技术周期：从想象爆发到无处不在的认知地图
作者：JmBai · 更新时间：2026-07-07
新技术几乎从不线性普及。它会经历想象爆发、资本涌入、过度承诺、泡沫破裂、基础设施完善、真实应用扩散——这条轨迹有坚实的科学依据、可识别的阶段信号和可执行的决策框架。本文用五个跨学科模型、四个深度案例和一套判断指标，把"技术周期"从概念升级为可操作的认知地图。
一、为什么技术周期不是直线，而是波动
人类直觉对技术的预期是线性的：今天有人做出了，明天就能用，后天就能普及。事实正好相反。新技术从出现到真正改变世界，往往需要 10-30 年，并且中间会经历数次大起大落。
这种波动不是偶然，而是由四种结构性力量共同作用的结果：
- 认知过度反应。 新技术一旦突破某个阈值，会同时激活大众的"害怕错过"（FOMO）和"必然改变世界"的叙事偏差。短期预期被推高到远超实际能力的水平。
- 资本过度涌入。 金融资本以"叙事"为信号进行配置。一旦某个技术被认定会"颠覆"，资金会以远超实际需求的规模涌入，推高估值、制造泡沫。
- 基础设施滞后。 大多数新技术的"杀手级应用"，都需要配套基础设施（网络、硬件、标准、协议、人才）。基础设施成熟需要时间，而早期叙事很少反映这一点。
- 互补资产缺失。 David Teece 在 1994 年的开创性论文里证明：单一技术几乎从来不创造价值，价值来自它和互补资产（互补产品、渠道、习惯、法规）的结合。 这种结合同样需要时间。
这四种力量叠加的结果是 Roy Amara 在 1970 年代总结的著名经验法则——Amara 定律：
我们倾向于在短期内高估一项技术的影响，在长期内低估它的影响。
这句话是整篇文章的钥匙。所有"技术周期"的认知偏差，都可以追溯到对 Amara 定律的违反。
二、Gartner Hype Cycle：技术普及的五个标准阶段
最被广泛使用的技术阶段模型来自 Gartner 公司的 Hype Cycle（炒作周期）。它把技术从出现到成熟分成五个阶段：
技术萌芽期 ──→ 期望膨胀期 ──→ 幻灭低谷期 ──→ 复苏爬升期 ──→ 生产力成熟期
│ │ │ │ │
突破性 媒体爆炒 早期失败 真实应用 稳定渗透
演示 资本涌入 案例崩盘 开始浮现 成为基础设施
2.1 阶段一：技术萌芽期（Innovation Trigger）
技术突破首次公开。例如 2012 年 AlexNet 在 ImageNet 比赛上的胜出，2016 年 AlphaGo 战胜李世石，2022 年底 ChatGPT 上线。
这一阶段的特征：技术原理被验证，但应用场景几乎为零。能跟上的只有极少数研究者和早期工程师。
2.2 阶段二：期望膨胀期（Peak of Inflated Expectations）
媒体、资本、上市公司集体涌入。叙事压倒现实。
这一阶段的特征：
- 概念公司估值飙升，往往远超其当前营收
- "颠覆 X 行业"成为媒体通用语
- 一线工程师知道"还没到"，但已经很难解释，因为资本市场不看技术细节
2017 年的区块链 ICO、2023 年的 AI 概念股、1999 年的互联网公司——都是这一阶段的典型。
2.3 阶段三：幻灭低谷期（Trough of Disillusionment）
第一批商业化尝试失败、第一批明星公司倒闭、第一批"颠覆"承诺落空。叙事反转为"这个技术被高估了"。
这一阶段的特征：
- 资本撤离、媒体转向负面
- 但真正在做事的工程师留下来
- 基础设施开始悄悄建设（标准、开源框架、人才教育）
2000-2002 年的互联网寒冬、2018-2022 年的区块链冬天，是这一阶段的典型。
2.4 阶段四：复苏爬升期（Slope of Enlightenment）
第二波、第三波企业真正找到应用场景，开始产生真实营收。
这一阶段的特征：
- 案例研究从"概念演示"变成"可衡量 ROI"
- 工具、平台、人才市场成熟
- 主流企业开始认真评估和采纳
2010-2015 年的云计算、2015-2020 年的深度学习应用，都处在这个阶段。
2.5 阶段五：生产力成熟期（Plateau of Productivity）
技术成为基础设施，被广泛采用，"不再特别"。
这一阶段的特征：
- 人们不再讨论"是否要用"，而是"如何用得更好"
- 新一代创业者甚至不认为这是新技术（就像今天没人觉得"互联网"是新事物）
- 真正的社会影响在这个阶段才完整显现
个人电脑（1990s）、移动互联网（2010s）、云（2020s）都已经进入这一阶段。
关键洞察：Hype Cycle 不是预言"成功"或"失败"，而是描述"被讨论程度"和"真实生产力"之间的时间差。 大多数人在阶段二就被高估吸引，在阶段三被低谷吓退，但真正价值出现在阶段四和阶段五。
三、S 曲线与 Bass 扩散模型：从能力到采用
技术周期的另一层基础是技术能力的 S 曲线和采用的扩散曲线。
3.1 技术能力的 S 曲线
大多数技术遵循以下模式：
- 早期：投入巨大但产出微小（基础研究阶段）
- 拐点：核心原理被验证，性能开始快速提升
- 饱和：接近物理或经济极限，边际收益递减
这条 S 曲线在 AI 上特别明显。从 2012 年到 2020 年，深度学习在 ImageNet 上的错误率从 25% 降到 1% 以下；2020 年之后，规模定律（Scaling Laws）成为新的能力曲线——同样的算法，参数和数据每翻 10 倍，损失可预测地下降。
3.2 采用的扩散曲线：Everett Rogers 和 Bass 模型
Everett Rogers 在 1962 年提出"创新扩散理论"，把人按采纳时间分成五类：
| 类型 | 占比 | 特征 |
|---|---|---|
| 创新者（Innovators） | 2.5% | 风险容忍度极高，受技术本身驱动 |
| 早期采纳者（Early Adopters） | 13.5% | 受同行尊重、有判断力、能识别早期价值 |
| 早期大众（Early Majority） | 34% | 看到早期采纳者成功后才入场 |
| 晚期大众（Late Majority） | 34% | 看到主流都在用才入场 |
| 落后者（Laggards） | 16% | 直到不得不换才换 |
Frank Bass 在 1969 年把这个分类抽象成数学模型（Bass Diffusion Model）：
dN/dt = (p + q · N/M) · (M - N)
其中 N 是已采纳者数量，M 是市场总量，p 是创新系数，q 是模仿系数。
这个公式的隐藏含义是：
- p 高 q 低：技术驱动型采纳（如早期开发者工具）
- p 低 q 高：社会驱动型采纳（如消费互联网产品）
- q 远大于 p：网络效应强的产品会以 S 曲线最陡的拐点快速占领市场
这条规律解释了为什么"技术好"不等于"采用快"。 大多数企业的采纳不是被技术驱动，而是被"其他企业都在用"驱动——这是网络效应和信号传递的合流。
四、资本周期：泡沫和基础设施的双起作用
技术周期的第三层基础是资本周期。技术突破 → 资本涌入 → 泡沫破裂 → 基础设施沉淀，是过去 30 年最重要的产业模式。
4.1 互联网泡沫（1995-2002）：最经典的样本
1995-2000 年间，美国互联网公司估值飙升，NASDAQ 从 1000 点涨到 5000 点。2000 年泡沫破裂后，95% 的公司消失。
但这次泡沫留下了真正改变世界的基础设施：
- 光纤网络（大量铺设，在泡沫期看似过剩）
- 数据中心（按需计算能力）
- 浏览器标准（用户基础）
- 工程师人才（被迫进入互联网行业）
这些"沉没投资"在 2003 年之后被 Amazon、Google、Salesforce 等幸存者重新激活，催生了真正的 Web 2.0 时代。泡沫的最大价值不是它制造的成功者，而是它留下的基础设施。
4.2 区块链周期（2017-2023）：泡沫的反面教材
2017 年的 ICO 浪潮，2018 年开始破裂，2022 年 FTX 倒闭标志着第三次泡沫出清。
但和互联网泡沫不同，区块链的"基础设施"质量参差不齐：
- 留下来的：稳定币支付（USDC）、以太坊智能合约、Layer 2 扩容
- 没留下来的：大量 DeFi 实验、NFT 投机、DAO 治理
判断泡沫是否会留下"有用的基础设施"，有三个指标：
- 是否有真实的非投机性使用场景
- 是否有底层标准/协议被广泛采用
- 是否有持续的工程师社区建设
五、案例研究一：互联网（1995-2010）
技术周期的最佳样本是互联网。
5.1 时间线
| 年份 | 阶段 | 关键事件 |
|---|---|---|
| 1993-1995 | 萌芽期 | Mosaic 浏览器、第一批网站 |
| 1995-2000 | 期望膨胀期 | 网景上市、Amazon/ebay 起飞、NASDAQ 5000 点 |
| 2000-2002 | 幻灭低谷 | 互联网公司批量倒闭、广告收入崩盘 |
| 2002-2007 | 复苏爬升 | Google 上市、PayPal/Web 2.0、宽带普及 |
| 2008-2010 | 生产力成熟 | 移动互联网转型、云计算起步 |
5.2 关键洞察
1. 从突破到"改变世界"用了 15 年。 1993 年第一个图形浏览器到 2008 年 Facebook 突破 1 亿用户——15 年。这与 Amara 定律完全一致。
2. 真正改变世界的公司，几乎都不是在期望膨胀期诞生的。 Amazon（1994）、Google（1998）、PayPal（1998）——它们是在低谷期建立的。
3. 泡沫留下的基础设施，决定了复苏期的速度。 美国在 2000 年铺设的光纤，让 2005-2010 年的视频网站和 SaaS 起飞成为可能。没有基础设施沉淀的泡沫，不会产生复苏期。
六、案例研究二：移动与云（2007-2020）
6.1 时间线
| 年份 | 阶段 | 关键事件 |
|---|---|---|
| 2007 | 萌芽期 | iPhone 发布 |
| 2008 | 期望膨胀期 | App Store 上线、第一批"移动创业" |
| 2009-2012 | 幻灭低谷 | 一批早期移动公司失败、移动广告 ROI 不清 |
| 2013-2017 | 复苏爬升 | 微信、Uber、Airbnb 崛起；移动支付成熟 |
| 2018-2020 | 生产力成熟 | 移动优先成为默认、5G 开始铺设 |
云是另一个 13 年周期的样本：
| 年份 | 阶段 | 关键事件 |
|---|---|---|
| 2006 | 萌芽期 | AWS S3/EC2 发布 |
| 2008-2013 | 期望膨胀 + 幻灭 | 早期企业迁移遇阻、安全顾虑 |
| 2014-2018 | 复苏爬升 | Netflix、Dropbox、Slack 上云；AWS/Azure/GCP 三足鼎立 |
| 2019+ | 生产力成熟 | 云成为默认、企业数字化加速 |
6.2 关键洞察
1. 移动和云是耦合的两个周期。 它们在 2010-2015 年同时进入复苏期，彼此加速——移动终端产生数据，云计算消化数据。
2. "杀手级应用"出现得很晚。 iPhone 2007 年发布，但真正让移动无可替代的微信（2011）、Uber（2012）、Instagram（2010）都是在低谷期之后出现的。真正的杀手级应用需要用户基数到一定规模才有意义。
七、案例研究三：AI 与大模型（2012-2026）
这是你正在经历的周期，因此也最难看清。
7.1 时间线
| 年份 | 阶段 | 关键事件 |
|---|---|---|
| 2012 | 萌芽期 | AlexNet 突破 ImageNet |
| 2012-2017 | 缓慢爬升 | GPU + 深度学习、语音/图像识别产业化 |
| 2017-2020 | 期望膨胀（局部） | AlphaGo、自动驾驶热、CV/语音创业潮 |
| 2020-2022 | 幻灭低谷 | 自动驾驶烧钱无果、CV 公司估值跳水 |
| 2022-2023 | 二次期望膨胀 | ChatGPT 引爆、生成式 AI 全面爆发、资本疯狂 |
| 2023-2025 | 理性回归 + 复苏 | 模型迭代放缓、推理成本下降、企业真实场景落地 |
| 2025+ | 生产力成熟（？） | AI 成为基础设施（待观察） |
7.2 为什么 AI 周期比互联网更难判断
1. 周期被压缩了。 互联网从突破到泡沫用了 5 年，AI 从 GPT-3（2020）到 ChatGPT（2022）只用了 2 年。原因：基础设施（GPU、互联网、开源框架）已经成熟，新技术无需重建基础设施。
2. 资本预期更激进。 2023 年的"AI 概念股"涨幅远超 1999 年的互联网概念股。原因：低利率环境下的"成长股溢价"和"这一次不一样"叙事。
3. 真正的杀手级应用仍在浮现。 ChatGPT 是 C 端的杀手级应用，但 B 端的杀手级应用（哪个行业被 AI 重构得最深？）仍在竞赛中。
7.3 当前阶段的判断
我倾向于认为，2024-2026 年的 AI 处于 Hype Cycle 的"二次期望膨胀向理性回归过渡"阶段。判断依据：
- 模型层的"快速进步"已显著放缓（GPT-4 到 GPT-5 的边际收益远小于 GPT-3 到 GPT-4）
- 推理成本快速下降（部分场景成本下降 90% 以上）
- B 端应用开始产生可衡量 ROI（编程辅助、客服、内容生成）
- 但 C 端"AI 助手"仍未达到 PC/手机的渗透水平
这意味着 AI 的下一阶段（2026-2030）大概率是"杀手级应用浮现 + 基础设施成熟"的复苏爬升期。
八、案例研究四：长期周期的样本——太阳能（1970s-2020s）
大多数周期在 5-15 年。但有些技术需要 50 年才能从萌芽到成熟。太阳能是一个教科书级的样本。
8.1 时间线
| 年份 | 阶段 | 关键事件 |
|---|---|---|
| 1954-1973 | 萌芽期 | 贝尔实验室发明晶体硅电池、用于卫星 |
| 1973-1980 | 第一次期望膨胀 | 石油危机、卡特政府补贴 |
| 1980-1996 | 漫长低谷 | 里根政府取消补贴、行业靠军工和航天存活 |
| 1996-2008 | 缓慢复苏 | 德国/日本补贴、成本下降 80% |
| 2008-2018 | 期望膨胀 + 复苏 | 中国成为最大生产国、成本再降 90% |
| 2018-2024 | 生产力成熟 | 太阳能成为最便宜的新增电源、装机量历史性超过煤电 |
8.2 关键洞察
1. 技术从突破到"改变世界"用了 50 年。 这与 Amara 定律的"长期低估"一致。
2. 太阳能从来不是"突然爆发"的技术。 它经历了至少两次幻灭、两次补贴周期消失，但每次都靠"成本下降 50%"突破新的应用场景。
3. 长期周期的关键不是技术好坏，而是"成本下降是否超过替代品"。 太阳能最终改变世界，不是因为它"更环保"，而是因为它"更便宜"——2024 年大多数地区，太阳能已经是新增电力最便宜的来源。
4. 政策反复是长期周期的常态。 太阳能用了至少 5 个政府周期（卡特→里根→克林顿→小布什→奥巴马→特朗普→拜登）才走到今天。任何只看单一政府周期就下结论的判断，都严重低估了长期技术的复利效应。
九、识别技术周期阶段的实操指标
把上面的模型压成可操作的诊断表：
9.1 五条诊断问题
1. 这个技术的当前使用者主要是哪一类？
- 研究者 + 早期工程师 → 萌芽期
- 早期采纳者 + 风险资本 → 期望膨胀期
- 主流媒体 + 上市公司 → 高峰或即将反转
- 早期大众 + 真实营收 → 复苏爬升期
- 没人再讨论"是不是要用" → 生产力成熟期
2. 这个技术的基础设施成熟度？
- 0-20% → 萌芽期
- 20-50% → 期望膨胀期
- 50-70% → 幻灭低谷或复苏期
- 70-100% → 生产力成熟期
3. 这个技术的成本曲线？
- 单位成本下降 < 20%/年 → 仍在 R&D 主导
- 单位成本下降 20-50%/年 → 学习曲线主导，处于复苏期
- 单位成本下降 < 10%/年 → 接近物理极限
4. 这个技术的真实使用场景数量？
- < 10 个 → 萌芽期
- 10-100 个 → 期望膨胀期
- 100-1000 个 → 复苏期
- > 1000 个 → 成熟期
5. 这个技术相关公司的人均营收？
- < $100K → 烧钱期
- $100K-$500K → 复苏期
- > $500K → 成熟期
9.2 一份"技术阶段体检表"
每季度对一个你关注的技术做一次自评：
| 维度 | 当前状态 | 阶段判断 |
|---|---|---|
| 主要使用者类型 | ||
| 基础设施成熟度 | ||
| 成本下降速度 | ||
| 真实使用场景数 | ||
| 主要公司人均营收 | ||
| 媒体关注度（Google Trends） | ||
| 头部企业是否盈利 |
把这张表存档，每年回看一次。技术周期的真正反馈环是季度级的，不是日级的。
十、不同阶段的决策框架
10.1 给个人
| 阶段 | 该做什么 | 不该做什么 |
|---|---|---|
| 萌芽期 | 投资学习、研究原理、小规模试验 | 押上全部注意力、把现有工作辞掉 |
| 期望膨胀期 | 保持观察、不被叙事裹挟、识别泡沫信号 | 追涨杀跌、把积蓄投入概念公司 |
| 幻灭低谷期 | 加大投入——这是基础设施沉淀期，价值最大 | 跟媒体一起放弃、错过复苏红利 |
| 复苏爬升期 | 进入真实场景、建立可衡量 ROI | 幻想再来一次"100 倍回报" |
| 生产力成熟期 | 把技术作为基础设施使用、关注组合优化 | 期望再次"颠覆" |
10.2 给组织
| 阶段 | 战略 |
|---|---|
| 萌芽期 | 设小团队学习原理、避免过早投入 |
| 期望膨胀期 | 拒绝"FOMO 式"全面铺开，识别 1-2 个真实场景做 PoC |
| 幻灭低谷期 | 招募被低估的人才、收购被低估的资产 |
| 复苏爬升期 | 大规模投入真实场景，建立数据/流程壁垒 |
| 生产力成熟期 | 把它当作水电一样的基础设施使用，专注差异化 |
10.3 给投资人
| 阶段 | 投资逻辑 |
|---|---|
| 萌芽期 | 投团队和原理，天使轮为主 |
| 期望膨胀期 | 警惕估值，永远在高峰前减仓 |
| 幻灭低谷期 | 投被低估的硬资产，识别真正有商业模式的幸存者 |
| 复苏爬升期 | 投可扩展的应用层 |
| 生产力成熟期 | 投基础设施和组合优化 |
最反直觉的一条规则：在所有人都兴奋的时候谨慎，在所有人都绝望的时候布局。 这是反《管的越多》讨论的过度自信陷阱——市场越热，认知偏差越大。
十一、技术周期与认知偏差的合流
大多数人在技术周期上亏钱或错失机会，不是因为不懂技术，而是因为认知偏差。以下五种偏差尤其危险：
11.1 近因偏差（Recency Bias）
"ChatGPT 改变了世界，所以 AI 一定继续高速进步。"
近因偏差让你把当前阶段当作永恒。Gartner Hype Cycle 已经证明：每一次期望膨胀之后，都有幻灭低谷。
11.2 叙事偏差（Narrative Fallacy）
"区块链代表了未来，所以一定会涨。"
Nassim Taleb 在《黑天鹅》里反复指出，人类大脑天然倾向于把随机事件包装成因果故事。技术周期里到处都是被故事推动的资本，而不是被现实推动的。
11.3 幸存者偏差（Survivorship Bias）
"看，Amazon 和 Tesla 都成功了，所以这个时代所有人都有机会。"
你看到的成功者是 1000 个尝试中的 1 个。真正理性的判断需要看到分母，不是分子。
11.4 FOMO 与从众
"所有人都投了，我不投会不会错过？"
FOMO 是技术周期里最贵的情绪。它让你在期望膨胀期高位接盘，在幻灭低谷期恐慌割肉——正好反过来。
11.5 锚定效应
"它从 100 跌到 50，便宜了，应该抄底。"
技术周期里"便宜了"不等于"会涨"。一个仍在烧钱的技术，跌到任何价位都可能继续跌。真正的底部是"不再讨论"，不是"价格低"。
十二、和知识复利的关系
把技术周期放回 cognix 的主线——知识复利——它的意义是什么？
12.1 技术周期和认知周期是同构的
把个人认知的演进类比到技术周期：
| 技术阶段 | 个人认知阶段 |
|---|---|
| 萌芽期 | 接触新概念、原理不清 |
| 期望膨胀期 | 以为自己懂了，过度应用 |
| 幻灭低谷期 | 第一次失败、修正模型 |
| 复苏爬升期 | 在真实场景里复利 |
| 生产力成熟期 | 概念成为工具、自动调用 |
个人的每一次"重新学一个领域"，都会重复一次小型技术周期。 理解这一点，你就知道：在期望膨胀期保持怀疑、在低谷期坚持、才能进入真正的复利期。
12.2 技术复利和认知复利互为乘数
- 认知复利让你识别"现在处于技术周期的哪个阶段"
- 技术复利让你在每个阶段做正确的事
- 两者结合 → 复利的乘数效应——你比只懂技术的人少走弯路，比只懂认知的人多落地的能力
12.3 技术周期的"无为"维度
上一篇《管的越多》讲过：少管多对、用减法做管理。这条原则在技术周期上尤其关键。
- 在期望膨胀期"无为"（不追涨），比主动出击赚得多。
- 在低谷期"有为"（招募人才、收购资产），比无为赚得多。
- 真正懂技术周期的人，是在不同阶段切换"无为"和"有为"。
12.4 技术周期和止损的关系
《论止损》讨论的"反向复利"原则，在技术周期上同样适用：
- 期望膨胀期的高位押注，必须设严格止损。
- 幻灭低谷期的过度悲观，需要有勇气坚持。
- 止损不是认输，是让复利曲线不被永久占用。
十三、最终结论
技术周期不是直线，而是波动。这条波动的曲线由四种力量塑造：认知过度反应、资本过度涌入、基础设施滞后、互补资产缺失。它沿着 Gartner Hype Cycle 的五个阶段展开，沿着 S 曲线的能力提升和 Bass 模型的采用扩散同步推进，沿着资本周期留下基础设施或泡沫残骸。
理解技术周期的真正价值，不是预测"下一个 AI 在哪里"，而是培养一种反《管的越多》的认知节奏：
- 短期高估时保持怀疑。
- 长期低估时保持信心。
- 在所有人都兴奋的时候谨慎，在所有人都绝望的时候布局。
- 永远问自己：我现在到底处于周期的哪个阶段？
这四条原则，是把技术周期从"概念"变成"可执行判断"的唯一路径。
真正理解技术周期的人，不是有最先进预测工具的人，而是能在不同阶段切换行动模式的人——这与《复利的元理论》里说的"识别当前在放大什么"，是同一件事。
知识的量不重要，知识的内化结构和连接密度才重要。 ——cogniX