AI行业这两年最值得玩味的不是哪家模型又刷了分也不是哪个智能体突然火了而是一个从供应链管理教科书里爬出来的概念正在产业里被反复验证——“The AI Bullwhip”AI牛鞭效应。我在AI基础设施和应用开发一线做了不少年这两年眼看着需求信号从终端用户逐级上传每一层的情绪和预期都被放大一圈最终传导到上游的芯片和晶圆产能时已经变成了一个和真实需求完全不成比例的庞然大物。这篇文章我想从亲身观察出发把这条产业链每一级是怎么“甩鞭子”的拆开讲讲再说说我们这些在一线干活的人该怎么在鞭子甩过来的时候站稳脚跟。1. 牛鞭效应不是物流术语而是AI行业的底层运行逻辑1.1 从啤酒游戏说起需求波动是怎样被逐级放大的供应链管理里有个经典实验叫“啤酒游戏”四层角色——消费者、零售商、批发商、工厂——只做一件事根据下游订单决定自己的进货量。实验结果是惊人的消费者端只是微小的需求波动到了工厂端就变成了剧烈的生产计划震荡。原因很简单每一层都会基于自己对未来的“预测”做出反应预测有误差误差会累积再加上下单有延迟、订单有批量微小的扰动就被抻成了大幅摆动的牛鞭。这个现象在实体供应链里被研究了四十多年核心成因总结下来无非四类需求预测修正、订单批量、价格波动、以及短缺博弈。过去我们觉得这是制造业的事跟科技行业关系不大。但到了2024年之后AI产业链的规模和复杂度已经彻底改变了这个判断——模型训练要用到上万张加速卡数据中心的建设周期拉长到两三年芯片的流片周期更是以年为单位。当一个行业的供给响应周期如此之长需求信号又如此被媒体、资本和公司战略层层过滤牛鞭效应几乎是必然出现的。1.2 AI产业链的分层结构需求信号如何在层级间传递把今天的AI产业从上到下捋一遍大致可以画成这样一个链条终端用户、AI应用开发者、模型服务商、算力基础设施运营商、芯片与制造厂商。每一层的决策方式完全不同。终端用户要的是“一个能帮我写东西、画图、做视频的工具”应用开发者看到的是“API调用量、付费转化、留存率”模型服务商关心的是“训练集群规模、推理成本、跑分成绩”算力运营商盯的是“GPU采购量、机房上架率、电力配额”而芯片厂看的则是“未来三年的产能预订合同”。问题恰恰出在这里每一层对“需求”的定义都不一样。用户说“我想要个AI助手”传到应用层就变成了“AI功能可以提高客单价”再传到模型层就变成了“基座模型能力决定产品上限”再往上就成了“算力需求似乎永无止境”。信号每经过一层都会被该层的动机所扭曲——应用层要讲故事融资模型层要抢首发算力芯片厂要锁定长单。最终我们看到的现象就是用户其实只是想要一个更顺手的工具而产业链末端已经在为“再造十座超大规模数据中心”投入真金白银了。2. 四级放大一条需求信号如何从“想要聊天”变成“再造一座数据中心”2.1 终端应用层什么功能都要蹭上AI才算数最底层的信号放大发生在应用层。我接触过的产品团队里从2023年下半年开始几乎无一例外地收到过来自上层的“AI化”指令。做办公软件的要在文档里塞一个生成助手做客服系统的要换成大模型驱动的对话机器人连做考勤打卡的App都要加一个AI排班功能。不是说这些需求全部是伪需求但相当一部分的出发点并不是“用户真的需要”而是“友商有了我们不能没有”。这种心态直接导致的后果是AI功能被当成一种标配去铺而不是基于真实场景去打磨。应用层在向模型层下单的时候开口就是“我们要支持百万级日活的对话场景”虽然实际可能只有几千个用户在偶尔试用。这不是故意撒谎而是产品经理在内部立项时必须把天花板说得足够大才能申请到算力资源和模型调用预算。需求预测在这种组织激励下天然是偏乐观的。2.2 模型层规模竞赛吞噬一切噪音到了模型这一层放大机制变得更加凶猛。过去两年顶级模型厂商之间的竞争逻辑几乎是同一个模板更大参数量、更长上下文、更多的训练数据、更高的跑分。每一家都在赌“只要模型能力够强所有应用层的需求都会汇总到这里来”。所以只要终端出现任何一个亮点应用模型层就会把它解读成“通用能力还不
AI行业这两年最值得玩味的不是哪家模型又刷了分也不是哪个智能体突然火了而是一个从供应链管理教科书里爬出来的概念正在产业里被反复验证——“The AI Bullwhip”AI牛鞭效应。我在AI基础设施和应用开发一线做了不少年这两年眼看着需求信号从终端用户逐级上传每一层的情绪和预期都被放大一圈最终传导到上游的芯片和晶圆产能时已经变成了一个和真实需求完全不成比例的庞然大物。这篇文章我想从亲身观察出发把这条产业链每一级是怎么“甩鞭子”的拆开讲讲再说说我们这些在一线干活的人该怎么在鞭子甩过来的时候站稳脚跟。1. 牛鞭效应不是物流术语而是AI行业的底层运行逻辑1.1 从啤酒游戏说起需求波动是怎样被逐级放大的供应链管理里有个经典实验叫“啤酒游戏”四层角色——消费者、零售商、批发商、工厂——只做一件事根据下游订单决定自己的进货量。实验结果是惊人的消费者端只是微小的需求波动到了工厂端就变成了剧烈的生产计划震荡。原因很简单每一层都会基于自己对未来的“预测”做出反应预测有误差误差会累积再加上下单有延迟、订单有批量微小的扰动就被抻成了大幅摆动的牛鞭。这个现象在实体供应链里被研究了四十多年核心成因总结下来无非四类需求预测修正、订单批量、价格波动、以及短缺博弈。过去我们觉得这是制造业的事跟科技行业关系不大。但到了2024年之后AI产业链的规模和复杂度已经彻底改变了这个判断——模型训练要用到上万张加速卡数据中心的建设周期拉长到两三年芯片的流片周期更是以年为单位。当一个行业的供给响应周期如此之长需求信号又如此被媒体、资本和公司战略层层过滤牛鞭效应几乎是必然出现的。1.2 AI产业链的分层结构需求信号如何在层级间传递把今天的AI产业从上到下捋一遍大致可以画成这样一个链条终端用户、AI应用开发者、模型服务商、算力基础设施运营商、芯片与制造厂商。每一层的决策方式完全不同。终端用户要的是“一个能帮我写东西、画图、做视频的工具”应用开发者看到的是“API调用量、付费转化、留存率”模型服务商关心的是“训练集群规模、推理成本、跑分成绩”算力运营商盯的是“GPU采购量、机房上架率、电力配额”而芯片厂看的则是“未来三年的产能预订合同”。问题恰恰出在这里每一层对“需求”的定义都不一样。用户说“我想要个AI助手”传到应用层就变成了“AI功能可以提高客单价”再传到模型层就变成了“基座模型能力决定产品上限”再往上就成了“算力需求似乎永无止境”。信号每经过一层都会被该层的动机所扭曲——应用层要讲故事融资模型层要抢首发算力芯片厂要锁定长单。最终我们看到的现象就是用户其实只是想要一个更顺手的工具而产业链末端已经在为“再造十座超大规模数据中心”投入真金白银了。2. 四级放大一条需求信号如何从“想要聊天”变成“再造一座数据中心”2.1 终端应用层什么功能都要蹭上AI才算数最底层的信号放大发生在应用层。我接触过的产品团队里从2023年下半年开始几乎无一例外地收到过来自上层的“AI化”指令。做办公软件的要在文档里塞一个生成助手做客服系统的要换成大模型驱动的对话机器人连做考勤打卡的App都要加一个AI排班功能。不是说这些需求全部是伪需求但相当一部分的出发点并不是“用户真的需要”而是“友商有了我们不能没有”。这种心态直接导致的后果是AI功能被当成一种标配去铺而不是基于真实场景去打磨。应用层在向模型层下单的时候开口就是“我们要支持百万级日活的对话场景”虽然实际可能只有几千个用户在偶尔试用。这不是故意撒谎而是产品经理在内部立项时必须把天花板说得足够大才能申请到算力资源和模型调用预算。需求预测在这种组织激励下天然是偏乐观的。2.2 模型层规模竞赛吞噬一切噪音到了模型这一层放大机制变得更加凶猛。过去两年顶级模型厂商之间的竞争逻辑几乎是同一个模板更大参数量、更长上下文、更多的训练数据、更高的跑分。每一家都在赌“只要模型能力够强所有应用层的需求都会汇总到这里来”。所以只要终端出现任何一个亮点应用模型层就会把它解读成“通用能力还不
