年的科技演进放在能量和信息两条主线上重新梳理。你就能看懂一个最基本的问题技术是怎么从“偶然的发明”变成“必然的趋势”的以及我们此刻正在经历的AI浪潮、新能源变革在历史长河中到底处于什么位置。如果你是个技术从业者、产品经理、创业者或者只是对“未来会怎样”充满好奇的普通读者这本书都值得精读。它不是那种读完就忘的科普读物而是一套可以反复套用的思维框架。这篇文章我整理了全书的主要内容和核心观点并且结合我自己这几年的行业观察聊聊怎么把这套历史思维用到实际的趋势判断里。全文没有任何“剧透式”的结论更多的是一套方法论希望能给你一些启发。2. 全书的骨架能量和信息两条贯穿万年的主线《全球科技通史》最让我佩服的地方是把纷繁复杂的科技史压缩成两条极其清晰的主线。吴军没有按照通常的“古代—近代—现代”来划分章节而是用“能量”和“信息”这两个维度把所有关键节点重新串联起来。理解了这个纲后面所有的细节就都挂得住了。2.1 能量人类文明的底层动力人类的一切活动本质上都是在做能量的转换。吃饭是摄取化学能烧柴是释放热能发电是把机械能变成电能。吴军在书里提出一个很扎心的观点人类文明的进步就是能量获取和利用效率的不断跃迁。第一次大跃迁是火的利用。这个不用多说熟食让人类大脑获得了更多营养为智力发展奠定了基础。第二次是农业革命本质上是对太阳能更高效的利用——通过驯化作物单位土地面积转化的能量远超采集狩猎。第三次是蒸汽机和化石能源人类不再只依赖“当年”的太阳能植物而是开始消耗“远古”的太阳能煤炭、石油能量密度有了几个数量级的提升。第四次就是我们正在经历的能源革命核能、光伏、风电本质上还是在寻找更清洁、更高效的能量来源。读完这部分你会理解一个判断趋势的重要原则凡是能显著提升能量获取或利用效率的技术最终都会成为基础设施级的趋势只是时间早晚的问题。光伏为什么能从“骗补”变成“主流”不是政策变了而是光电转换效率曲线终于爬过了经济性拐点。能量这条主线能帮你过滤掉大量噪音。2.2 信息人类协作的编码系统如果说能量是文明的燃料信息就是文明的神经网络。吴军对信息这条主线的梳理特别精彩从语言、文字、造纸术、印刷术到电报、电话、无线电、互联网再到今天的AI说到底都是在做同一件事更低成本、更高带宽地传递信息。就拿文字来说它的出现让人可以把经验“存储”在体外不再依赖人脑记忆。印刷术则让信息可以被低成本“复制”知识从此不再是少数人的特权。电报和电话是第一次把信息传递的速度从“物理速度”提升到“光速”彻底改变了商业和战争的组织形态。而互联网相当于把全球的电脑连成一张网信息的分发成本趋近于零。到了当下AI大模型本质上又往前走了一步它不只是传递信息而是能“生成”信息。你可以把AI理解为一种“信息转换器”输入一段需求输出一套方案。按照书里的框架这依然是信息这条主线上的延续——信息的生产成本正在从“人力创作”向“算力生成”迁移。这个视角比单纯讨论“AI会不会取代工作”要深刻得多。2.3 两条主线的交汇科技革命的发生机制能量和信息不是平行的它们在历史上有好几次关键的交汇每一次交汇都引爆了颠覆性的革命。最典型的例子是工业革命。蒸汽机需要燃烧煤炭获得能量但要让蒸汽机的效率持续提升就需要精确控制温度、压力和转速——这靠什么靠测量和信息反馈。瓦特改良蒸汽机时加入的离心调速器本质上就是一个简单的信息闭环系统。能量技术提出了需求信息技术给出了解决方案两者叠加才成就了工业文明。再比如大航海时代远洋航行需要更精确的计时经度测量这推动了精密钟表制造。而精密机械加工能力后来又反哺了蒸汽机的气缸制造。这就是一个典型的“能量-信息”正反馈循环能量需求催生信息工具信息工具再反哺能量系统。读完这本书再回头看现在的AI热潮你会发现类似的逻辑正在重演。新能源车需要海量的路况数据、电池状态数据做优化AI提供了处理这些数据的能力而AI的训练和推理又消耗巨量电力反过来催生更高效的能源技术。两条主线互相咬合着往前走这就是大趋势的本质特征——它不是一个孤立的点而是一个系统性的闭环。3. 几个颠覆认知的核心观点值得反复琢磨《全球科技通史》里有好几个观点我在读的时候明显感觉到“头脑一震”。这些观点不是说教而是基于大量历史事实的提炼对做行业判断尤其有用。3.1 技术发展是“叠加式”的不是“替代式”的大多数人对技术演进的直觉是“新的替代旧的”汽车替代马车电灯替代油灯智能手机替代功能机。但吴军在书里反复强调真实的历史更多是“叠加”——新技术不是完全消灭旧技术而是把旧技术纳入自己的体系里重新排列组合。举个例子有了汽车马车并没有完全消失而是变成了马术运动、景区交通工具这类细分场景。有了电商线下零售没有消失而是转型成体验式业态。更典型的是有了电子支付现金并没有彻底消失只是在社会中的角色变了。每一次技术革命本质上都像一次“操作系统升级”旧应用旧产业不会被删除而是被新的运行时新技术底座重新兼容和翻译。这个观点用在趋势判断上能有效避免“非黑即白”的误判。很多人看到AI能写文案了就说“文案行业完了”看到AI会画图了就说“设计师要失业了”。但按照“叠加式”的逻辑更可能出现的情况是文案和设计师的工作内容被重构而不是整个职业消失。懂AI工具的人会变得更强不会用的人才会被淘汰。这个判断我自己的行业观察也反复验证过。3.2 科技与商业的节奏为什么“早一步是先烈早半步是先锋”书里有一个非常务实的分析框架一项技术从实验室走向市场必然要经历“技术成熟度”和“成本可及性”的双重考验。很多技术不是不够“前沿”而是死在了“太超前”上。吴军用晶体管、激光、互联网这些技术的早期历史做了解析。晶体管发明于1947年但真正大规模商用是十几年之后激光发明于1960年早期到处找应用场景直到CD光盘和光纤通信出现才迎来爆发。这些技术的共性特点是基础原理早就验证了但受限于材料、加工、成本等因素商业化之路漫长而曲折。书里对创新扩散规律的描述和经典的“Gartner技术成熟度曲线”有异曲同工之妙一个技术出来先是被过度炒作然后跌入低谷期最后在稳定期找到真实落地场景。问题在于你在哪个阶段入局太早容易变成“教育市场”的牺牲品太晚市场格局已定机会窗口关闭。真正的高手是“半步逻辑”在技术曲线即将爬出低谷、但绝大多数人还没意识到的时候进入。我见过不少团队做AI产品2021年就冲进去了当时技术不成熟、成本高、用户没需求烧了两年钱默默退场。同样的方向2023年初再入场借着大模型的东风反而活得很好。同一个技术方向入场时点不同结局天差地别。书里这段内容值得每个想追热点的人先读三遍。3.3 文明的高度取决于“可重复性”和“可累积性”吴军在书里提出一个耐人寻味的对比为什么中国古代有很多举世瞩目的技术发明但没能孕育出近代科学体系他的答案是“可重复性和可累积性”的缺失。举个例子中国古代工匠能造出精美的青铜器、青花瓷但这些技艺很大程度上依赖师徒传承的“手感”缺乏一套标准化的度量体系、记录语言和验证方法。一个顶级工匠去世了他的绝活可能就随之失传。而西方从伽利略开始强调实验的“可重复性”——任何人按照相同的步骤都应该得到相同的结果。只有可重复才能被验证只有可累积才能在前人基础上迭代。科学的本质不是某个天才的灵光一闪而是一套能让个体智慧“涌现”为群体智慧的制度化方法。用现代行业的话说这就是“提炼方法论”和“建设基础设施”的价值。一个团队靠某个大牛撑着风险极高但如果把流程标准化、工具化、文档化知识的复利效应就产生了。做技术管理的朋友应该深有体会项目里最值钱的不是某段代码而是让新成员能快速上手的能力。这套逻辑放到公司管理、社会组织层面也同样成立。3.4 科技史不是“伟人史”而是“合力史”很多科普读物喜欢讲“英雄故事”牛顿因为一个苹果发现万有引力爱迪生因为灵感发明电灯。但书里明确指出这是对历史的简化甚至误读。每一项重大技术突破几乎都是多个科学家/工程师在相近时间点各自独立完成的。微积分的发明牛顿和莱布尼茨之争进化论达尔文和华莱士几乎是同时提出电话的专利贝尔和格雷的申请只差了几个小时半导体的物理基础好几支团队在不同国家同步推进。这说明什么技术的突破是“时代的合力”不是个别天才的孤勇。当基础理论、实验条件、产业需求都准备好了那个“临门一脚”的人总会出现的。这个观点对投资人特别有启发判断一个技术趋势能不能成与其纠结“哪个团队最厉害”不如去分析“时代条件是否已经具备”。需求是否真实存在供应链是否成熟人才是否充裕成本是否可接受如果这些条件都具备就算这个团队做不成也会有别的团队做成——趋势是必然的赢家是偶然的。4. 把历史规律用起来从“读书”到“判断趋势”的方法论前面的内容如果只是“知识”那下面这些就是我多年来结合书的框架、在实际行业观察中摸索出的一些“动作”。这也是我认为这本书最有价值的地方它不只是一本历史书更是一套“趋势判断”的操作手册。4.1 识别“能量-信息”交汇点找到下一波红利我的实操方法是这样的遇到任何一个新技术概念先问两个问题——它是否显著提升了能量效率它是否显著降低了信息成本如果两个答案都是否多半是伪风口如果至少一个是肯定的就值得跟踪。拿大模型举例。它的训练和推理过程需要海量算力消耗巨量电力这是“能量”成本但它生成文本、代码、图片的效率相比人类创作者有数量级的提升这是“信息”成本的大幅下降。一个技术同时踩中了两条主线的关键节点它的势能必然是巨大的剩下的只是时间问题。再来看一个反例。前几年火热的各种“元宇宙”项目说要构建虚拟世界它能降低信息成本吗部分可以比如远程会议的场景但它的能量效率几乎没有提升消费的还是更大规模的渲染算力。所以我当时就对这类项目持谨慎态度——不是说方向不对而是“能量-信息”的杠杆不够大很难成为基建级趋势。果然潮水退去裸泳者浮出水面。4.2 周期定位法一项技术现在处于曲线的哪个位置我给自己设计了一个简单的判断矩阵分为四种状态阶段特征典型动作萌芽期实验室有突破媒体炒作无实际应用保持关注不轻易下重注泡沫期大量资金涌入概念满天飞落地案例极少冷静观察避免追高低谷期资本退潮劣质项目出清但底层技术仍在迭代认真研究时机开始尝试性布局成熟期成本可控规模化应用进入日常基础设施全力投入但靠运营取胜而非技术本身这套框架不是我发明的本质上是结合了书里对多个技术演进历史的概括。你只要读一遍蒸汽机、电力、汽车、半导体的历史就能发现它们都走过类似的阶段。历史不会简单重复但周期的韵律感是惊人的相似。我自己的经验是最能创造超额回报的窗口期恰恰是“低谷期”转向“成熟期”的过渡段。这个时候大多数人都已经失望离场但坚持下来的人会发现技术成本在快速下降、应用场景在慢慢涌现。我入局AI领域时就是这个状态身边人觉得“机会不大”但我看到的是“基础设施成本即将被打下来”——后来确实如此。4.3 避开“能力陷阱”一项技术不是越先进越好而是越“合身”越好书里关于“可累积性”的论述让我反思了一个常见的错误很多人包括我自己早期喜欢追“最新技术”不自觉地认为“越新越好”“越难越好”。但历史经验恰恰相反占据主流地位的往往不是最先进的技术而是与现有体系兼容性最好的技术。QWERTY键盘不是最高效的键盘布局但它是“习惯了”的布局胶片在数字摄影出现后还存续了十几年因为产业链太庞大了ARM芯片在性能上不如同代X86桌面芯片但它功耗低完美适配移动设备的“能量约束”。一项技术能不能普及取决于它嵌入现有系统的“适配成本”。适配成本低推广快适配成本高再先进也得熬时间。这个思维对做技术方案选型很有帮助。给企业推荐方案时我会优先考虑客户团队能驾驭的技术栈而不是技术栈本身最“炫酷”的那个。再好的技术如果团队学习成本过高、维护困难最后大概率烂尾。真正的趋势不是“最优秀技术胜出”而是“总成本最低的技术胜出”。这个“总成本”包括学习成本、迁移成本、维护成本和风险成本。4.4 用“叠加视角”做产品设计而不是“替代视角”前文提到“叠加式”演进是关键这个视角落到产品设计层面特别有意思。拿内容创作领域来说AI生成技术出现后很多团队的第一反应是“我们要做一个替代作者的方案”。这个思路大概率失败因为人类创作者的价值不只是“产出速度”还有个人风格、情感共鸣、品牌信任度这些维度。更好的思路是“叠加式重构”用AI做初稿、做素材收集、做多语言翻译人类做最终决策和风格打磨。这样既提升了效率又保留了人类不可替代的价值。我在自己的项目中反复应用过这个原则。比如做一个行业分析报告过去要花三天收集数据、整理资料。现在我先用AI做信息聚类和初稿生成然后集中精力做深度分析和趋势判断——AI帮我解决了“信息成本”问题我把精力聚焦在需要“人类判断力”的地方。产出质量提升了一个量级而交付周期缩短到过去的三分之一。这不是“替代人”而是“人加机器”协同效应远超单干。5. 几个容易踩的坑读科技史要避免的误区读书和应用之间往往隔着一层“认知陷阱”。我在多次复读和实践这本书的框架之后总结了几个特别容易踩的坑写出来提醒大家。5.1 把“相关性”当“因果性”科技史最大的阅读误区是把两个同时发生的事件强行建立因果关系。书里写得很清楚很多看似“先后的技术”其实只是“同步出现”的伴生现象背后是同一个时代土壤。比如说“智能手机催生了移动互联网”这个表述有一定道理但不完全准确。智能手机的普及和移动互联网的爆发底层都是“芯片成本下降无线通信带宽提升”这两个共同因素。没有智能手机移动互联网也会以别的形态出现比如平板、可穿戴设备。理解了这层“深层原因”你就能在技术判断上更加从容某个现象一时表现差不代表趋势反转可能只是技术迭代的节奏问题。实操建议看到一个技术火了别急着找“直接因果”先往上追溯两三层是硬件成本降了吗是算法突破了吗是政策倾斜了吗还是用户习惯被什么催化了找到真正驱动趋势的那个底层变量你才能判断这个趋势的健康度和持久度。5.2 用今天的“行业分类”框定历史的“技术边界”另一个常见误区把古代的技术按现代的行业分类来理解。比如古人不会觉得“印刷术”属于“传媒行业”也不会觉得“马镫”属于“军事装备产业”。技术原本是通用的能力只是随着分工细化才被贴上了行业标签。有一句话特别有启发任何一项基础技术的诞生其影响从来不会局限在一个行业内部它会横向渗透到所有领域。蒸汽机不只为纺织业服务它重塑了矿业、交通、冶金电力不只为照明服务它催生了电动机械、通信、家电AI不会只为内容创作服务它在医疗、金融、制造、教育、法律各个领域都会重新“洗牌”。所以做趋势判断的时候别把自己锁在“本行业”里。我经常建议朋友阅读科技新闻时至少多扫几个“无关领域”——生物科技的进展可能对医疗行业产生深远影响但AI、材料科学的新突破同样会对医疗行业产生颠覆性影响。跨界信息带来的“边缘突破”往往比行业内部的“内卷式创新”更具爆发力也更难被行业从业者察觉。5.3 把“技术潜力”等同于“技术普及”还有一个很常见的认知偏差觉得一项技术如果潜力巨大它就一定很快普及。但历史上大量案例表明“技术潜力”和“技术普及”之间隔着大量的制度成本、文化成本和组织成本。书里有一个特别尖锐的例子电报技术发明后为什么花了二三十年才真正大规模商用不是因为技术上做不到而是因为当时的商业模式、法律框架、社会习惯都还没有准备好。线缆到底归谁管信息费怎么收跨区域的信息保密问题怎么解决这些都是“非技术问题”但它们直接决定了技术落地的速度。放到当前我经常听到“AI效率这么高为什么很多企业还是不用”这个问题。答案就在上述框架里——技术潜力是够的但企业的流程改造、人才培训、风险合规都还没跟上。AI是趋势但它的普及速率会慢于最乐观者的预期也会快于最悲观者的想象。做趋势判断时要给“非技术要素”留出足够的时间。5.4 低估“已有系统”的惯性最后一点是我自己吃过亏的地方容易低估旧系统的惯性。按照“叠加式演进”的理论新技术不是“一键替换”旧系统而是要“嵌入”旧系统慢慢改造。但旧系统有巨大的沉没成本、习惯黏性和既得利益结构改造的速度往往比预想中慢得多。举个例子我做一个数字化转型项目时最初觉得只要引入一套新的云原生架构、把旧流程自动化团队效率就能立刻提升。结果发现最大的阻力不在技术而在团队的既有工作习惯、跨部门协同流程、管理层的考核指标——这些都是“旧系统”的一部分。后来我调整了策略不搞“一夜革命”改做“渐进式渗透”先把耗时但机械的环节自动化让团队尝到甜头再逐步推进更深的流程重构。项目最终成功了但时间比最初的预期多了一倍。趋势的判断也同理想象一下技术成熟的时间点再人为叠加一倍的时间可能才是现实中大规模普及的时间点。这不是悲观而是对复杂系统的基本敬畏。6. 读完全书我沉淀下来的一句话方法论如果把《全球科技通史》浓缩成一句话我会说技术不是孤立的灵感而是能量与信息结构演化的必然结果趋势不是靠预测而是靠识别“底层变量的时机”。我个人的体会是读完这本书之后我不再那么焦虑于“某个新技术会不会颠覆我”因为历史反复证明新技术通常是“赋能”而不是“灭绝”。同时我也不再轻易相信“新概念火了谁不追谁就要被杀”因为大部分火热的概念都处于周期的泡沫期真正值得下重注的反而是那些已经度过低谷、开始走出“隐蔽的上升曲线”的技术。如果你也想建立起这种“历史纵深”的行业视野我的建议是把《全球科技通史》放在手边不必从头到尾赶进度而是当作工具书。遇到某个新概念、新技术的时候翻一下历史上类似的技术是怎么走的你就能多一分从容和清醒。书里还有一个细节让我印象很深吴军提到人类文明的“加速度”正在变快——从旧石器到农业革命花了几万年从农业到工业花了上千年从工业到信息花了百年而信息革命之后的每一项关键突破间隔都在缩短。我们的时代节奏正在加快但这恰恰意味着那些能看懂历史的人会在加速的变化中获得更大的时间红利。至于把这本书读完以后怎么用我觉得没有什么标准答案。我自己的习惯是每隔半年翻一遍每次都有新收获——因为行业的厚度在增长你回望历史的时候角度和深度也在变化。最后分享一个真正实操层面的小技巧在你的团队里发起一个“科技史读书会”不用多人三五个就可以一个月选一个历史节点比如“印刷术的全球传播”“晶体管的关键竞争”“芯片制造的第一台光刻机诞生记”讨论它对今天行业格局的投射。我们团队做过几期之后最大的变化不是“知识量增加”而是大家在讨论技术方案时会不自觉地带上“历史坐标感”——这个技术现在处于什么阶段我们能做什么我们该等到什么时候再动手这比任何培训都管用。
1. 科技史的正确打开方式为什么要读一本“通史”做技术这行时间久了都会遇到一种尴尬手里的工具越来越新但视野反而越来越窄。今天追大模型明天追边缘计算后天又出来个新框架每个都学一点每个都浅尝辄止最后陷入一种“技术焦虑”的循环。我身边不少朋友都有这个困惑包括我自己也曾经历过一段“只盯着眼前一亩三分地”的时期直到我认真读完吴军的《全球科技通史》才对“技术趋势”这件事有了完全不同的理解。这本书不是一本简单的编年体科技史它的核心价值在于提供了一个“上帝视角”——把人类上万年的科技演进放在能量和信息两条主线上重新梳理。你就能看懂一个最基本的问题技术是怎么从“偶然的发明”变成“必然的趋势”的以及我们此刻正在经历的AI浪潮、新能源变革在历史长河中到底处于什么位置。如果你是个技术从业者、产品经理、创业者或者只是对“未来会怎样”充满好奇的普通读者这本书都值得精读。它不是那种读完就忘的科普读物而是一套可以反复套用的思维框架。这篇文章我整理了全书的主要内容和核心观点并且结合我自己这几年的行业观察聊聊怎么把这套历史思维用到实际的趋势判断里。全文没有任何“剧透式”的结论更多的是一套方法论希望能给你一些启发。2. 全书的骨架能量和信息两条贯穿万年的主线《全球科技通史》最让我佩服的地方是把纷繁复杂的科技史压缩成两条极其清晰的主线。吴军没有按照通常的“古代—近代—现代”来划分章节而是用“能量”和“信息”这两个维度把所有关键节点重新串联起来。理解了这个纲后面所有的细节就都挂得住了。2.1 能量人类文明的底层动力人类的一切活动本质上都是在做能量的转换。吃饭是摄取化学能烧柴是释放热能发电是把机械能变成电能。吴军在书里提出一个很扎心的观点人类文明的进步就是能量获取和利用效率的不断跃迁。第一次大跃迁是火的利用。这个不用多说熟食让人类大脑获得了更多营养为智力发展奠定了基础。第二次是农业革命本质上是对太阳能更高效的利用——通过驯化作物单位土地面积转化的能量远超采集狩猎。第三次是蒸汽机和化石能源人类不再只依赖“当年”的太阳能植物而是开始消耗“远古”的太阳能煤炭、石油能量密度有了几个数量级的提升。第四次就是我们正在经历的能源革命核能、光伏、风电本质上还是在寻找更清洁、更高效的能量来源。读完这部分你会理解一个判断趋势的重要原则凡是能显著提升能量获取或利用效率的技术最终都会成为基础设施级的趋势只是时间早晚的问题。光伏为什么能从“骗补”变成“主流”不是政策变了而是光电转换效率曲线终于爬过了经济性拐点。能量这条主线能帮你过滤掉大量噪音。2.2 信息人类协作的编码系统如果说能量是文明的燃料信息就是文明的神经网络。吴军对信息这条主线的梳理特别精彩从语言、文字、造纸术、印刷术到电报、电话、无线电、互联网再到今天的AI说到底都是在做同一件事更低成本、更高带宽地传递信息。就拿文字来说它的出现让人可以把经验“存储”在体外不再依赖人脑记忆。印刷术则让信息可以被低成本“复制”知识从此不再是少数人的特权。电报和电话是第一次把信息传递的速度从“物理速度”提升到“光速”彻底改变了商业和战争的组织形态。而互联网相当于把全球的电脑连成一张网信息的分发成本趋近于零。到了当下AI大模型本质上又往前走了一步它不只是传递信息而是能“生成”信息。你可以把AI理解为一种“信息转换器”输入一段需求输出一套方案。按照书里的框架这依然是信息这条主线上的延续——信息的生产成本正在从“人力创作”向“算力生成”迁移。这个视角比单纯讨论“AI会不会取代工作”要深刻得多。2.3 两条主线的交汇科技革命的发生机制能量和信息不是平行的它们在历史上有好几次关键的交汇每一次交汇都引爆了颠覆性的革命。最典型的例子是工业革命。蒸汽机需要燃烧煤炭获得能量但要让蒸汽机的效率持续提升就需要精确控制温度、压力和转速——这靠什么靠测量和信息反馈。瓦特改良蒸汽机时加入的离心调速器本质上就是一个简单的信息闭环系统。能量技术提出了需求信息技术给出了解决方案两者叠加才成就了工业文明。再比如大航海时代远洋航行需要更精确的计时经度测量这推动了精密钟表制造。而精密机械加工能力后来又反哺了蒸汽机的气缸制造。这就是一个典型的“能量-信息”正反馈循环能量需求催生信息工具信息工具再反哺能量系统。读完这本书再回头看现在的AI热潮你会发现类似的逻辑正在重演。新能源车需要海量的路况数据、电池状态数据做优化AI提供了处理这些数据的能力而AI的训练和推理又消耗巨量电力反过来催生更高效的能源技术。两条主线互相咬合着往前走这就是大趋势的本质特征——它不是一个孤立的点而是一个系统性的闭环。3. 几个颠覆认知的核心观点值得反复琢磨《全球科技通史》里有好几个观点我在读的时候明显感觉到“头脑一震”。这些观点不是说教而是基于大量历史事实的提炼对做行业判断尤其有用。3.1 技术发展是“叠加式”的不是“替代式”的大多数人对技术演进的直觉是“新的替代旧的”汽车替代马车电灯替代油灯智能手机替代功能机。但吴军在书里反复强调真实的历史更多是“叠加”——新技术不是完全消灭旧技术而是把旧技术纳入自己的体系里重新排列组合。举个例子有了汽车马车并没有完全消失而是变成了马术运动、景区交通工具这类细分场景。有了电商线下零售没有消失而是转型成体验式业态。更典型的是有了电子支付现金并没有彻底消失只是在社会中的角色变了。每一次技术革命本质上都像一次“操作系统升级”旧应用旧产业不会被删除而是被新的运行时新技术底座重新兼容和翻译。这个观点用在趋势判断上能有效避免“非黑即白”的误判。很多人看到AI能写文案了就说“文案行业完了”看到AI会画图了就说“设计师要失业了”。但按照“叠加式”的逻辑更可能出现的情况是文案和设计师的工作内容被重构而不是整个职业消失。懂AI工具的人会变得更强不会用的人才会被淘汰。这个判断我自己的行业观察也反复验证过。3.2 科技与商业的节奏为什么“早一步是先烈早半步是先锋”书里有一个非常务实的分析框架一项技术从实验室走向市场必然要经历“技术成熟度”和“成本可及性”的双重考验。很多技术不是不够“前沿”而是死在了“太超前”上。吴军用晶体管、激光、互联网这些技术的早期历史做了解析。晶体管发明于1947年但真正大规模商用是十几年之后激光发明于1960年早期到处找应用场景直到CD光盘和光纤通信出现才迎来爆发。这些技术的共性特点是基础原理早就验证了但受限于材料、加工、成本等因素商业化之路漫长而曲折。书里对创新扩散规律的描述和经典的“Gartner技术成熟度曲线”有异曲同工之妙一个技术出来先是被过度炒作然后跌入低谷期最后在稳定期找到真实落地场景。问题在于你在哪个阶段入局太早容易变成“教育市场”的牺牲品太晚市场格局已定机会窗口关闭。真正的高手是“半步逻辑”在技术曲线即将爬出低谷、但绝大多数人还没意识到的时候进入。我见过不少团队做AI产品2021年就冲进去了当时技术不成熟、成本高、用户没需求烧了两年钱默默退场。同样的方向2023年初再入场借着大模型的东风反而活得很好。同一个技术方向入场时点不同结局天差地别。书里这段内容值得每个想追热点的人先读三遍。3.3 文明的高度取决于“可重复性”和“可累积性”吴军在书里提出一个耐人寻味的对比为什么中国古代有很多举世瞩目的技术发明但没能孕育出近代科学体系他的答案是“可重复性和可累积性”的缺失。举个例子中国古代工匠能造出精美的青铜器、青花瓷但这些技艺很大程度上依赖师徒传承的“手感”缺乏一套标准化的度量体系、记录语言和验证方法。一个顶级工匠去世了他的绝活可能就随之失传。而西方从伽利略开始强调实验的“可重复性”——任何人按照相同的步骤都应该得到相同的结果。只有可重复才能被验证只有可累积才能在前人基础上迭代。科学的本质不是某个天才的灵光一闪而是一套能让个体智慧“涌现”为群体智慧的制度化方法。用现代行业的话说这就是“提炼方法论”和“建设基础设施”的价值。一个团队靠某个大牛撑着风险极高但如果把流程标准化、工具化、文档化知识的复利效应就产生了。做技术管理的朋友应该深有体会项目里最值钱的不是某段代码而是让新成员能快速上手的能力。这套逻辑放到公司管理、社会组织层面也同样成立。3.4 科技史不是“伟人史”而是“合力史”很多科普读物喜欢讲“英雄故事”牛顿因为一个苹果发现万有引力爱迪生因为灵感发明电灯。但书里明确指出这是对历史的简化甚至误读。每一项重大技术突破几乎都是多个科学家/工程师在相近时间点各自独立完成的。微积分的发明牛顿和莱布尼茨之争进化论达尔文和华莱士几乎是同时提出电话的专利贝尔和格雷的申请只差了几个小时半导体的物理基础好几支团队在不同国家同步推进。这说明什么技术的突破是“时代的合力”不是个别天才的孤勇。当基础理论、实验条件、产业需求都准备好了那个“临门一脚”的人总会出现的。这个观点对投资人特别有启发判断一个技术趋势能不能成与其纠结“哪个团队最厉害”不如去分析“时代条件是否已经具备”。需求是否真实存在供应链是否成熟人才是否充裕成本是否可接受如果这些条件都具备就算这个团队做不成也会有别的团队做成——趋势是必然的赢家是偶然的。4. 把历史规律用起来从“读书”到“判断趋势”的方法论前面的内容如果只是“知识”那下面这些就是我多年来结合书的框架、在实际行业观察中摸索出的一些“动作”。这也是我认为这本书最有价值的地方它不只是一本历史书更是一套“趋势判断”的操作手册。4.1 识别“能量-信息”交汇点找到下一波红利我的实操方法是这样的遇到任何一个新技术概念先问两个问题——它是否显著提升了能量效率它是否显著降低了信息成本如果两个答案都是否多半是伪风口如果至少一个是肯定的就值得跟踪。拿大模型举例。它的训练和推理过程需要海量算力消耗巨量电力这是“能量”成本但它生成文本、代码、图片的效率相比人类创作者有数量级的提升这是“信息”成本的大幅下降。一个技术同时踩中了两条主线的关键节点它的势能必然是巨大的剩下的只是时间问题。再来看一个反例。前几年火热的各种“元宇宙”项目说要构建虚拟世界它能降低信息成本吗部分可以比如远程会议的场景但它的能量效率几乎没有提升消费的还是更大规模的渲染算力。所以我当时就对这类项目持谨慎态度——不是说方向不对而是“能量-信息”的杠杆不够大很难成为基建级趋势。果然潮水退去裸泳者浮出水面。4.2 周期定位法一项技术现在处于曲线的哪个位置我给自己设计了一个简单的判断矩阵分为四种状态阶段特征典型动作萌芽期实验室有突破媒体炒作无实际应用保持关注不轻易下重注泡沫期大量资金涌入概念满天飞落地案例极少冷静观察避免追高低谷期资本退潮劣质项目出清但底层技术仍在迭代认真研究时机开始尝试性布局成熟期成本可控规模化应用进入日常基础设施全力投入但靠运营取胜而非技术本身这套框架不是我发明的本质上是结合了书里对多个技术演进历史的概括。你只要读一遍蒸汽机、电力、汽车、半导体的历史就能发现它们都走过类似的阶段。历史不会简单重复但周期的韵律感是惊人的相似。我自己的经验是最能创造超额回报的窗口期恰恰是“低谷期”转向“成熟期”的过渡段。这个时候大多数人都已经失望离场但坚持下来的人会发现技术成本在快速下降、应用场景在慢慢涌现。我入局AI领域时就是这个状态身边人觉得“机会不大”但我看到的是“基础设施成本即将被打下来”——后来确实如此。4.3 避开“能力陷阱”一项技术不是越先进越好而是越“合身”越好书里关于“可累积性”的论述让我反思了一个常见的错误很多人包括我自己早期喜欢追“最新技术”不自觉地认为“越新越好”“越难越好”。但历史经验恰恰相反占据主流地位的往往不是最先进的技术而是与现有体系兼容性最好的技术。QWERTY键盘不是最高效的键盘布局但它是“习惯了”的布局胶片在数字摄影出现后还存续了十几年因为产业链太庞大了ARM芯片在性能上不如同代X86桌面芯片但它功耗低完美适配移动设备的“能量约束”。一项技术能不能普及取决于它嵌入现有系统的“适配成本”。适配成本低推广快适配成本高再先进也得熬时间。这个思维对做技术方案选型很有帮助。给企业推荐方案时我会优先考虑客户团队能驾驭的技术栈而不是技术栈本身最“炫酷”的那个。再好的技术如果团队学习成本过高、维护困难最后大概率烂尾。真正的趋势不是“最优秀技术胜出”而是“总成本最低的技术胜出”。这个“总成本”包括学习成本、迁移成本、维护成本和风险成本。4.4 用“叠加视角”做产品设计而不是“替代视角”前文提到“叠加式”演进是关键这个视角落到产品设计层面特别有意思。拿内容创作领域来说AI生成技术出现后很多团队的第一反应是“我们要做一个替代作者的方案”。这个思路大概率失败因为人类创作者的价值不只是“产出速度”还有个人风格、情感共鸣、品牌信任度这些维度。更好的思路是“叠加式重构”用AI做初稿、做素材收集、做多语言翻译人类做最终决策和风格打磨。这样既提升了效率又保留了人类不可替代的价值。我在自己的项目中反复应用过这个原则。比如做一个行业分析报告过去要花三天收集数据、整理资料。现在我先用AI做信息聚类和初稿生成然后集中精力做深度分析和趋势判断——AI帮我解决了“信息成本”问题我把精力聚焦在需要“人类判断力”的地方。产出质量提升了一个量级而交付周期缩短到过去的三分之一。这不是“替代人”而是“人加机器”协同效应远超单干。5. 几个容易踩的坑读科技史要避免的误区读书和应用之间往往隔着一层“认知陷阱”。我在多次复读和实践这本书的框架之后总结了几个特别容易踩的坑写出来提醒大家。5.1 把“相关性”当“因果性”科技史最大的阅读误区是把两个同时发生的事件强行建立因果关系。书里写得很清楚很多看似“先后的技术”其实只是“同步出现”的伴生现象背后是同一个时代土壤。比如说“智能手机催生了移动互联网”这个表述有一定道理但不完全准确。智能手机的普及和移动互联网的爆发底层都是“芯片成本下降无线通信带宽提升”这两个共同因素。没有智能手机移动互联网也会以别的形态出现比如平板、可穿戴设备。理解了这层“深层原因”你就能在技术判断上更加从容某个现象一时表现差不代表趋势反转可能只是技术迭代的节奏问题。实操建议看到一个技术火了别急着找“直接因果”先往上追溯两三层是硬件成本降了吗是算法突破了吗是政策倾斜了吗还是用户习惯被什么催化了找到真正驱动趋势的那个底层变量你才能判断这个趋势的健康度和持久度。5.2 用今天的“行业分类”框定历史的“技术边界”另一个常见误区把古代的技术按现代的行业分类来理解。比如古人不会觉得“印刷术”属于“传媒行业”也不会觉得“马镫”属于“军事装备产业”。技术原本是通用的能力只是随着分工细化才被贴上了行业标签。有一句话特别有启发任何一项基础技术的诞生其影响从来不会局限在一个行业内部它会横向渗透到所有领域。蒸汽机不只为纺织业服务它重塑了矿业、交通、冶金电力不只为照明服务它催生了电动机械、通信、家电AI不会只为内容创作服务它在医疗、金融、制造、教育、法律各个领域都会重新“洗牌”。所以做趋势判断的时候别把自己锁在“本行业”里。我经常建议朋友阅读科技新闻时至少多扫几个“无关领域”——生物科技的进展可能对医疗行业产生深远影响但AI、材料科学的新突破同样会对医疗行业产生颠覆性影响。跨界信息带来的“边缘突破”往往比行业内部的“内卷式创新”更具爆发力也更难被行业从业者察觉。5.3 把“技术潜力”等同于“技术普及”还有一个很常见的认知偏差觉得一项技术如果潜力巨大它就一定很快普及。但历史上大量案例表明“技术潜力”和“技术普及”之间隔着大量的制度成本、文化成本和组织成本。书里有一个特别尖锐的例子电报技术发明后为什么花了二三十年才真正大规模商用不是因为技术上做不到而是因为当时的商业模式、法律框架、社会习惯都还没有准备好。线缆到底归谁管信息费怎么收跨区域的信息保密问题怎么解决这些都是“非技术问题”但它们直接决定了技术落地的速度。放到当前我经常听到“AI效率这么高为什么很多企业还是不用”这个问题。答案就在上述框架里——技术潜力是够的但企业的流程改造、人才培训、风险合规都还没跟上。AI是趋势但它的普及速率会慢于最乐观者的预期也会快于最悲观者的想象。做趋势判断时要给“非技术要素”留出足够的时间。5.4 低估“已有系统”的惯性最后一点是我自己吃过亏的地方容易低估旧系统的惯性。按照“叠加式演进”的理论新技术不是“一键替换”旧系统而是要“嵌入”旧系统慢慢改造。但旧系统有巨大的沉没成本、习惯黏性和既得利益结构改造的速度往往比预想中慢得多。举个例子我做一个数字化转型项目时最初觉得只要引入一套新的云原生架构、把旧流程自动化团队效率就能立刻提升。结果发现最大的阻力不在技术而在团队的既有工作习惯、跨部门协同流程、管理层的考核指标——这些都是“旧系统”的一部分。后来我调整了策略不搞“一夜革命”改做“渐进式渗透”先把耗时但机械的环节自动化让团队尝到甜头再逐步推进更深的流程重构。项目最终成功了但时间比最初的预期多了一倍。趋势的判断也同理想象一下技术成熟的时间点再人为叠加一倍的时间可能才是现实中大规模普及的时间点。这不是悲观而是对复杂系统的基本敬畏。6. 读完全书我沉淀下来的一句话方法论如果把《全球科技通史》浓缩成一句话我会说技术不是孤立的灵感而是能量与信息结构演化的必然结果趋势不是靠预测而是靠识别“底层变量的时机”。我个人的体会是读完这本书之后我不再那么焦虑于“某个新技术会不会颠覆我”因为历史反复证明新技术通常是“赋能”而不是“灭绝”。同时我也不再轻易相信“新概念火了谁不追谁就要被杀”因为大部分火热的概念都处于周期的泡沫期真正值得下重注的反而是那些已经度过低谷、开始走出“隐蔽的上升曲线”的技术。如果你也想建立起这种“历史纵深”的行业视野我的建议是把《全球科技通史》放在手边不必从头到尾赶进度而是当作工具书。遇到某个新概念、新技术的时候翻一下历史上类似的技术是怎么走的你就能多一分从容和清醒。书里还有一个细节让我印象很深吴军提到人类文明的“加速度”正在变快——从旧石器到农业革命花了几万年从农业到工业花了上千年从工业到信息花了百年而信息革命之后的每一项关键突破间隔都在缩短。我们的时代节奏正在加快但这恰恰意味着那些能看懂历史的人会在加速的变化中获得更大的时间红利。至于把这本书读完以后怎么用我觉得没有什么标准答案。我自己的习惯是每隔半年翻一遍每次都有新收获——因为行业的厚度在增长你回望历史的时候角度和深度也在变化。最后分享一个真正实操层面的小技巧在你的团队里发起一个“科技史读书会”不用多人三五个就可以一个月选一个历史节点比如“印刷术的全球传播”“晶体管的关键竞争”“芯片制造的第一台光刻机诞生记”讨论它对今天行业格局的投射。我们团队做过几期之后最大的变化不是“知识量增加”而是大家在讨论技术方案时会不自觉地带上“历史坐标感”——这个技术现在处于什么阶段我们能做什么我们该等到什么时候再动手这比任何培训都管用。
