算法与全景:AI时代行业研判的底层逻辑与架构重塑【第一章】
☕ 预计按 500 字/分钟速度阅读,需要 80 分钟
第一章 认知的破壁:从资料搬运到全景洞察的相变
2003年秋天,我在总行授信部审批一笔制造业贷款。企业方递上来的资料装了两个档案袋,厚厚的,沉甸甸的。我花了两天时间逐页翻完,最后在审批意见栏写了一行字:建议补充实际控制人个人征信报告及近三年家庭银行流水。分管行长看了,问我为什么提这个要求。我说,财务报表是企业的衣服,个人流水才是它的体温。
那个年代,没有天眼查,没有AI摘要,没有任何一键生成的工具。判断一个企业靠什么?靠两条腿跑车间、一双眼睛看仓库、一张嘴跟老板聊家常。慢,但扎实。
二十年后的今天,行业研判这门手艺正在经历一场前所未有的震荡。一个分析师坐在电脑前,用AI工具花二十分钟就能生成一份看起来逻辑严密、数据翔实的行业研报。可我读完这样的报告,脑子里最常冒出的一句话却是:这纸面上没有人的温度,也没有真实的危险。
问题出在底层逻辑上。太多从业者把行业研究理解为百度搜索、数据汇总、AI润色的流水线作业了。他们以为认知的深度等于信息量的厚度,以为复制粘贴的速度代表了专业能力的高度。这是工业时代的思维惯性,在AGI(通用人工智能)时代正在变成职业坟墓。
物理学里有一个词叫“相变”。水加热到一百摄氏度,从液态变成气态,不是水变得更热了,而是它变成了完全不同的东西。认知工作正在经历同样的临界突破。当你还在用老办法堆积已知的时候,真正的高手已经在用新的认知架构,让未知从高维碰撞中涌现。
什么叫“高维碰撞”?不是把宏观经济、行业政策、竞争格局、财务数据像洗牌一样码在一起,而是在看似不相关的知识板块之间建立虫洞。从生物学的演化逻辑看到企业组织架构的必然困境,从热力学第二定律读出行业周期的宿命与突围,从博弈论的纳什均衡理解价格战的尽头在哪里。这不是炫技的跨界,这是AI时代人的最后堡垒。
因为AI擅长的是低维信息汇总,而人真正的价值在于高维的洞察涌现。你把一百份券商研报喂给大模型,它能给你产出一份逻辑通顺、措辞得体的研报。但它永远无法做到一件事:从这些研报的集体沉默中,读出市场还未定价的风险。
这就是本书要交付的核心能力。
从这一章开始,我们将用三十年的行业浸淫,一步步拆解现代行业研判的底层逻辑。你要做好心理准备:这一章是“破壁”,会彻底颠覆你可能已经习以为常的分析范式。我们不教你怎么用AI工具写更快的报告,我们教你如何让AI无法替代你。我们不教你怎样踩在巨人的肩膀上,我们教你怎样让自己成为巨人。
老子在《道德经》里讲:“为学日益,为道日损。” 求学是做加法,悟道是做减法。在信息泛滥的时代,“学”的功夫已经被机器无限放大了,“损”的智慧却越发稀缺。
损什么?损掉那些虚假的认知安全感,损掉那些低维度的信息囤积癖,损掉那些让你看起来很忙却毫无穿透力的工作惯性。
“损之又损,以至于无为。” 只有层层剥离冗余,你才能真正看见事情本来的样子——而不是数据伪装成的样子。
推开这扇门之前,我想请你记住一件事:在AGI时代,淘汰你的从来不是机器的速度,而是你自己的认知天花板。认知的破壁,从承认那面墙的存在开始。
第一节 传统行研的失灵与信息熵增
单元一:经验主义与案头工作的黄昏
1993年,我刚从柜员转岗到信贷部门,带我的师父老周教我的第一件事,不是怎么看报表,而是怎么翻年鉴。他把那本砖头厚的《中国统计年鉴》往桌上一拍,翻到工业经济那一章,用红笔在”规模以上工业企业主要指标”那一栏画了个圈。他说:”小子,记住,看一个行业三年不出这本书,你就是半个专家了。”
二十八年后的今天,那本被翻烂了边角的年鉴还躺在我书柜里,像一座墓碑。不是行业的墓碑,是方法论的。
这些年鉴曾经是投研圈的”硬通货”。2005年到2015年那十年,一个分析师只要把国家统计局的数据吃透,把行业协会的月度简报追紧,再配上几份券商研报做交叉验证,写出来的东西就能让基金经理买单。那个年代,”深度研究”的壁垒是什么?是你比别人多知道一个工厂的真实开工率,多拿到一条经销商的库存变化,多找到一个上市公司财报附注里藏着的信息。这些信息的获取成本很高,所以它值钱。
这就像一个老中医的方子。方子本身不值钱,值钱的是他花三十年尝百草、辨药性、记脉案攒下来的那套”默会知识”。你不能拿了方子就去开诊所,因为同样的药材、同样的剂量,你治不好病人。
但今天,一个刚毕业的实习生打开Wind,三分钟能拉出过去十年任何行业的产量、价格、库存数据。再多花五分钟,AI能帮他生成八种不同风格的分析框架。如果他有耐心花半小时,还能得到一份格式工整、引注齐全的万字报告。
信息平权化摧毁了”信息套利”的根基。
过去分析师做的事,本质上是在搬运信息。把散落在年报、公告、年鉴里的碎片拼成一张完整的图,这张图就是收费的理由。但当所有人几乎同一时间能拿到同样完整的数据,这张图就不再值钱了。用博弈论来理解这个处境很直观:完全信息博弈里,所有玩家都知道彼此的策略空间和支付函数的情况下,纳什均衡点就是你跑不赢市场。超额收益只能来自别人不知道的东西。
讲到这里,你可能会想:那经验呢?经验总不会贬值吧?
答案可能让你不舒服。经验不但会贬值,而且在某些场景下,经验本身就是陷阱。
这个道理我是交了学费才懂的。
2019年底,我在分行接了一个项目,是给某头部光伏企业的产业链上下游做捆绑授信。金额不大,八千万,但结构比较复杂,涉及硅料、硅片、电池片三个环节的四家企业。按照过去二十年银行审贷的”行业全景图”方法论,我让团队拉了完整的产业链数据:上游的产能利用率、中游的毛利率曲线、下游的装机量预测、加上政策补贴退坡的时间表,然后用了一套被验证过多次的线性外推模型。
结论很清楚:全产业链产能过剩的风险在积累,建议压缩敞口。
审贷会开完,项目被否了。我当时觉得这个判断没有问题,甚至有些得意。
事后看,打脸来得很快。
2020年光伏板块涨了接近一倍以上,2021年继续狂飙。那些被我否决的企业,有两家后来完成了IPO,市值最高的时候超过了我审过的所有民营企业加在一起的总和。
问题出在哪儿?我的数据全错了?不是,数据是对的。逻辑有问题?逻辑也没问题,线性外推在价格信号上确实指向了产能过剩。真正的问题在于,我用的那个”行业全景图”框架,只考虑了供需、政策、技术路线这三个变量,而2020年之后进入市场博弈的新因素远不止这些。碳中和承诺带来的预期重构、分布式光伏对集中式电站的替代、硅料供给瓶颈导致的涨价周期拉长、甚至俄乌冲突之后欧洲能源危机对光伏需求的暴力拉动——这些变量,每一个单独拿出来都不在”历史经验”的数据库里,但合在一起,把线性外推的那条直线打成了抛物线。
老周教我的那套方法,没教我怎么处理这个。不是他不想教,是他那个年代不需要。
这就是传统行研遇到的第一个致命伤:变量出现的频率和烈度,已经超过了历史经验可以覆盖的边界。你用过去十年的数据训练出来的模型,在第十一年遇到的冲击可能来自一个完全陌生的方向。
再来看看第二个致命伤:信息的单位成本在趋近于零,但判断的单位成本在飙升。
根据中国证券业协会2025年度的公开统计数据,行业分析师的人数较2020年增长了大约百分之四十,但同期的另一个数据更值得玩味:公募基金主动管理产品的平均持股集中度轻微上升,而换手率同步下降了接近三成。
买方越来越不依赖卖方的”观点”了。这不是因为他们不需要研究,而是他们发现,花钱买来的卖方研报,提供的大概率是已经被市场充分消化了的信息。这些信息有价值吗?有,但已经被定价了。中国证监会2024年发布的《证券研究报告业务监管指引》修订版里特别新增了一条,要求研究报告”明确区分事实陈述与价值判断”,这个措辞本身就说明了问题:监管者也意识到,市场上太多报告在把事实当判断卖。
这让人想起一个物理学上的类比。生命体靠“负熵”活着,它必须不断地从环境中吸收秩序,来抵消自身系统内部的熵增。
研究机构也一样。
过去,一份研报里的”信息”本身就是秩序。因为信息稀缺,你拿到了别人没拿到的数据,你就引入了负熵。但现在,信息不再是秩序,信息本身就是熵的来源。你每天早晨打开终端接收到的不是养料,是需要被筛选、被质疑、被丢弃的噪音。你以为你在”生产”信息,其实你只是在搬运的时候稍微整理了一下。当搬运的成本降到零,而整理的速度赶不上环境混乱的速度,这个系统就危险了。
那么,人的价值在哪儿?
在这个问题上,我自己砸过一次招牌,也正因此才想通了一些事情。
2017年,一家做汽车高速连接器的小企业来申请授信,年营收不到一个亿,厂房挤在苏州工业园一个不起眼的角落。按我那个”行业全景图”的评级逻辑,它在产业链的位置太普通了——三级供应商,连二级都够不上。上游对接的是做线束总成的大厂,再上游才是车企。这种位置的企业,议价能力弱、可替代性强,按标准模型连B级都拿不到。
但团队里一个年轻同事坚持要多跑一趟。他坐了三个小时高铁到苏州,在车间里蹲了一下午,回来递给我一份手写的笔记。上面说,这家企业供的那款高速连接器,是国内唯一能在信号传输稳定性上替代美国安费诺同类产品的。不是”性价比更高”,是”唯一能替代”。因为他们的总工程师之前在军工研究所干了十五年,对某个公差指标有近乎偏执的控制要求,产线上有三道自检是行业内其他企业根本不做的。
这个信息,不会出现在任何年鉴里,不会体现在任何研报中,甚至那家企业自己写商业计划书的时候都没把这个当核心卖点。它就是藏在生产线里的一根不起眼的工装夹具上,藏在工程师下班后还在车间反复调参数的那股子”劲儿”里。案头工作能给你的永远是第二层,第一层在工厂的地面上、在客户的仓库里、在竞争对手的恐惧中。
这就是接下来的路,也是下一单元要拆解的核心问题:当旧地图失效,新地图该怎么画。
古人说:“不识庐山真面目,只缘身在此山中。” 但苏轼在前面其实还有一句:“横看成岭侧成峰,远近高低各不同。” 很多人以为只要跳出山外就能看见全貌,其实你换一个位置,看到的依然只是另一个角度的投射。
真正的认知破壁,不是到处找一个更高的观测点,而是要意识到——你需要的不是一张画得更精密的死地图,而是一套在地图失效时依然能帮你辨明方向的动态导航系统。
单元二:信息茧房与逆向选择的陷阱
当“信息套利”被技术平权化摧毁之后,传统的案头研究工作正在经历一场痛苦的相变。老周手把手教我翻年鉴的那个时代,信息本身就是权力。而今天,信息成了负担。问题变了:四十年前,你的敌人是“找不到数据”;今天,你的敌人是“数据在找你”。这引出了一个新的困境,也是本节我们要解剖的核心命题——为什么在信息如此丰裕的时代,高质量的独立判断反而更稀缺了?
让我们从一个物理学的角度切入这个话题。
1854年,德国物理学家鲁道夫·克劳修斯站在蒸汽机的轰鸣声中,提出了一个后来被爱因斯坦誉为“整个科学的首要定律”的概念:熵。简单说,熵是衡量一个系统混乱程度的物理量。克劳修斯发现,在一个封闭系统里,热量总是从高温物体流向低温物体,直到整个系统达到热平衡——也就是最大熵状态。这个过程不可逆,就像你把一滴墨水滴进清水里,墨水分子会自然扩散,但永远不会自动聚回那一滴。这个定律的第二层意思是:封闭系统的熵,只增不减。
听起来很物理学,和你手里的行业研究报告有什么关系?
关系大得超乎想象。
想象一下,你每天打开万德、彭博社、同花顺,券商研报像潮水一样涌进来。宏观经济数据、行业趋势分析、公司财务点评、政策解读、产业链调研纪要——你所在的信息系统,正是一个典型的封闭系统。什么是封闭?就是你和你的同行们,大家都在同一套信息源里打转。你读的是中信的报告,他读的是华泰的报告,但中信和华泰参考的都是同一批上市公司路演、同一次监管发布会、同一组统计局数据。你们的信源高度重叠,分析框架高度趋同,估值模型高度相似。这是一个完美的信息内循环。根据熵增定律,这个封闭系统的混乱度——也就是信息的无序、冗余、噪声——只会越来越高,永远不会自动降低。
这就是“信息熵增”的本质:在封闭的信息生态里,你获取的每一份新报告,大概率不是在增加你的认知清晰度,而是在增加你的认知混乱度。
讲一个我亲身经历的案例,它让我第一次深刻意识到这个陷阱有多致命。
2018年秋天,我在一家股份制银行负责授信审批。当时有一家做汽车零部件的企业来申请一笔额度不小的流贷。这家企业是某地方政府的重点扶持对象,连续三年入选“省制造业百强”,董事长在当地两会上的发言经常见报。我们风控团队按照标准流程,收集了企业的三年审计报告、行业研报、征信记录、纳税凭证。所有书面材料都指向一个结论:这是一家财务健康、经营稳健的优质客户。审计报告是四大之一出的,无保留意见。券商研报给了“增持”评级,理由充分:国产替代逻辑、新能源汽车产业链受益标的、客户结构持续优化。
标准流程走完,我应该是可以签字的。
但在一次例行贷后访谈中,我无意间和这家企业的一个车间主任聊了几句。他说了一句让我瞬间警醒的话:“我们董事长最近半年主要不是在抓生产,是在抓接待。平均一天三拨人,银行、政府、投资人,都是来看报表的。”
他不是在抱怨。他说这话的时候语气很平淡,像是在描述天气。但这句话像一根针,刺破了我面前所有光鲜的报表。
我开始意识到一个问题:我们所有银行、所有券商、所有投资人看到的,都是同一套“演出”——董事长带着客人在装修精美的展厅里看PPT,财务总监用标准化的口径回答每一个提问,审计报告的数字像军队一样整齐划一。这个企业花了整整三年时间,把自己打磨成了一份完美适配银行和资本市场审美的“标准答案”。而我和我的同行们,因为信源高度重叠、分析框架高度一致,全部在这个标准答案的框架里做判断,没有人跳出去。
后来我们做了补充调查:绕开企业指定的接待流程,走访了它的上游供应商和下游客户,调阅了它所在园区的用电量数据和物流记录,甚至托熟人找了几个离职的老员工聊天。真相浮出水面:它的前五大客户中有两个已经大幅削减了订单,但通过关联交易和票据操作,账面收入依然漂亮;它引以为傲的“智能制造车间”,产能利用率不到四成,大部分设备在吃灰。
我们最终否决了这笔贷款。半年后,这家企业暴雷,多家银行卷入,总敞口超过十五亿。
事后复盘,我反复问自己一个问题:为什么那么多比我聪明的同行,都踩进了同一个坑?答案就在熵增定律里。这个企业所处的金融信息系统的所有参与者——银行、券商、评级机构、财经媒体——都在同一个封闭系统内运转。企业释放的信息本身就是高度粉饰的,而所有外部机构在这个粉饰过的信息基础上再加工、再解读、再传播,形成了一个层层包裹的“信息茧房”。每一层加工看似在“分析”,实际上是在增加系统的熵。时间越久,噪声越大,真相越模糊。
这里面隐藏着一个更深层的机制,经济学家乔治·阿克洛夫在1970年就把它揭示了出来,叫做“逆向选择”。阿克洛夫用二手车市场来打比方:在信息不对称的条件下,卖方知道自己的车是好是坏,买方不知道。买方只能按市场的平均质量出价。结果呢?好车的车主觉得不划算,退出市场;市场上剩下的车质量越来越差;买方察觉到质量下降,进一步压低出价;于是次好的车也退出了。恶性循环到最后,市场上只剩下柠檬——美国俚语里“破烂货”的意思。
阿克洛夫因为这个模型拿了诺贝尔经济学奖。他指出的核心问题是一个:当信息在交易双方之间不对称时,市场不会自动筛选出优质标的,反而会系统性地驱逐优质标的。
把这个逻辑套到行业研判领域,画面就清晰了。企业和投资者之间,存在巨大的信息不对称。企业知道自己的真实经营状况,投资者不知道。当投资者只能依赖企业主动释放的信息来做判断时,那些最擅长信息包装的企业——不管它真实质地如何——就是最有可能获得资金的一方。而那些老老实实、不会讲故事、不愿意粉饰报表的优质企业,反而可能在融资竞争中落后。长期来看,市场上最吸引资本注意力的,不是最好的企业,而是最会“化妆”的企业。
我们常说的“劣币驱逐良币”,在金融市场的信息层面,每天都在上演。
那么,当信息熵增和信息茧房叠加的时候,会发生什么?这正是当下很多行业研究者面临的真实困境。你打开任何一个股票讨论区或者机构内部的研究群,会发现一个诡异的规律:越是热门赛道,大家的观点越趋同。两年前的新能源赛道,随便拎出十份券商研报,对某家龙头公司的目标价预测几乎可以精确到小数点后两位都一样。为什么?因为分析师们参考的是同一组卖方一致预期、同一套估值倍数、同一次业绩交流会释放的边际信号。在这样的信息闭环里,第一个提出“这家公司可能被高估了”的人,会承受巨大的社交压力——被同行质疑“你是不是没看懂”,被客户质疑“你是不是拿不到一手信息”。逆向选择再次发挥作用:敢于表达独立判断的声音,会被系统性地边缘化。
韩非子曾打过一个极狠的比方:“智如目也,能见百步之外,而不能自见其睫。” 人的眼睛看得清百步之外的细枝末节,却唯独看不见离自己最近的睫毛。
在算法推荐和信息过载的今天,我们每个人都在犯这个错误。你可能对行业里的八卦、热点、碎片化数据了如指掌,能看清极远处的细小波动,但你唯独看不清自己身处的信息滤网和认知边界。真正致命的风险,从来不是那些远处的黑天鹅,而是你近在眼前、却视而不见的盲区。
物理学家埃尔温·薛定谔在1944年出版了一本小书,叫《生命是什么》,薄薄的一百来页,却改变了整个分子生物学的走向。薛定谔在这本书里提出了一个天才般的洞见:生命以“负熵”为生。一个生命体之所以能维持其有序结构,是因为它在不断地从环境中汲取“负熵”——也就是说,它在不断地把有序性“吃”进来,用以抵消自身内部不可抗拒的熵增趋势。你吃饭,是在摄入负熵;你学习,是在摄入认知的负熵;你呼吸,是在摄入化学反应的负熵。一旦负熵的摄入停止了,生命就走向了热力学平衡——也就是死亡。
把这个洞见平移过来:在行业研判这个智力活动里,如果你只在同一个封闭信息系统内循环——只读同行写的报告、只听同行参加的会议、只信同行认可的逻辑——你就在经历认知意义上的熵增死亡。你的判断力会随着信息摄入量的增加而递减,你对风险的嗅觉会越来越迟钝,你对反常识信号的敏感度会被群体共识的噪声淹没。你需要的不是“更多的信息”,而是“来自系统外部的负熵”。
什么是系统外部的负熵?举几个我常用的例子。
第一种负熵,叫“对立信源”。当你读完三份对一个行业都持乐观态度的报告时,你的下一步不是读第四份乐观报告,而是刻意去找一份看空的、甚至是唱衰的报告来读。不是因为它一定正确,而是因为它能让你看到乐观者系统性地忽略了什么。哪怕这份看空报告90%都是错的,剩下那10%也值回你所有的时间成本。我当年否决那家汽车零部件企业贷款时,最终让我下定决心的关键信息,不是来自任何一份正式报告,而是来自离职员工的闲聊、园区用电量这种非标数据、以及对其上下游企业资金周转节奏的交叉比对。这些信息散落在企业精心维护的信息茧房之外,属于系统外部的负熵。
第二种负熵,叫“跨界映射”。如果你只研究汽车零部件,你永远只会和同行业的分析师交流,你们的知识结构和方法论同质性极高。但你试试看,用研究互联网平台网络效应的框架去分析汽车零部件企业的客户粘性,用博弈论的框架去推演它在供应链上的议价权变化,用生态学的“生态位”概念去预判它在产业链中的长期生存空间——你会看到一层完全不同的竞争图景。跨界不是附庸风雅,跨界是在引入别的信息系统的“负熵”来对冲你本系统的熵增。我们后面会用专门的章节来讲跨界映射的方法论,但此刻你先记住一句话:当你的认知框架里只有一种学科语言的时候,你就已经把自己锁进了一个茧房。
第三种负熵,叫“无知者探针”。这个方法听起来有点反智,但极其有效。当你面对一个行业的深度报告,觉得自己已经“全懂”了的时候,找一个完全不懂这个行业的人——可以是你的家人,可以是一个不同行业的朋友——把这份报告的核心逻辑用三分钟讲给他听,然后让他提问。那些在你看来“理所当然”的前提,在他那里会变成“为什么”。你会发现,当一个外行人问出“那又怎样”或者“然后呢”的时候,你经常被问住。这个“被问住”的瞬间,就是你打破信息茧房的入口。因为这个不懂行的人,是带着一个完全不同的认知框架来和你对话的,他的每一个“蠢问题”,都是从你的系统外部注入的负熵。
那么问题来了:在具体的行业研判工作中,如何建立一个系统性的“负熵汲取管道”?这不是读几份看空报告、找几个外行朋友聊天就能根本解决的问题。它需要你重新设计你的信息搜集框架,重新校准你的信源结构,重新思考一个更根本的问题——在你的认知体系里,“事实”和“信号”之间,到底隔着什么?
这个问题,我们将在下一个单元展开。那里,我们需要绘制一张新的地图。
单元三:人机协同的重构法则
几年前,一位年轻的同事在飞机上递给我一份厚厚的报告,问我怎么看。我翻了翻,一百多页,从宏观讲到微观,从需求讲到供给,数据排布得像阅兵式一样整齐。他显然花了不少心思,眼神里带着期待。我只问了他一个问题:这三个结论里,哪一个是你真正想说的,哪一个连你自己都不信?
他愣住了,然后笑了。他说,您这一问,比我看一百页报告都值。
我讲这个故事,不是要否定他的努力。恰恰相反,我想说的是,这个行业里最稀缺的,从来不是勤奋,而是那种能把自己从浩如烟海的材料里拔出来、问出一个真问题的能力。今天我们处在一个极其吊诡的时代:工具越强大,人反而越容易偷懒;信息越丰富,判断反而越轻飘。AI能在一分钟内读完十万份年报,可它无法替你决定,你究竟要问什么。
这便引出了本单元想和你聊清楚的一件事:人机协同,到底怎么协?怎么同?
先说一个容易被人忽略的事实。在行业分析的语境里,我们常常不自觉地把AI比作一把更快的刀,把分析师比作那个握刀的人。这个比喻看似无害,却暗藏着一个危险的暗示:好像人还是原来那个人,只是手里的工具换了。可真相是,一旦工具发生了质变,使用工具的人也必须发生质变。就像内燃机出现以后,马车夫不会自动变成司机,他需要重新理解速度、制动和能量转换,否则他只是坐在驾驶座上的那个旧时代的人。
今天很多分析师在使用AI时,恰恰陷入了这种马车夫困境。他们把AI当作一个搜索框的升级版,输入几个关键词,等着它吐出一段看似完整的综述,然后稍加润色就交差。这个过程里,人没有进化,只是被工具拖着走。更糟的是,AI生成的内容天生带着一种文从字顺的迷惑性,它会让一个原本不存在的逻辑漏洞,被流畅的措辞严严实实地盖住。
我见过一份用AI生成的行业报告,通篇论证一家企业的技术领先性,数据详实,语气笃定。可当我顺着它引用的几个关键数据往回追溯时,发现其中一个核心参数被张冠李戴了——它把A业务的数据安在了B业务头上,而AI之所以这么写,仅仅是因为它在训练语料里见过类似的句式结构。这不是AI在说谎,AI不会说谎,它只是不知道自己不知道。
讲到这里,你可能会问:那问题出在哪?
问题不在AI,在于用AI的人把主次搞反了。真正的人机协同,不是把判断权交给机器,而是反过来——由人制定开采规则,让机器去执行最枯燥、最消耗体力的那一部分。
我习惯用一个比喻——把AI看作一台不知疲倦的采矿机。它可以在最短的时间内挖出成吨的矿石,这些矿石就是原始信息。但矿石本身没有价值,有价值的是矿石里提炼出来的那条金线。谁来提炼?谁来判定哪块矿石含金量高、哪块只是废渣?只能是那个理解地质构造、知道矿床走向的人。
在这个比喻里,分析师的角色发生了根本性的转移:他不再是一个亲自下井挖矿的矿工,而是一个制定开采方案的架构师。架构师的核心工作,是提出正确的开采问题——我该往哪个方向挖,挖多深,挖出来之后用什么标准来筛。
这就是我想强调的第一性原理:现代行业分析,比的不是谁读得快,而是谁问得准。
读得快,是工业时代思维在信息时代的回光返照。它默认了一个前提:信息和答案之间是线性关系,读得越多,离答案越近。可在信息熵增的时代,这个前提已经崩塌。信息不是越读越清晰,而是越读越嘈杂。没有正确的问题作为过滤器,读得越多,你离真相反而可能越远。
为什么问问题这么难?因为问出一个好问题,需要你先有一个看得见的盲区,需要你承认自己不知道什么,需要你具备足够的框架去感知到那个缺口在哪里。而人类天生害怕不确定性,我们更愿意去做那些有明确完成度的事情——比如再读十份报告、再拉一遍数据、再画一张图。这些事让人有掌控感,却往往是在用战术上的勤奋,掩盖战略上的懒惰。
我常想起一句古话:知之为知之,不知为不知,是知也【注:语出《论语·为政》,强调承认认知边界本身即是智慧】。这句话在AI时代获得了全新的含义。因为AI最擅长让你产生一种虚假的全知感。它什么都能接上话,什么领域都能铺陈出一段像模像样的分析。当你让AI回答一个模糊的问题时,它不会反问你到底想问什么,它只会给你一个模糊的答案。于是,一个模糊的人遇到了一个不反驳的机器,双方共同生产出了一堆貌似精确、实则空洞的文字。
要打破这个循环,关键的第一步,是把问题问得足够精确。精确到AI无法用套话来应付你,精确到它只能沿着你指定的矿脉去挖掘,而不是漫无目的地清扫地表。
举个例子。同样是研究一家制造业企业,一个模糊的提问是:帮我分析一下这家公司的竞争力。这个问题会换来一段正确的废话。而一个架构师式的提问是:这家公司过去三年的主营业务毛利率变化,与同行业头部三家公司的差异,主要源于原材料成本、产品结构还是价格策略?请分别量化每个因素的影响程度,并标注你这个判断所依据的具体财务科目。
你看,第二个问题本质上是一个开采方案。它限定了时间范围、对标对象、分析维度,还要求机器标注证据来源。这样的问题背后,是分析师先动用了自己的行业认知,判断出了这家企业竞争力最可能波动的三个因素,然后把验证工作交给了机器。
这里藏着人机协同最微妙的一个分工:人去定义变量,机器去计算变量;人去设计假设,机器去检验假设;人去感知盲区,机器去照亮盲区。
这个分工一旦确立,分析师的价值便不再体现在他会不会收集资料,而体现在他敢不敢提出一个值得被检验的猜想。这其实暗合了科学方法里假说演绎的逻辑:先有一个理论预期,再让数据去证实或证伪。没有假说的数据收集,就像没有方向的航行,无论风从哪个方向来,都是逆风。
我还想谈一个更深的层面。很多人担心,AI会让分析师这个职业消失。我倒觉得,AI真正消灭的,是那些只会搬运资料的分析师;而它正在催生的,是那些能把问题当作手艺来打磨的架构师。这两者之间的鸿沟,不是技术的鸿沟,而是认知的鸿沟。
搬运资料的人,看到的是信息;架构师看到的,是信息背后的结构。搬运资料的人,问的是这是什么;架构师问的是,这件事为什么发生,在什么条件下会改变,改变之后对我意味着什么。
识别这种差别,有一个很实用的检验标准:看一个人拿到AI的回答之后,是直接复制,还是继续追问。直接复制的人,本质上没有进入协同,只是消费了机器的输出。继续追问的人,才真正开启了一场人机之间的博弈——他的每一次追问,都在向机器注入自己的判断;而机器的每一次回答,又在修正或强化他的判断。
这个过程,很像一位老练的向导带着一条嗅觉极其灵敏的猎犬。猎犬的鼻子能瞬间捕捉到寻常人闻不到的气味,但往哪个山头去追,过不过那条河,夜里在哪里扎营,这些决定只能由向导来做。向导的价值,恰恰是因为他知道得不够多,所以他需要猎犬;但猎犬永远取代不了向导,因为狗不知道要去哪里。
我并非在贬低机器的能力。恰恰相反,正是因为机器的能力足够强大,才更需要人保持清醒。这里有一个似是而非的悖论:机器越强大,人越不能把自己降到机器的标准上去衡量。你跑不过汽车,就不该去和汽车比速度;你应该去决定,这辆车该开去哪条路。若你放弃了方向盘,只顾着惊叹发动机的马力,那你迟早会被这台机器带到沟里。
我在信贷审批的岁月里,就反复体会到这一点。一份企业的授信材料,往往有几百页。年轻时我会一页一页看,生怕漏掉哪个细节。后来我学会了先问三个问题:这家企业靠什么赚钱,它赚的钱里有多少是真金白银,它最可能在哪个环节翻车。带着这三个问题再去看材料,那些几百页的内容瞬间有了主次,很多原本会消耗我整夜时间的细枝末节,忽然变得无关紧要了。
这不是偷懒,这是把精力花在刀刃上。而今AI把这种能力放大了无数倍,也把滥用这种能力的风险放大了无数倍。因为机器可以不知疲倦地挖掘,如果一个不准的问题被成千上万倍地放大执行,那它生产的错误也可能被成千上万倍地放大。这就像用一台巨大的采矿设备,顺着一个错误的矿脉全力挖掘——挖得越狠,离金线越远,留下的废土却越高。
所以,人机协同的重构法则,说到底就一句话:让人回到人的位置上,让机器回到机器的位置上。人的位置,是设定方向、定义标准、承担后果;机器的位置,是执行检索、穷尽组合、放大效率。
这让我想起一个古老的智慧。《庄子·养生主》里讲庖丁解牛,说他“依乎天理,因其固然”,刀刃所走的全是骨节缝隙,所以“以无厚入有间,恢恢乎其于游刃必有余地矣”。整整十九年,解了数千头牛,那把刀居然“若新发于硎”,跟刚磨出来的一样锋利。
庖丁之高,不在力大,而在知牛。他知道筋骨的间隙在哪里,所以刀不碰硬,游刃有余。今天的分析师,面对AI这台前所未有的利器,最该向庖丁学的,就是这种对底层结构的透彻把握——知道问题的关节在哪里,才不至于让这把锋利的宝刀,硬生生砍在骨头上崩了刃。
有句话我特别想送给正在和AI协同工作的你:工具负责劳作的广度,人负责判断的深度。广度可以交给机器无限延展,深度却只能来自那个安静坐在屏幕前、敢于追问、不怕承认无知的你。
第二节 全景思维的降维打击
单元一:砸碎学科壁垒的部门墙
一家公司的年报,为什么既是一份财务报表,又可能是一张生态入侵的作战地图?这个问题听起来有点怪,但恰恰是大多数人做行业研判时最容易踩空的陷阱。我们太习惯把知识分门别类地锁进贴着标签的抽屉里:经济归经济,生物归生物,历史归历史,物理归物理。抽屉之间隔着一堵墙,这堵墙不是砖砌的,是学科分类法在每个人的脑子里砌的。
我第一次意识到这堵墙的存在,是在一笔光伏授信上。那是很多年前的事了,一位做多晶硅生意的客户带着厚厚一沓材料来找我,材料里全是市场占有率、产能利用率、价格走势,每张图表都做得无可挑剔。按纯经济学的路子看,这笔生意逻辑是通的:需求在涨,成本在降,企业的规模优势正在形成。可我心里总觉得哪里不对。后来我找来一份生物学资料,讲的是珊瑚礁生态系统的崩溃过程。珊瑚礁看上去是个稳定繁荣的系统,但当水温升高到某个临界点,整片珊瑚会在一夜之间集体白化。原因不是某个环节突然坏了,而是一直支撑系统运转的那个平衡,被轻轻推过了临界点。
我把那份多晶硅投资文件重新摊开,用珊瑚礁的逻辑再读一遍。所谓产能扩张,本质上是在一个高杠杆的生态里,所有玩家同时选择扩大自己的领地,就像珊瑚群在争夺有限的光照。表面繁荣,背后是整个行业对同一个环境变量的极端依赖。那一刻我意识到,如果我只会用经济学的抽屉,我看到的永远只是产能和价格;而一旦我敢把生物学的抽屉也拉开,我看到的是一整个生态系统的相变风险。后来那轮光伏周期怎么走的,做过这行的人都记得,不必我再复述。
这就是全景思维的第一刀:先砸掉学科壁垒的部门墙。
有人会反问,行业分析不就是看供需、看政策、看竞争格局吗?扯上生物学、物理学,是不是故弄玄虚?这个问题问得好,值得停下来认真回答。我的答案是:那些基础学科从来不是装饰品,它们是同一套底层逻辑在不同语言里的翻译。经济学里说的规模不经济,物理学里叫热力学第二定律,生物学里叫代谢负担,管理学里叫官僚化。你换了一门语言去描述同一个道理,不是多此一举,而是为了让你在那些经济学语言失灵的地方,还能看清方向。
我们不妨做一个思想实验。假设你现在要判断一家互联网巨头对某个传统行业的跨界打击力度。纯经济学的分析会告诉你,它拥有资本、技术、用户,所以大概率会赢。这个结论对,但没有任何穿透力,因为它没有告诉我们,这家巨头赢的具体路径是什么,以及它可能在哪一步被卡住。现在,我们换成生态学的语言。跨界打击的本质是什么?是一次物种入侵。
生态学里讲物种入侵,有三个关键要素:入侵物种的繁殖率、本土生态的抵抗能力、以及资源生态位的重叠程度。把这套语言映射到商业上,你会得到三个完全对应的分析维度。繁殖率,对应的是跨界者用现有用户和资本快速复制产品的能力;本土抵抗,对应的是传统行业里那些看不见的壁垒,比如牌照、渠道、供应链的信任关系;生态位重叠,对应的是两家企业争夺的是不是同一群用户的同一笔预算。你会发现,一旦用生态学的镜子照,互联网跨界这件事就没那么神秘了。它不是无往不利的降维打击,而是一场胜负取决于三个具体变量的生态战争。有的入侵者能一夜改变整个食物链,比如当年网约车对出租车牌照壁垒的冲击;有的入侵者却会水土不服,最终自己退出去,比如某些互联网企业冲进线下重资产领域却折戟沉沙。区别不在有没有钱,而在生态位的重叠程度和本土抵抗的强弱。
这就是降维打击这个词被滥用了的地方。人们喜欢把任何跨界都说成降维打击,仿佛低维度必败、高维度必胜。但真正做过行业研判的人知道,维度的高低从来不是胜负的关键,逻辑的同构才是。所谓降维,不是站在更高处俯视,而是穿透不同学科的表皮,看见它们底下运行的是同一套力学脚本。
讲到这里,你可能想问:学科壁垒是怎么长出来的?我们为什么天然就倾向于把知识分门别类地锁死?答案是,这堵墙是工业时代的遗产。工业时代需要的是可复制的专业分工,每个岗位只需要精通自己那一小块知识,就能高效地嵌入庞大的生产机器。学校按专业招生,企业按部门设岗,于是知识也被切成了一个个互不相通的格子间。这种划分曾经是巨大的优势,它让人类在几百年里创造了超过此前所有时代总和的财富。但它的副作用也很明显:当一个人在自己的专业格子里待得太久,他的眼睛就只看得到格子里的那几样工具。
现在问题来了。我们正站在一个行业边界被反复打穿的时代,跨界已经成为常态而不是例外。如果分析师的脑子还是按工业时代的方式分成十几个互不往来的小格子,那他面对一个跨界的对手时,就会像一支只装备了单一兵种的军队,去迎战一支海陆空协同的部队。不是勇气不够,是工具箱不够。
要砸掉这堵墙,需要先想明白一个道理:学科只是地图,不是领土本身。真实的世界是没有分科的。一片山林,经济学家看见资源,生物学家看见生态系统,物理学家看见能量流动,历史学家看见人在千百年的栖居。他们都在看同一片山林,只是用了不同的测绘图。所谓全景思维,不是让你放弃自己的专业,而是让你承认,你手里的那幅地图再好,也只是整个领土的一个投影。一个只会看一幅图的人,终究会在真正复杂的地形里迷路。
这让我想起银行风控里的一个老习惯。我们在看一份企业授信报告时,最有经验的审批官从来不会只盯着客户经理写的结论,他们会先看报表,再看报表背后的东西:这家企业的老板最近在干什么,行业的上下游在发生什么,甚至这家企业所在的城市正在经历什么。因为一笔坏账的形成,从来不是一个财务指标变坏了那么简单,它是技术、周期、人心、政策多重力量叠加的结果。任何一个只从单一维度下结论的人,都可能在前三个环节都对,却倒在第四个环节上。
把物理、生物、历史这些学科当作平等的工具箱,具体怎么做?我给一个可操作的办法,分三步。
第一步,遇到任何一个分析对象,先问一句:这件事在别的领域有没有一个天然的孪生兄弟?比如你看平台经济,找生态学里的共生与寄生;看垄断与竞争,找物理学里的相变与混乱边缘;看产业周期,找历史学里的王朝兴衰节奏。这一步的关键是找对类比,而不是硬套。类比必须让问题变简单,而不是变得更玄。
第二步,把那个孪生兄弟的成熟规律搬过来,逐条对照。生态学里关于入侵物种的研究,积累了上百年的数据,什么样的物种容易入侵成功,什么样的本土生态最难被攻破,都有相对清晰的规律。把这些规律翻译成商业语言,你就获得了一套经济学教材里没有写过的分析框架。这就是我前面说的,用一个已知领域的成熟规律,对另一个混沌领域进行解释。
第三步,也是最容易被忽略的一步,回到人性。生态学的规律是冰冷的,物种入侵要么成功要么失败,没有第三种选择。但商业世界里,跨界者的领导人会恐惧,本土企业的老板会不甘,监管者的手心会出汗。这些情绪和选择,会让原本清晰的生态逻辑发生折射,产生出大量反常识的结果。所以冷规律用完之后,一定要记得,最终下注的是人,不是公式。
砸碎学科壁垒的部门墙,不是为了显得博学,而是因为这件事直接关系到一个行业分析师的生存质量。当你手里只有一把锤子时,你看什么都像钉子;当你手里同时有物理学的视角、生物学的视角、历史学的视角时,你看见的就不再是一个个孤立的企业,而是一张彼此咬合的、会呼吸的网。
古人早就看透了这一点。庖丁解牛的故事里,高手看得见的,是筋骨之间那一条条天然的缝隙,而不是牛的外形。学科壁垒就是那层让我们只看得见皮肉、看不见缝隙的墙。砸掉它,不是让刀更快,而是让眼里有了缝隙。
我们不妨把这句话反过来说。一个只在经济学格子里打转的分析师,看见的是企业;一个敢于把生物学、物理学、历史学都摆在手边的分析师,看见的是结构。前者在描述这个世界,后者开始理解这个世界。这之间的距离,就是部门墙的厚度。
当然,砸墙不是一天能完成的。它需要你逼着自己去读那些看起来和本行无关的书,去和不同领域的人聊天,去在每一次下结论之前,先问一问自己:如果我是生态学家,我会怎么看待这件事?如果我是物理学家,我会用什么公式来描述它?如果我是历史学家,我会把它放进哪一段长周期里?这些问题一旦问出来,墙就开始松动了。
而松动,恰恰是一切相变的起点。
单元二:跨尺度拓扑映射的威力
我曾经在很长一段时间里,对一种说法抱有职业性的警惕:同一个规律,能在截然不同的尺度上同时成立。这听起来太像某种廉价的万能钥匙。一个国家的经济周期,怎么可能和一家小工厂的资产负债表收缩共享同一套力学脚本?一只蚂蚁的死亡,和一颗超新星的爆发,底层逻辑凭什么同构?
这种怀疑,是我作为风险审批官最本能的反应。我们这一行的人,被训练得对任何过于工整的理论都先退一步。可是后来,在我处理了足够多的企业、盯了足够长的信贷周期之后,我不得不承认一件事:尺度会撒谎,结构不会。
先说一件我亲手经手的事。大概是2008年往后那几年,我在审批一家做汽车零部件的企业贷款。那家企业不大,年营收三四个亿,给国内一家明星主机厂做二级供应商,专供一种金属连接件。表面看,它在扩张,报表上营收连年涨,机器设备也在添。但我把它的资产负债表单独拎出来,做了一件当时让年轻同事觉得多此一举的事:我把这家企业连续五年的资产端和负债端,按期限重新排了一遍。
排出来的结果让我坐不住了。它的短期负债占比在五年间从四成爬到了七成,而它的资产端,应收账款和库存的周转天数在同步拉长。换句话说,它借的钱越来越短,而它借出去、压出去的钱回来得越来越慢。这在我们的行话里,叫期限错配。但用更底层的语言说,这叫同一套脚本的上演:扩张力在燃料耗尽前,先开始靠更短的债务来续命。那一刻我意识到,我不是在看一家小工厂,我是在看一个微缩版的、即将进入去杠杆周期的经济体。
这里有个概念需要停下来讲清楚,叫拓扑映射。拓扑这个词,从数学里借来。在拓扑学看来,一个咖啡杯和一个甜甜圈是同一类形状,因为你不需要撕裂、不需要打洞,只要连续地捏一捏,咖啡杯就能变成甜甜圈。拓扑关心的不是尺寸大小,不是材质,而是那个不变的结构关系。把这个思路挪到行业研判上,意思就变成了:当我们说一个小企业和大行业同构,不是说它们的规模相等,而是说它们内部要素的连接方式、因果的传导路径,具有可以一一对应的形状。
这就是跨尺度拓扑映射的威力。它不是靠类比修辞,而是靠结构同构。两者有天壤之别。类比是文学,是比喻;映射是物理,是同一套力学在另一个尺度上的精确重放。
让我把这件事拆开。一个微观企业的资产负债表收缩,通常遵循一个清晰的顺序。第一步,资产端开始变慢,应收款收不回来,库存卖不动。第二步,企业为维持运转,被迫借更短的钱、更贵的钱,流动性压力加大。第三步,当短债到期而资产还来不及变现,企业进入被动去杠杆,卖资产、砍费用、收缩战线。第四步,如果这个过程传导到它的上下游,整个供应链的信用开始冻结。
现在,把视角抬高一万米。一个宏观行业的去杠杆周期,脚本几乎完全一样。第一步,需求端转弱,行业应收账款和库存同时堆积。第二步,企业部门为了活下去,开始依赖短融补血,信用利差走阔。第三步,被动去杠杆开始,投资收缩、并购冻结、裁员发生。第四步,信用收缩沿着产业链传导,最后形成整个行业的资产负债表式衰退。
注意,这里的关键词是资产负债表式衰退。这个概念来自经济学家辜朝明,我在这里要做一个注。所谓资产负债表式衰退,指的是当企业和家庭的资产负债表因为资产价格暴跌而受损后,他们的首要目标会从利润最大化切换为债务最小化。哪怕利率再低,他们也不愿意借钱,只想还债。【注:资产负债表式衰退,由经济学家辜朝明提出,用于解释日本泡沫破裂后长期通缩的现象。当大量市场主体同时追求还债而非投资时,正常的总需求会被系统性抽空。】
你看到没有,从一家小工厂的期限错配,到一个国家的资产负债表式衰退,中间隔着天量级的规模差距,可它们的力学脚本是同一条。这就是我想让读者真正掌握的判断能力:不要被量级欺骗。你要找的,是那个不变的结构形状。
让我再往深推一层,用收缩力这个概念来统一它们。在我的四力模型里,收缩力源于人性中的恐惧、保守与风险规避,它通常在扩张力达到极限后被激活。当一家小工厂的老板发现应收款回不来时,他的第一反应不是借钱投资,而是捂紧现金、催收货款。当一个行业数万家企业同时这么想,个体的谨慎就会在加总后变成行业的雪崩。这就是为什么小尺度的行为模式,放大到宏观尺度后会产生规模涌现效应。个体层面完全理性的回避风险,在总量层面却表现为需求的塌方。
反过来说,这个映射也可以反向使用。当你在宏观数据里看到某个行业整体杠杆率在下降、信用利差在走阔,你几乎可以推演出,微观层面那些具体的企业正在经历什么:它们大概率在砍研发、在卖设备、在跟银行重新谈展期。宏观不是抽象的背景板,它是无数微观选择在另一个尺度上的投影。
这里我想插入一个具体的反面案例,让映射的威力在失败中显现。2015年到2017年那几年,国内某类周期性行业经历了短暂的复苏。不少机构当时只看总量数据:行业利润回升了,价格涨了,于是得出行业反转的结论。但他们漏掉了一个关键的微观信号。如果你真的下沉到几家有代表性的企业去看它们的资产负债表,你会发现,利润的回升并没有带来资产负债率的实质性下降,很多企业只是用新赚的利润去还旧债,甚至还在借新还旧。这恰恰说明行业并未真正完成出清,所谓复苏只是一次资产负债表修复的中场喘息。
事实证明,这批被误判为反转的行业,后来大多又经历了一轮更深的下行。宏观数据的漂亮,掩盖了微观结构未愈的真相。而一个掌握了跨尺度映射能力的人,是可以通过一张小企业的资产负债表,提前嗅到整个行业尚未完成的收缩力释放的。
讲到这里,可能你会问一个很自然的问题:这种映射会不会有失效的时候?会不会尺度大到一定程度,结构和因果链条就变了,不能再简单地平移?
这是个好问题,也是我必须诚实的部分。跨尺度映射不是无条件的。它的成立需要两个前提。第一个前提,是系统内部的传导机制具有足够的同质性。一家工厂的资产负债和全行业的资产负债之所以同构,是因为它们共享同一个信用体系、同一种货币环境、同一套会计规则。如果把这家工厂放到一个完全不同制度环境的经济体去,映射就可能断裂。第二个前提,是系统不能存在剧烈的相变临界点。就像水在九十九度和一百度之间,差那一度就发生相变。当我们说这家工厂的收缩可以映射整个行业时,前提是整个行业还没有越过从收缩到崩溃的那道临界线。一旦越过,线性映射就会失效,取而代之的是非线性的雪崩。
所以,拓扑映射的警惕性和它的威力同样重要。它是望远镜,但也可能让使用它的人产生一种危险的错觉,以为自己把一切规律都握在了手里。
这让我想起老子在《道德经》里的一句警示。他说真正的大智慧,叫作“豫兮若冬涉川,知止所以不殆”。什么意思?古人讲在冬天过河,最考验人的,从来不是冰面结实时的快步如飞,而是在冰层薄厚难测、暗流涌动的地方,能够瞬间放慢脚步,屏息凝神,像走在薄冰上一样保持极致的警惕。看清全局的纹理顺势而下,这是你的能力;但在纹理断裂、暗流涌动的临界点前,懂得收手知止、心存戒惧,这才是真正的定力。
顺境中踩油门是本能,深水区前懂得踩刹车,才是穿越周期该有的敬畏
跨尺度拓扑映射,对我们做行业研判的人意味着什么?它意味着,你不必等到整个行业的数据全部出来,才做出判断。当机构的数据库还在汇总、当统计局的季度报告还差三个月发布,一个敏锐的分析师,可能已经通过对几家样本企业资产负债表的结构拆解,提前看见了行业即将到来的收缩脚本。这就是小样本推演大趋势的真实含义。它不是玄学预测,而是结构同构下的降维打击。用已知的小尺度规律,去解释和预判尚未展开的大尺度事件。
让我把这个方法落到可操作的层面。当一个分析师想判断某个行业是否进入去杠杆周期,他不该只盯行业的宏观杠杆率。他可以先做三件事。第一,选取这个行业里财务状况透明的几家上市公司,把它们的资产负债按期限重新排布,看短债占比和资产周转速度的变化方向。第二,观察这些公司信用利差和再融资的难易变化,这是收缩力传导的实时温度计。第三,去验证这种微观变化是否已经在上下游企业的订单和付款周期上留下痕迹。如果这三层的结构形状一致,那么宏观层面的去杠杆,大概率只是时间问题。
反过来,当你要判断一个行业是否真的复苏,你也不该只看利润和价格。你要看那些代表性企业的资产负债表有没有发生实质性的、结构性的改善。利润是流量的,资产负债表是存量的。流量可以靠天气,存量要靠时间。复苏的真假,往往藏在存量结构里,而不是流量波动里。
这就引出一个更深的判断尺度。在行业研判里,真正决定趋势的往往不是利润表好看不好看,而是资产负债表健康不健康。利润表是一个行业的呼吸,资产负债表是一个行业的体格。呼吸急促可能是暂时的,体格坍塌才是致命的。而跨尺度拓扑映射教给我们的,恰恰是穿透流量的呼吸,去摸清存量的体格。
我把话再收回到最开始的疑问。同一套力学脚本,为什么能在微观和宏观之间成立?答案不在于世界有什么神秘的统一意志,而在于我们观察世界的方式。当你的注意力从报表的数字,转向数字背后要素与要素之间的连接方式时,一家工厂和一个国家之间的距离,其实并没有你想象的那么远。它们都是同一个信用网络里的节点,共用同一种会计语言,遵循同一种人性对风险的集体反射。
所以,小样本推演大趋势,本质上不是用少推多,而是用结构推结构。跨尺度拓扑映射的价值,就在于它让你在行业转向尚未来临时,先于别人一步,看见那柄已经举起的刀。
下一节,我们继续深化跨界映射的方法论,并直面一个更棘手的问题:当机器声称自己无所不知,它真的知道它不知道什么吗?
我处理那家汽车零部件企业贷款的半年之后,那个行业迎来了整整两年的去杠杆。那家工厂的老板后来找我,说幸亏当时压了额度。我什么都没说,只是合上了那份被我用红笔重新排过的资产负债表。在合上的瞬间我忽然明白,那些被我画出来的、跨越了从一家工厂到一个行业的所有线条,其实早就写在每一笔短期借款和每一张应收票据里了。所谓降维打击,从来不是站得更高,而是看得见结构。
单元三:冷规律与热人性的折射
“冷规律”这个词,是我在总行风险管理部养成的口头禅。那时每天早晨打开电脑,屏幕上滚动的是全国各分行的风险指标:不良率、拨备覆盖率、逾期剪刀差、不良贷款迁徙率。这些数字不会喊疼,也不会撒谎,它们只是安静地躺在表格里,像一具具被剥去血肉的骨架,把一家企业、一个行业的命运精确地还原成几个小数点。久了,你会产生一种错觉:既然规律是冰冷的,那么循着规律推演下去,人的选择似乎也就没有悬念了。
直到2012年那个秋天,我在浙江一个县级市的两场走访,才把这个错觉彻底打碎。
那是光伏行业最冷的冬天。欧美双反落地,多晶硅价格从每公斤四百多美元的高点一路跌到二十美元上下,整个产业链上的企业像多米诺骨牌一样倒下。我去的那天,当地一共安排了两家企业供我考察。上午去的第一家做电池片,老板姓陈,四十出头,名牌大学材料学出身。他的厂房是新的,设备是新的,连办公楼的玻璃都还亮得能照出人影。他给我看账本的态度近乎虔诚,每一个数字都记得清清楚楚:几月进料、几月出货、每片电池的成本构成到了几分钱。他说自己已经连续三个月发不出工资,银行抽贷的通知就压在办公桌的玻璃板底下。讲到一半,他突然停了下来,指着窗外那排崭新的设备说:”这些都是我的命。”
“但命也得先保住肉身。”他说这话的时候,语气平静得不像是在做一个价值几个亿的决定。他准备把新设备打七折卖掉,把厂房租出去,带着二十个核心研发的人另租一处小的,做点代工撑过这个冬天。”账上的钱还能撑七个月,卖了设备还能再加十个月。一年半的时间,够我等到价格回来的那天吗?不知道,但至少我不会死利索。”
下午去的第二家,是做硅片切割液的,老板姓吴,农民企业家出身,嗓门大,烟瘾也大。他的工厂规模只有陈老板的三分之一,账上现金却比想象中的多。问他怎么打算,他把烟头往烟灰缸里一摁,说了句让我记到今天的话:”越冷越要买地,越没人要的时候,东西越便宜。”
他不仅没收缩,反而在谈两宗同行的倒闭设备,”半价收进来,原班人马我都请回来,等回暖了,我就是这个细分行业里产能最全的。”我提醒他抽贷的风险,他摆摆手:”银行的钱本来就是借来的命。你们抽,我就去找信托,找民间,利息高点就高点。这个行业不可能死绝,只要人不走,机器在,总有人要用切割液。”
那天晚上,我住在县城的酒店里,翻来覆去睡不着。白天两场对话像两块冰火两重天的石头压在胸口。同样的寒冬,同样的”收缩力”笼罩,同样面对的是资产负债表塌陷的危机,一个选择断臂求生,一个选择蒙眼狂奔。数据能告诉我价格跌了多少、库存周转慢了几天、短债占比升了几个点,可数据永远回答不了那个最要命的问题:为什么是陈老板选择退,为什么是吴老板选择进?
这正是全景思维第三法则最扎人的地方。前两个法则——砸碎学科壁垒、跨尺度拓扑映射——解决的是”看到规律”的问题。它们让我能从一张企业的资产负债表里,读出整个宏观去杠杆周期的脚本,能从一个行业的信用利差变动里,嗅到相变临界点的逼近。这些是冷规律,精确、客观、可重复。但规律本身并不会替人做决定。规律就像天气,它告诉你会下雨,却不会告诉你,你该撑伞,还是该趁着雨水去洗车。
把天气翻译成行动,中间隔着一层东西。那层东西,在陈老板那里叫”活下来”,在吴老板那里叫”赌一把大的”。同一场雨,落在不同的心上,会折射出完全不同的光。这层能把冰冷的客观规律折射成各不相同的主观选择的介质,就是我们说的人性棱镜。
要理解这枚棱镜,得先回到那个更根本的问题:人到底是不是理性的?古典经济学用一个叫理性经济人的假设搭起了整个理论大厦,仿佛每个人都能精确计算边际效用,在每个选择面前像解方程一样做出最优解。可如果你真的在审批一线坐过十年,看过上万份贷款申请,你会知道这个假设有多么一厢情愿。真实的企业主,会在账上只剩几个月现金时,还坚持不卖那台从创业第一天就跟着自己的老设备;会在所有人都说该止损时,赌上后半辈子去抄底一个夕阳行业的产能。这些决定,用利润最大化的模型算不出来,用风险规避的模式也解释不了。它们来自另一个坐标系,那个坐标系里最重要的变量不是现金流,不是杠杆率,而是一个人怎么定义”我是谁”、”什么值得守”、”什么值得赌”。
这枚棱镜的构成,往往比我们想象的更朴素。对陈老板来说,那台设备、那个厂房、那支跟着他熬过无数个通宵的研发团队,不只是资产,更是他作为名校理工男的尊严和承诺。卖掉设备,账面上是止损,心理上是割肉,割的是他那口”我一定能做出东西来”的气。但他最终选择割,是因为他的棱镜里还有一个更硬的轴:责任。几十个工人的工资、上游供应商的货款、自己作为第一代民营企业家的信用,这些逼着他把”活下来”排在了”体面”前面。
而吴老板的棱镜里,那根轴叫”机会”。他做硅片切割液起家,是从一无所有里杀出来的,见惯了行业起落。在他的经验里,最冷的时候从来都是胆大者的春天。别人恐惧时他贪婪,不是因为他更懂光伏,而是因为他那套从白手起家一路打拼磨出来的生存哲学里,”逆势扩张”才是通往阶层跃迁的唯一路径。收缩力对他而言,不是警报,而是打折券。
讲到这里,你可能已经感觉到,我们在谈的早就超出了哪个老板更聪明的判断。陈老板后来活了下来,代工熬过寒冬,等到行业出清后重新赚了钱。吴老板的抄底一度让他成为那轮洗牌里的赢家,产能翻了三倍。但假如我们把时间轴再拉长,拉到后来那轮更猛烈的单晶对多晶的技术替代,两个人都没能完全躲过。冷规律最终还是追了上来。这恰恰说明,人性棱镜不负责改变规律,它只负责决定你在规律面前以什么姿态站立。
那么,这和我们做行业研判有什么关系?关系比大多数人想象的要大得多。市场上绝大多数研报,本质上都在试图把”人”从分析里剔除出去。它们假设行业里的每个参与者都是一样的理性机器,面对同样的价格信号会做出同样的反应,于是预测就成了一道纯粹的算术题:产能过剩多少、需求缺口多大、出清需要几个季度。可真实世界里,行业是人做出来的。有人信仰成本曲线,就有人信仰规模效应;有人看到库存就止损,就有人看到库存就加仓。这些不同选择叠加在一起,才构成了那个最终被我们称之为”行业走势”的宏观结果。
换句话说,我们前面用资产负债表收缩映射宏观去杠杆周期,那套映射之所以能成立,前提是传导路径上的一个个企业都在以相对同质的方式回应信号。一旦样本里的企业主们开始用截然不同的棱镜去折射同一束光,那个”四步脚本”就会在某个环节拐出计划之外的弯。这正是相变临界点的真正恐怖之处:临界点从来不只是一个数字,它还是一群人心态从”还能等”翻转到”必须走”的那个瞬间。而这个瞬间,无法被任何模型完全预测。
前面提到的资产负债表式衰退,还有一个更微妙的层次。当企业从利润最大化转向债务最小化时,整个经济会陷入一种货币政策失效的陷阱,无论利率多低,一心还债的人都不会借钱扩张。这个理论常被用来解释日本失去的三十年。可如果我们把人性棱镜放进去看,会发现一个更微妙的层次:所谓”从利润最大化到债务最小化”的转向,从来不是所有企业同步发生的。总有一些吴老板式的人,在所有人都收缩时反而扩张,成为那个冬天里最早破冰的芽。也总有一些陈老板式的人,用最保守的姿态守住了火种,为春天的苏醒保留了必要的产能和人才。
冷规律决定了冬天会来,也会走。热人性决定了冬天里有人烧炭,有人砌墙,有人睡觉,有人在夜里磨刀。二者合在一起,才是一个行业完整的剧本。
这让我想起一句话:天地不仁,以万物为刍狗。天道规律对谁都一样冷,它不会因为陈老板的责任感就给他多发一个季度的现金,也不会因为吴老板的胆量就替他挡住价格的继续下跌。但在同样的”不仁”之下,人依然可以做出完全不同的、属于他自己的回答。这或许就是全景思维最想说的那层意思:我们追求看穿规律,不是为了在规律面前俯首称臣,而是为了在认清全部冰冷之后,依然有胆量、有理由,去做那个只有”我”会做的选择。
老子讲”知人者智,自知者明”【注:《道德经》第三十三章,意为能看清别人是智慧,能看清自己才是通透】。做行业研判久了,最稀缺的从不是拆解数据的聪明,而是在冷热之间看清自己的那点通透。因为说到底,我们分析行业,从来都不只是在分析行业。我们在分析的,是那些在寒冬里犹豫、坚守、逃亡或狂奔的,和我们一样有血有肉的人。
第三节 五维相变律的热身与启动
单元一:广度与深度的极限拉扯
如果你现在打开任何一个行业分析软件,输入“光伏”两个字,大概率会得到成千上万份报告。产业链图谱、产能数据、政策文件、券商研报、专家访谈纪要,应有尽有。过去做这样一份行业扫描,一个三人的分析师团队要埋头一个月,才能勉强拼出一张还算完整的图景。今天,一位熟练使用AI的分析师,一个下午就能把这些材料全部捞出来,分门别类摆在桌面上。
可是我要问一句,把这些资料全部捞出来之后呢?
材料越多,那个“为什么”的声音反而越微弱。你拥有了整片森林,却开始看不清哪棵树才是真正值得生长的。这正是我们进入五维相变律第一站时,首先会撞上的那堵墙。这堵墙有一个很朴素的名字,叫做广度与深度的极限拉扯。
先说实话,我做了三十年银行风险管理,审核过的企业超过万家。我见过太多人把“看得多”误认为“看得清”。手里握着一百个行业的数据,却对一个行业的底层逻辑说不出三句话。这种状态,古人早就用八个字点破了,叫做“博而寡要,劳而少功”。博是广,要就是那个藏在现象下面的根。广度的确重要,可如果广度不以深度为锚,它就只是一堆会流动的数据,而不是你的判断力。
五维相变律的第一步,不是教你如何用AI把广度铺得更开,而是教你如何让广度与深度互相拉扯,在拉扯中撕开一条缝,让真正的认知透进来。
让我们先做一次广度维的热身。广度维的核心,是利用AI作为望远镜,跨越学科壁垒,去扫描万千百科中“同类现象”的分布。我举一个让你意想不到的例子。
你观察过一栋办公楼里,为什么有些公司越做越大,有些公司始终停在二十个人吗?你观察过一棵树,为什么有的枝条疯狂生长,最后却最先被风折断吗?你再观察一个星系,为什么有些恒星拼命燃烧自己,光芒万丈,寿命却只有几百万年,而有些恒星黯淡无光,却能存在几百亿年?
这三个问题,表面上看一个属于组织管理,一个属于植物学,一个属于天文学。但如果你把它们放在同一个视野里,你会发现它们背后藏着同一条底层规律:任何系统都有扩张与收缩的对抗,而决定系统能否存续的,从来不是扩张的速度,而是扩张与支撑之间的匹配度。
这就是广度维真正要做的事。它不是让你去记住天文学有多少种恒星、植物学有多少种分支方式,而是让你把这些风马牛不相及的现象并排放到一起,然后问自己:它们之间,有没有一条共享的暗线?
用AI做这件事,效率会高得超乎想象。你可以让AI在五分钟内检索生物学里关于“过度生长导致资源透支”的研究,同时检索管理学里关于“企业规模与效率倒U型关系”的文献,再检索天体物理中关于“恒星质量与寿命的反比关系”【注:恒星质量越大,核心核聚变反应越剧烈,燃料消耗越快,寿命越短,这是天体物理中经典的质光关系】。三个学科的结论会像三面镜子一样,同时照向同一个方向。
但请注意,走到这一步,你还只是完成了广度维的扫描,它让你的桌上多了三堆陌生的知识,你的脑子里多了三条平行的线索。如果停在这里,你只会成为一个“知道很多杂事”的人,而不会成为一个“看见底层规律”的人。
这时候,深度维就该登场了。深度维的核心,是利用AI作为显微镜,剥离表象,直击支配这种现象的最底层物理规律。
我问你一个问题,一棵树为什么会自我修剪?植物学里有一个专门的名词,叫“顶端优势”。一棵树的养分是有限的,当它把所有养分优先供给顶端的新芽时,下面的侧枝就会因为得不到养分而自动枯萎脱落。树不是舍不得那些侧枝,树是在用放弃一部分扩张,来保住主干的深度扎根。这不就是一种极其原始的“收缩力”吗?收缩力不是衰退,收缩力有时候是系统为了活下去,主动做出的结构性放弃。
再看那些长不大的二十人公司。我见过太多这样的案例。一个老板接了一个大订单,立刻招了三十个人,租了更大的办公室,买了更多的设备。结果订单结束后,他不知道下一个订单在哪里。那些人、那间办公室、那些设备,全都变成了每个月固定要付出去的成本。树不会犯这种错误,因为树的顶端优势是自动执行的,它不会贪心。而人会贪心,人的扩张力一旦被点燃,常常会压过本该同步启动的收缩力。
这就是深度维的价值。它让你从“树人星同类现象”这个广度维的观察中抽身出来,逼问自己一句:那条共享的暗线,到底是什么?
答案是能量与结构的匹配。这是一个可以在物理、生物、组织、经济之间通用的底层规律。一个系统能长多大,不取决于它想长多大,而取决于它在扩张的每一个节点上,能否同步生成足以支撑这个体量的结构。树用根系和木质部支撑树冠,恒星用引力对抗核聚变的热压力,企业用管理制度和现金流支撑营收规模。支撑结构跟不上,扩张本身就是一种自杀。
讲到这里,你大概已经能感觉到,广度与深度在拉扯中完成了一次小小的相变。广度维让你看到了三个看似无关的现象,深度维逼你找到了它们共享的第一性原理。接下来要发生的,才是五维相变律真正的惊艳之处,不过那是后面几个单元的事,今天我们先把这个“拉扯”本身说透。
我想用一个亲身经历,把这层拉扯的质感给你讲实。
大约是2015年前后,国内有一波激进的“P2P”借贷热潮。我所在银行的风控部门,几乎每天都会收到下面分行报上来的各种平台合作方案,动辄宣称年化收益率百分之十几,底层资产看起来五花八门。当时很多人的反应是,赶紧研究这些平台到底靠不靠谱,用一套又一套的评分模型去打分。
而我当时做了一件看起来很不“分析师”的事。我让团队把所有平台的商业模式,全都抽象成一句物理学的表述:它们到底是在做“能量转换”,还是在做“能量凭空放大”?结果很清楚,几乎所有宣称高收益零风险的平台,本质上都在做能量凭空放大,也就是用新进来的钱去支付前面投资者的利息。这在物理学上是不可能的,在经济学上有一个更直白的名字,庞氏骗局。
我们不必逐家去查每一笔底层资产的真实性,因为底层规律已经把答案写在了墙上。你只需要用深度维的显微镜往那个商业模式的最底层照一下,就会发现它违背了能量守恒。广度维上,我们确实扫过了几十家平台;深度维上,我们只用了一条物理规律,就把它们全部看透了。这就是广度与深度拉扯之后,那一瞬间的“原来如此”。
这就是我想在这一节开头就交给你的一件趁手工具:不是先做广度再做深度,而是让广度与深度像两股绳子一样,在每一个认知节点上互相绞紧。广度负责把“世界之大”铺开给你看,深度负责把“大道至简”从这一大堆里拎出来。
而这个拎出来的动作,AI做不了,只有你能做。AI可以在一秒钟内告诉你,树木的顶端优势、恒星的质光关系、企业的规模效应,它们各自的定义是什么。但要把这三样东西放在一起,然后逼问出“能量与结构的匹配”这一条,这个追问的动作,架构在人脑里那件叫做好奇心的东西上面。AI是望远镜,AI也是显微镜,但那个决定往哪里看、以及看完之后逼问“所以呢”的人,永远是你。
还记得前面我们讨论过的人性棱镜吗?那个决定个体如何折射外部力量的独特信念系统。在这个单元里,它其实已经悄悄露了个头。同样是面对一大片资料的海洋,有的人选择无限扩大广度,把每一份研报都读完,这是一种对确定性的贪恋;有的人选择固执地钻进一个深井,拒绝抬头看看邻井里发生了什么,这是一种对安全的依赖。这两种选择,都不是能力问题,而是棱镜问题。
这就引出本单元我要你记住的第一句话:在AI时代,广度是廉价的,深度是昂贵的,而把广度兑换成深度的那个兑换率,才是你的认知护城河。
那么具体到操作上,广度与深度的拉扯,有没有一个可以每天练习的启动动作呢?有。
第一步,找一个你正在研究的行业,用一个足够“异类”的学科去照它。研究零售业,就去问AI,生态学里的“生态位”和零售业的“差异化定位”之间有什么同构之处。研究芯片行业,就去问AI,化学里的“结晶过程”和芯片良率的提升之间有没有可以映射的规律。正是这种刻意的不伦不类,才能撕开你思维里的学科护城河。
第二步,逼自己从这些异类现象里,拎出唯一一条第一性原理。记住,不是三条,是一条。如果你发现自己拎出了很多条,说明你还没有挖到底。能量守恒、信息不对称、路径依赖、边际递减,这些都可选,但你必须选一条,并且用这条原理去反向检验你前面的所有广角观察。
第三步,也是最重要的一步,回到你自己的判断,问一句:这条底层规律,对我眼前这个具体决策到底意味着什么?如果不能落到一个具体的决策上,你刚才所有的广度深度拉扯,就只是一场昂贵的智力游戏。
第三步最难,也最见功夫。因为我见过太多人,前两步做得漂漂亮亮,一到了第三步就露了怯。他们能讲清楚树木的顶端优势,能讲清楚恒星的寿命公式,却讲不清楚自己明天要不要批准那笔三千万的授信。这就是为什么,我坚持认为,这第三步,只能由人来完成,也只能由“看到过真实世界的人”来完成。
写到这里,你可能已经隐隐感觉到,五维相变律从第一步开始,就不是在教你和AI抢速度。AI在广度上永远比我们快,而我们在深度上必须比AI更狠。这个狠,不是指凶狠,而是指那种不服气的追问:它说树木的顶端优势是这个意思,那我就偏要问,这个意思,对我明天要做的那个决定,有什么用?
一句古人的话,放在这里格外合适。王阳明讲“知行合一”,后世把它讲成了很多玄虚的道理。我把它读得很朴素:你知道了,却没有做到,那就不算真知道。广度让你“见”,深度让你“知”,而那个能落到行动上的“行”,才是把广度与深度最终焊死在一起的第三股力量。这第三股力量,正是下次单元我们要启动的关联维——它负责在前两个维度之间,架起那座能通车的桥。
今天这一站,我们就停在这里。你只需要带走一个认知:在AI时代,真正的稀缺不再是“看到更多”,而是“看得更深”与“用得更准”之间的那个不间断的往返运动。广度与深度从来不是二选一,它们是一对必须时刻互相折磨的搭档。折磨得越狠,透进来的光就越多。
单元二:异构知识的虫洞跳跃
银行信贷这行干久了,人会染上一种职业病:看见任何一个新东西,第一反应不是它好不好,而是它拿什么还钱。
我说的不是现金流,我说的是底层的偿付逻辑。当一个借款人把一栋楼抵押给我,我问的不是这栋楼值多少钱,而是如果明天它不值这个钱了,我手里还剩下什么。这个问题放到今天看AI基础设施,你会发现一个让人后背发凉的事实:绝大多数人分析算力中心,用的还是三十年前分析港口和电厂的那套颗粒度,却以为自己跟上了一个全新的时代。
这一节,我想把五维相变律里的第三维单独拎出来讲透。前面两节,我们聊了广度维怎么用望远镜扫射,深度维怎么用显微镜沉潜。但你很快会发现,广度和深度之间隔着一道墙。广度给你的是散落各处的知识点,深度给你的是单个知识点的第一性原理。真正让认知发生相变的,不是这两者的任何一面,而是你能否在它们之间打出一条通道。
我把这条通道叫虫洞。
虫洞这个词借自天体物理,指的是时空中两个相距极远的点之间可能存在的一条捷径。在知识的世界里,同样存在这样的捷径:两个看似毫无关系的领域,在底层结构上其实是相通的,一旦你找到那个连接点,你就可以瞬间从一个知识星系跳到另一个,而不必沿着学科分类的漫长道路绕行。
要理解这件事,我们先回到抵押物上。
二十年前,我在审批一笔港口项目的贷款。那家企业的老板很会讲故事,他说港口是”海洋经济的入口”,只要船进来了,码头、仓储、物流、贸易,整条产业链都会向他交租。我当时问了他一个问题:如果隔壁市再修一个更大的港,你的船还来吗?
这个问题背后藏着一个朴素的道理:港口的价值,不取决于它建得多漂亮,而取决于船舶为什么要选择它。这涉及到水深、航道、腹地经济、通关效率,以及一个最容易被忽略的东西——航线网络的密度。一个港口的真正护城河,不是它的泊位数量,而是它已经织进了一张多么密的航线网络里。船公司不会为了一个孤立的好码头改道,它们只会沿着已有的网络走。
回到今天。当一群人用”土地、厂房、机柜、服务器”这套词汇讨论算力中心时,他们看到的其实是一座港口的泊位。但当另一群人用”带宽、时延、算力密度、网络互联”讨论同一个东西时,他们看到的是航道和航线。
这两种视角之间隔着的,就是那个虫洞。
讲一个具体的例子。过去三四年,市场给算力基础设施的估值,几乎全部锚定在”卡的数量”上。买了多少张GPU,成了衡量一家算力公司价值的唯一标尺。但这套逻辑,恰恰重复了当年用”泊位数量”给港口估值的错误。你有一万个泊位,如果航线不经过你,这些泊位就是海边的一堆水泥。
算力中心真正的”航线”是什么?是它接入的光纤网络里,数据包以什么样的时延到达终端用户,是它和云计算巨头、模型训练方之间的互联密度,是它在某一条关键网络链路上的节点地位。一个建在偏远地区、电价便宜但时延高达几十毫秒的算力中心,本质上就是一座深水良港却没有任何航线经过。
这个类比一旦建立,很多原本分散的信息就自动归位了。你会开始用分析港口的框架去重新审视算力中心:它的腹地是什么?是周边的数据源和产业需求。它的竞争港口是谁?是同区域的其他算力集群。它的通关效率对应什么?对应的是模型训练任务在这里排队调度的效率。它的航线网络密度对应什么?对应的是它和各大云厂商、大模型公司之间的算力互联协议。
你看,这就是异构知识虫洞的力量。它没有给你任何新数据,却让你的旧数据产生了全新的解释力。
但虫洞的建立,不是随便找个比喻就完事的。这里有一个陷阱,我把它叫”伪虫洞”。很多人做跨界类比,只是在语言层面做了一次替换,把A叫成B,就以为自己完成了认知跃迁。真正的虫洞,要求两个领域在底层结构上同构,而不是在表面特征上相似。
怎么判断是不是真虫洞?一个简单的测试:你要能从一个领域里拎出那个支配性的第一性原理,然后看它是否能在另一个领域里完整地跑通。跑通了,就是虫洞;跑不通,就是伪虫洞。
港口的第一性原理是什么?是”节点价值取决于它在网络中的位置,而非节点本身的物理属性”。这条原理跑进算力中心,跑得通。跑进房地产呢?也跑得通——一栋写字楼的价值,取决于它所在的商务网络位置。跑进个人职业发展呢?还是跑得通——一个人的价值,取决于他在人际和知识网络中的连接位置,而非他掌握了多少孤立技能。
这就是为什么我在审批贷款时,看抵押物从来不是看它本身,而是看它嵌在什么样的网络里。一栋孤零零的厂房和一座联网的产业园里的厂房,账面价值可能相同,清算价值天差地别。前者是物理存在,后者是网络节点。这个区分,是我三十年风控生涯里最值钱的一条心得,而它本质上就是一次虫洞跳跃:把”网络科学”的洞察,折叠到”抵押品估值”这个完全异质的领域里。
说到这里,你可能会问:这个虫洞思维,和普通的类比到底有什么区别?
区别在于,普通的类比是修辞,虫洞是结构映射。修辞只负责把话说得生动,结构映射负责改变你的决策模型。当我用港口重新定义算力中心时,我不是在找一个好听的比喻,我是在换一个估值模型——从一个”算硬件”的模型,切换到一个”算网络位置”的模型。换模型会改变你买什么、卖什么、给谁放贷、给谁降价。换比喻不会。
这中间还有一个更深的层次,值得单独讲一讲。
人类的知识之所以被切割成无数个”异构”的领域,很大程度上是工业时代教育分工的产物。物理学家和银行家的语言不同,不是因为他们面对的世界不同,而是因为他们被训练成用不同的方言描述同一个底层逻辑。古人其实早就看见过这一点。庖丁解牛的智慧,就在于顺着“间隙”走——他看到的不是牛的肌肉和骨骼的杂乱堆积,而是这些异构组织之间的“间隙”,也就是结构。他顺着结构走,刀就永远不会钝。
做行业研判的人,恰恰需要庖丁的眼睛。信息是异构的,数据是异构的,行业是异构的,但当你把视角从”内容”升到”结构”,你会发现它们之间的间隙其实是相通的。你真正要练的,不是记住更多牛的每一块肌肉叫什么名字,而是看见那些间隙在哪里。
我再用一个反面例子,让你感受一下缺了虫洞会怎样。
2015年前后,有一批投资人狂热地追捧所谓的”智能硬件”创业公司。他们的估值逻辑很直接:硬件出货量乘以单价。这个逻辑在手机时代或许还能跑,因为手机确实是”出货量乘以单价”的生意。但当它被原封不动地搬到智能音箱、智能手表上时,问题就出现了。智能音箱的第一性原理,根本不是”卖出一台硬件”,而是”在家庭场景里占据一个语音入口”。入口的价值,取决于背后连接的服务生态,而不是塑料壳子的毛利。用卖砖头的模型去估一个入口,就像用泊位数量去估港口,错的不是计算,是模型本身。
这就是缺了虫洞的代价:你拿着一套旧模型,去处理一个新结构的东西,你的所有计算都是精确的,但你的方向是错的。
话说回来,虫洞思维是可以训练的。我自己这三十年的经验,把它拆成三个动作。
第一个动作:剥掉名词,只留动词。当你面对一个新事物,先别管它叫”算力中心”还是”港口”,你问它本质上在”做什么”。港口在做的是”连接流通”,算力中心在做的是”连接计算”,写字楼在做的是”连接协作”。一旦你把名词剥掉,只留下”连接”这个动词,你会突然发现,这三个东西在结构上开始变得可以对话了。
第二个动作:寻找同一动词在不同尺度下的重复。你发现”连接”这个动词,在小到人脑神经元、大到国际贸易网络里都在重复。神经元的连接密度决定智慧水平,贸易网络的连接密度决定繁荣程度,算力网络的连接密度决定智能供给。当你捕捉到这种跨尺度的重复时,虫洞就快要打通了。
第三个动作:把动词翻译成可量化的指标。连接密度怎么量?港口的航线数、算力中心的互联带宽、神经元的突触数量、贸易网络的伙伴国数量。当你能用同一套数学结构去描述完全不同的领域时,你就完成了从”觉得像”到”确实同构”的跃迁。
讲一个真实的推演,来说明这套动作怎么用在当前最火的问题上。
市场上现在有一种论调,认为AI基础设施会像当年的光纤网络一样,经历一场惨烈的”资本开支泡沫破裂”。这个悲观的类比有它的道理,但它忽略了一个关键的区别。光纤网络爆发时,连接的是”人的通信需求”,而人的通信需求是有上限的——你一天能说的话、能传的文件就那么多。所以光纤建多了,需求跟不上,泡沫就破了。
但今天的算力网络,连接的是”智能的生产”。而智能的需求,目前看不到清晰的上限。模型越大,智能越强;智能越强,它被调用得越多;调用越多,算力需求越大。这个循环里,需求的增长不是线性的,而是自我强化的。
所以如果你把光纤泡沫的旧模型直接套到算力上,你会犯一个和当年用”出货量乘单价”估智能音箱一样的错误:模型选错了。正确的做法,是找到算力需求的那个”自我强化”的第一性原理,也就是规模效应下的智能涌现,然后去看历史上还有哪些系统具有同样的自我强化特征——社交媒体网络、电网、铁路、城市人口集聚。它们共同的结构是:网络的价值或需求,随着网络本身的增长而超线性增长。
这就是虫洞思维给我们的真正礼物:它不是为了让你显得博学,而是为了让你在别人套旧模型的时候,悄悄换上一个更接近真实结构的模型。
最后,我想把这件事落到一个具体的、可以带走的行动上。
下一次,当你收到一份关于某个新兴行业的研报,不要急着读它的结论。先做一件事:把这份研报里所有的新名词圈出来,然后逐个问自己,这个名词里藏着哪个动词?这个动词,我上一次在哪个老行业里见过?那个老行业,后来是怎么演化的?把这三问走完,你会发现,你手里多了一份别人没有的地图。
知与行两个字,我在这本书里另有读法:知,是你看见异构知识之间那条虫洞;行,是你真的顺着这条虫洞,把一个领域的成熟规律搬运到另一个领域去下判断。知而不行,虫洞就只是脑子里的一个漂亮比喻;知而行之,它才会变成你的估值模型,变成你的风控准绳,变成你在别人都看走眼时依然清醒的那一点点底气。
而这一切的热身,才刚刚开始。下一节,我们要把虫洞放进时间的长河里,看它如何在历史的反复折叠中,显露出行业兴衰的底层节律。
单元三: 历史折叠的周期回响
当你顺着异构知识的虫洞,把不同领域的底层结构彻底接通之后,很多人会产生一种掌控一切的幻觉。他们会觉得,既然算力中心就是当年的深水港口,既然网络节点的价值取决于拓扑结构,那么只要把这个数学模型建得足够精巧、把逻辑推演得天衣无缝,未来的财富密码就已经握在手里了。
但做风控三十年,审核过上万家企业之后,我见过太多手里握着“绝对正确模型”的聪明人,依然在市场上被摔得粉身碎骨。
为什么?因为他们算对了空间,却算错了时间;他们看懂了结构的同构,却看漏了周期的节律。
模型是静态的切片,而现实是一条奔流不息、带着巨大阻力与惯性的大河。市面上绝大多数分析师最致命的盲区,就是把一个长达二十年的“非线性演进过程”,在自己的脑子里直接拉成了一条平滑向上的“线性增长直线”。他们看见了终点的灿烂,却不知道从起点走到终点,中间隔着多少次资本的洗牌、人性的动摇与周期的严冬。
这就把我们推到了五维相变律里最残酷、但也最值钱的一站——时间维。它的核心,是利用AI作为你的“时光机”,把眼前的狂热或萧条,折叠进人类数百年的技术与商业长河里,去寻找那个正在暗中重复的古老节律。
古人讲:“君子见几而作,不俟终日;知时与变,乃可长久。”后人往往把“知时”当成一句算命式的玄学,但在顶级的行业研判里,时间不是玄学,而是一张自带刻度的坐标纸,是一面能照出一切泡沫原型的镜子。
太阳底下真的没有新鲜事。今天我们在AI算力、大模型、具身智能上看到的一切疯狂抢购、天价估值、焦虑恐慌与行业混战,在1840年代英国的“铁路狂热”里发生过;在1920年代美国全国内燃机普及、收音机风潮和电网大扩张里发生过;在1990年代末的光纤泡沫与互联网浪潮中,同样分毫不差地发生过。
每一次颠覆性技术革命的爆发,在时间轴上都会经历几乎一模一样的四个阶段:
第一阶段,概念点燃与基建的非理性超前。资本像潮水一样涌入,所有人都在拼命买卡、买铁轨、铺光纤,唯恐落后半步。在这个阶段,市场只看产能扩张,不看实际产出,谁的声音大、谁借的钱多,谁就是时代的宠儿。
第二阶段,伪需求破灭与残酷的低谷出清。当过剩的基础设施远远跑赢了实际应用的消化能力,虚假的繁荣瞬间退潮。大量没有真实造血能力的企业应声倒下,资产以一折、两折的跳楼价被挂上拍卖台,整个行业陷入漫长的质疑与绝望。
第三阶段,低成本废墟上的制度重构。在第一阶段铺设的庞大基建,经过第二阶段的惨烈清算后,变成了极度廉价的社会公共要素。电价便宜了,带宽免费了,算力白菜价了,整个社会的组织架构、法律规范和用户习惯,终于在低成本的土壤里慢慢完成了改造。
第四阶段,润物细无声的应用井喷与繁荣。杀手级的超级应用在这个时候才会真正诞生。它们不再高调宣扬自己的技术多么前沿,而是悄无声息地嵌进每个普通人的衣食住行,把整个人类文明推向一个新的台阶。
如果你只用当下的切片眼光看行业,你会被每天更新的模型跑分、融资战报和概念炒作牵着鼻子走,以为世界下个月就要彻底重构;但如果你启动时间维的时光机,把过去两百年里历次工业革命的“技术扩散曲线”调出来,重叠在今天的人工智能大潮上,你的心率瞬间就会慢下来,你的眼神瞬间就会冷下来。
你可以让AI在三分钟之内,调取1995年到2005年全球互联网基础设施的真实演进数据:资本支出何时见顶、网络流量何时出现剪刀差、纳斯达克崩盘后企业倒闭的波及面有多广、以及真正的超级巨头是在哪一年才重新走出低谷。
拉出这张对照表后,你会发现一个令人震撼的事实:代码虽然在以每秒上亿次的速度迭代,但人类组织、社会制度和心理认知消化一项新技术的生理周期,两百年来从未改变。
硬件进化的速度,是以月为单位的;代码迭代的速度,是以周为单位的;但人类制度的变革、组织流程的重塑、企业文化的转型,是以十年为单位的。
这个由“人的肉身惯性”与“社会组织摩擦力”所决定的时间差,就是客观世界对技术狂热最无情的校准。任何忽视这个时间差的分析师,都会陷入致命的盲目;任何忽视这个时间差的创业者,绝大多数不是死在技术不够先进,而是死在了天亮之前最漫长、最寒冷的破晓时刻。
为了把这个时间的切骨之痛讲透,我想跟你分享一个我至今刻骨铭心的亲历案例。
大约是2001年前后,全球互联网泡沫刚刚破裂,国内正处于宽带网络大铺设的前夜。当时我所在的银行信贷审批室里,来了一位带着硅谷顶尖背景的创业团队。他们做的是城域光纤通信骨干网设备,手握多项国际专利,技术指标领先当时行业整整一代。
那位创始人站在我面前,指着厚厚的商业计划书,眼里闪烁着天才的光芒。他用极具穿透力的数学模型告诉我:未来的互联网一定是从图文走向高清视频,从单向浏览走向全民互动;未来每一个家庭、每一间办公室都需要百兆甚至千兆的带宽;中国哪怕只有百分之五的企业接入他们的设备,年营收就能突破十个亿。
他说得对不对?回过头看,他说的每一句话都是对的。二十年后的今天,我们手机里刷的高清视频、我们每天使用的云端会议,完完全全印证了他当年的所有预言。他的逻辑无懈可击,他的技术世界第一。
但在审阅那份厚重的财务报表和融资协议时,我注意到了一个致命的时间细节:他们刚刚用极高成本采购了一大批专用芯片和生产线,账面上的现金流扣除每月的固定开支和研发费用后,最多只能维持十四个月。而他们下游的电信运营商,正在经历惨烈的资本开支收缩,全国光纤入户的改造工程,按照当时的政策规划与施工进度,至少还需要五年才能全面铺开。
十四个月的寿命,去等一个五年后才会到来的风口。
那笔上千万元的贷款申请,我最终投了反对票。当时负责营销的业务团队很不理解,甚至认为风控部门思想保守、不懂前沿科技、阻碍了战略新兴产业的发展。
后来的故事很多人都知道了。2002年,全球电信业进入极寒之夜,大批光纤设备厂商倒闭,被称为“暗光纤”的未点亮光缆在地下沉睡,资产价格跌得只剩废铜烂铁。那家曾经不可一世的技术明星,因为下游回款遥遥无期、后续融资彻底断裂,在撑了整整十六个月后,黯然宣布破产清算。而真正享受到中国宽带大爆发、移动互联大红利的那批企业,是2008年之后在极其廉价的通信网络底座上成长起来的应用公司。
技术是对的,时代是对的,人也是对的,但他死在了时间的错配里。
这个残酷的教训,成了我三十年风控生涯里最值钱的一道警钟,我也把它写进了书稿《历史的引擎》里。在商业和周期的世界里,领先三步的往往变成了烈士,只有领先半步的才能成为先驱。时间维的本质,不是教你去幻想未来有多美好,而是教你去丈量现实的沼泽到底有多深。
那么,具体到行业研判与实际决策中,我们究竟该如何利用AI这台“时光机”,把时间维真正立起来?
你可以依靠三个极其硬核的操作动作:
第一个动作:寻找历史同构体,建立技术扩散的镜像坐标。
永远不要把眼前的任何一个新产业、新概念当成孤立的奇迹。当你研究AI算力中心的大规模建设时,不要只看英伟达和各大云厂商当季的财报,逼AI把1998年全球光纤大铺设时的资本支出曲线拉出来;当你研究具身智能机器人什么时候能进工厂打螺丝时,逼AI调取1970年代日本汽车工业引入自动化焊接机械臂的真实渗透率数据。
你要问AI三个问题:当年那个同构的技术,从实验室突破到市场渗透率达到百分之十,花了多少年?在这个漫长的过程中,第一批吃到螃蟹的基础设施公司,有百分之几活到了最后?行业利润的重心,是在哪一年、因为什么标志性事件,从底层硬件彻底转移到上层软件和运营服务的?
让历史的同构体充当你的参照系。当你看过了历史上那些风云变幻的起落,眼前喧嚣的一切就会褪去神秘感,露出它原本的机械骨架。
第二个动作:穿透技术参数,寻找相变临界点上的“杀手级成本线”。
一项新技术无论多么惊艳,在它没有击穿某个特定的成本临界点之前,它永远都只能是少数极客的玩具或大企业的昂贵摆设,不可能迎来真正的商业相变。
比如,光伏产业从来不是靠口号变成全球主流能源的,而是在多晶硅提纯技术与金刚线切割工艺突破后,度电成本硬生生跌破了火电标杆上网电价的那一刻,才迎来了不可逆转的爆发;智能手机也不是在乔布斯发布第一代iPhone时就普及全球的,而是在联发科推出高集成度交钥匙芯片方案、把智能机价格打进千元以内、同时4G资费断崖式下调的那个节点,才真正引爆了全民移动互联。
在时间维的研判中,你必须让AI帮你梳理出整个产业链的成本结构,然后逼问出一个极其精准的问题:眼前的这项新技术,要替代现有的成熟旧技术,那个让终端客户“不得不换、不换就会死”的平价临界点到底在哪里?以目前的供应链降本速度,整个行业在时间轴上还需要多久才能砸穿这条线?
在这条杀手级成本线被砸穿之前,所有的出货量预测、所有的市场空间推算,都必须打上一个巨大的折扣。
第三个动作:用最冷血的风控尺子,做现金流与周期底部的“耐力咬合”。
这是时间维最具实战杀伤力的一步。把你在广度维看到的宏大空间、在深度维算出的第一性原理、在关联维架起的商业虫洞,全部放进时间维的磨刀石上狠狠碾压。
你要拿着这家企业的资产负债表,一笔一笔地核对:它的负债到期日是哪一年?它的核心应收账款账期是几个月?在行业从“基建狂热”跌入“产能出清”的低谷期里,如果行业整体降价百分之三十、下游订单推迟一年交付,这家企业的账面资金到底能让它活多少天?它的融资能力,能不能撑到下一个周期的上升通道?
如果一家企业的生命线只有一年,而技术周期的洗牌需要三年,那么无论它的算法多么领先、创始人背景多么光鲜,在风控的显微镜下,它本质上就是一个高危的投机标的。只有当企业的负债周期、资本耐力与技术的扩散周期严密咬合在一起时,这笔投资、这家企业才真正具备了穿越周期的资格。
唐代文学家杜牧在《阿房宫赋》里写过一句震聋发聩的话:“后人哀之而不鉴之,亦使后人而复哀后人也。”
在商业与资本的杀戮场上,缺乏时间维敬畏的人,不过是在用最新一代的算力和大模型,极度高效地重复着最古老的短视与贪婪。
时间维的启动,从来不是为了让你去神棍般地预测下个月股票的涨跌——那是赌徒的执念,不是研判的逻辑。时间维的真正力量,是在所有人都在为眼前的浪花狂欢时,让你能够站在高维度的河岸上,看清整条潮水涨落的周期大势;是在所有人都在寒冬里恐慌绝望时,让你能够凭借历史的记忆,笃定地算出春天破土的精确节律。
走完这一步,五维相变律的前四维已经完成了严丝合缝的闭环:广度维为你铺开了浩瀚的可能,深度维为你夯实了底层的第一性原理,关联维为你架起了跨越异构领域的知识虫洞,而时间维则把这一切稳稳地锚定在了历史与周期的河道之中。
但请不要忘记,一个拥有了完美广度、极致深度、精妙关联和宏大时间感的分析模型,依然可能是一台冷酷运转的“空转机器”。它算得出一切资产的价格,却可能完全算不出这笔资产对人类生活的真实重量。
要让这套认知框架真正产生灵魂、真正具备穿透周期的温度与定力,我们必须把所有的逻辑与数据,引向最后一个终极的支点。
这个支点,就是我们在下一个单元里要直面的灵魂拷问:价值锚定的内核追问。
单元四:价值锚定的内核追问
我们借着一座港口与一个算力中心的同构,把异质知识之间的虫洞打通了,顺手还敲掉了市面上流行的一句话:看AI基建,别再数机柜,要数位置。这话说起来痛快,但在风控官的本能里,痛快之后往往跟着一个问题。这个问题不玄,就三个字:然后呢?
位置算清楚了,网络位置算清楚了,需求自我强化的那根曲线也算出来了,可这笔投资、这个行业、这场风口,到底值不值得人把真金白银的十年押进去?这时候,五维相变律里最容易被跳过、又最不该被跳过的一维,必须登场了。它是内核维,追问的是价值锚定。
我先说一个我亲手经历过的相反版本。很多年前,我在总行授信业务部审批业务时,批过一家做智能穿戴设备的公司。当年的商业计划书漂亮极了,逻辑比现在很多AI创业公司还工整:全球可穿戴出货量乘以平均单价,得到一个天大的市场;再用公司设定的市场占有率一除,得到一个必然高速增长的营收曲线。模型闭合,增长可期,团队光鲜。可当我把厚厚的材料合上,脑子里浮起的不是那个市场有多大,而是一个很朴素的问题:这个东西,卖出去之后,让人活得更好一点了吗?
那批智能手环后来怎么样,市场已经给出了答案。多数产品安静地躺进了抽屉,电池耗尽,变成一块不会响的电子废料。它们没有降低任何人生活的混乱程度,反而增加了一个需要充电、需要同步、需要焦虑电量的小物件。熵没有减少,反而在增加。这就是我在内核维上反复叮嘱自己的一句话:没有真实价值底座的风口,终将被时间抹平。出货量乘以单价,只是广度维和深度维编织出来的海市蜃楼,它回答不了价值的问题。
内核维的核心命题,是把所有分析最终拉回到人本身。它要求我们在完成数据碰撞、完成跨域映射之后,必须停下来,问一句这个行业、这项技术,对人类生存而言,究竟是降低了熵增,还是在制造新的熵增。这里的熵增,用一句大白话讲,就是系统从有序走向混乱、从清晰走向失控的趋势。房间不打扫会乱,身体不维护会垮,组织不治理会臃肿,而一项技术,如果它让人的生活变得更复杂、更焦虑、更耗散,那么它对社会这台大系统的贡献,就不是负熵,而是正熵。
我把这个判断工具,叫做负熵价值检验。它其实是一个反常识的标尺:判断一项新技术是不是真风口,不看它烧钱的速度,不看它会议的密度,不看它PR稿的声量,只看它在多大程度上,帮助某个人或某个组织,把原本要花在对抗混乱上的时间、精力、注意力,节省下来,释放到真正重要的事情上。
用这把尺子去量一量,很多过去我们习以为常的结论会松动。比如,一个号称智能的软件,如果用户为了用它,反而要花大量时间学习配置、整理入口、处理误报,那它对个体而言就是正熵制造机。相反,一个看起来笨拙的工具,只要它能稳定地、不声不响地把人从重复劳动里解放出来,它就在创造负熵。价值锚定的内核追问,逼我们承认一个略显尴尬的事实:技术的光鲜程度,与它创造的价值大小,并没有必然的正比关系。
讲到这里,你可能会问:这种价值判断,难道不是主观的吗?就像《庄子》里问的:人吃牛羊,鹿吃嫩草,猫头鹰爱吃死鼠,“四者孰知正味?”【注:原文源自《庄子·齐物论》“民食刍豢,麋鹿食荐,蝍蛆甘带,鸱鸦嗜鼠,四者孰知正味?”】——甲之蜜糖,乙之砒霜,连美味的标准都不一样,怎么拿它来做行业研判的硬标准?
这个疑问问到了内核维最锋利的地方。的确,如果价值判断完全主观,内核维就沦为了情怀的注脚,失去了分析的刚性。但我要说的,恰恰相反。负熵价值检验的厉害之处在于,它可以把看似主观的价值问题,翻译成可观察、可量化的指标。怎么翻译?
第一层,看时间。这项技术,最终是替人节省了时间,还是占用了人的时间?这里的节省,不是指替人娱乐或消磨,而是指把人从不得不做的低价值劳动中释放出来。如果一个AI应用的目标用户,为了使用它,每天反而要多花半小时整理数据、筛选结果,那么无论演示多么惊艳,它对用户的净贡献大概率是负的。
第二层,看注意力。人的注意力是这个时代最稀缺、也最容易被误伤的负熵资源。一项技术如果以频繁推送、制造焦虑、诱导沉溺来维持活跃度,它就是在系统性消耗用户的注意力,制造精神层面的熵增。相反,真正有价值的工具,往往安安静静,召之即来,挥之即去,不喧宾夺主。古人讲宁静致远,这四个字在今天的信息环境里,几乎可以直接当成一款产品是否创造负熵的检验标准。
第三层,看决策质量。这是金融从业者最熟悉的一层。一项技术引入之后,使用它的人,其决策是变好了,还是变坏了?如果它让人更依赖系统提示、更少独立思考、更容易在信息茧房里反复强化偏见,那么即便它高效,它也在降低人类的决策质量。反之,如果它能把复杂信息压缩成可用的认知,帮助人在关键节点做出更清醒、更少后悔的选择,它就是在降低决策的熵。
这三层追问一摆出来,内核维就从一句口号,变成了一张可以逐项打分的操作表。时间、注意力、决策质量,每一项都可以定义指标、收集数据。诚然,这个严肃的投资世界里没有完美无缺的标尺,但负熵价值检验至少给了我们一个不被叙事裹挟的抓手。它是平衡力的在场——当扩张力把估值推到天上,当进化力把故事讲得宏大迷人,内核维负责踩一脚刹车,问一句:这东西,到底让谁,过得更好?
这里必须补一句,防止矫枉过正。我绝不是主张技术要退回田园牧歌、拒绝一切复杂。进化力从来不是敌人。恰恰相反,任何真正伟大的技术,其本质都是通过制造局部、可控的复杂性,来换取全局、可感的简单。手机很复杂,但一个人处理事务的效率大幅提升;搜索引擎极其复杂,但获取知识的门槛断崖式下降。技术的价值,不在于它简单还是复杂,而在于它制造的那点复杂性,最终有没有被足够的简单性所覆盖。负熵价值的净判断,看的是那个差值。
这就自然引出了内核维的一个高阶观察:在AI时代,价值的发生地和价值的计算地,正在分离。过去,一项技术有没有价值,往往在它的发明地、生产地就近结算。而今天,AI的能力本身已经趋于通用,模型的能力差距在缩小。这时候,真正决定价值的不再是模型本身,而是模型被嫁接到怎样的场景、解决了怎样的痛点、降低的是谁的熵。换句话说,价值的锚,从技术供给端,漂移到了应用价值端。一个只会制造炫技Demo、却找不到一个具体的人愿意为它减少混乱而付费的方向,无论融资多少轮,内核维上都是虚的。
写到这里,我想起《老子》的四个字:知止不殆。知道在哪里停下、知道边界在哪里,就不会陷入危险。内核维说到底,是一种知止的能力。它让分析者在无数的可能性面前,依然能分辨出哪个方向经得起时间的冲刷。佛家也有一句:应无所住,而生其心。不被表象所住,不被叙事所住,不被一次漂亮的融资所住,那份清明的心,才能升起于真实的判断。这两句古语,用在内核维上,恰如一体两面:知止,是对外的边界;无所住,是对内的清明。
我们把这一维放进整节的热身序列里看,会发现它其实是前几维的收束。广度维让我们看见足够多的可能,深度维让我们看清底层的第一性原理,关联维让我们在异质间架起虫洞,时间维让我们把当下放进历史的河道里校准。而内核维,是那个最终的落点:这一切,最终要回答人为什么需要它。没有广度,内核会狭隘;没有深度,内核会肤浅;没有关联,内核会僵化;没有时间,内核会短视。但反过来,没有内核,前面四维无论多么绚烂,都可能只是精致的空转。
五个维度走到这里,五维相变律的热身,算是真正启动了。接下来,当我们把这些热身动作,应用到真正的行业研判中去时,会看到一幅更完整的图景展开。但从这一格开始,有一句话需要先留在心里:在AI时代的洪流里,最稀缺的,不是算力,不是数据,甚至不是模型,而是那个敢于在喧嚣中停下来,问一句这对人到底有什么用的清醒。这份清醒,正是内核维送给每一位行业研判者的礼物。
我们这一章从一张被数据塞满的办公桌出发,走到这里,桌上堆叠的文件并没有减少,但你看它们的方式已经变了。
初入行时,我总以为行业研判拼的是谁看得多、谁记得牢、谁半夜还在啃招股书。三十年后回过头看,这条路走到尽头只会收获两样东西:一套被信息撑破的自我,和一堆经不起时间检验的结论。真正拉开差距的,从来不是搬运资料的速度,而是穿透资料的能力。同一份年报,有人读出利润的增减,有人读出管理层的人性博弈;同一组宏观数据,有人看到冷暖,有人看到冷热背后那只看不见的手正在重新洗牌。差别不在数据,在认知的底板。
如果要用一句话概括这一章,我想说的是:认知的破壁,不是换一个更聪明的工具,而是换一套更诚实的底层逻辑。资料搬运的尽头是信息过载,全景洞察的起点则是承认自己看不懂的那部分,然后调动一切可调动的算力与心力,去把它看清楚。这需要勇气,因为看清楚往往意味着要先打破自己熟悉的叙事;这也需要方法,因为我们不能停留在勇气上,必须让判断可重复、可验证、可追溯。
讲到这里,你或许会有一个很自然的疑问:道理我懂了,可面对互联网上浩如烟海、真假难辨的实时数据,我到底该从哪里下手?这恰恰是下一章要解决的问题。理念的升级只是打开了一扇门,真正要走进屋里去,还需要一套能落地的工具与流程。下一章,我们将进入实战,教你如何在人机协同中搭建一张超级搜集网络,在信息的汪洋里精准捕获那些能够决定行业走向的核心数据,并且,最重要的是,教会你如何不被数据本身骗过。
古人讲,不畏浮云遮望眼,只缘身在最高层。这一章我们尝试登上的,未必是最高的那层楼,但至少是让我们第一次看清了浮云之外的那片天。真正的攀爬,从下一章开始。
