吴军 on 方糖猫Blog

《见识》学习笔记：人生要做减法，见识决定一个人的上限

Sat, 30 Nov 2024 10:00:00 +0800

《见识》学习笔记：人生要做减法，见识决定一个人的上限

参考书籍：吴军《见识：商业的本质和人生的智慧》（中信出版社，源自"得到"专栏《硅谷来信》）。目标读者：工作了几年、开始思考"接下来怎么办"的程序员和职场人。阅读目标：把这本书里散落的观点，整理成一套可以天天用的操作系统——怎么看待命与运、怎么做事、怎么花钱、怎么说话、怎么获得幸福。

《浪潮之巅》讲的是公司和浪潮，《见识》讲的是个人。如果说前者回答"什么样的公司能站上浪尖"，这本书回答的是一个更扎心的问题：为什么在同样的时代、同样的起点，人和人的差距会拉到数量级？

吴军给的答案不在努力程度，而在见识——你看待世界的方式，决定了你的选择；而命运，不过是无数次选择的总和。

作为一个写代码的人，我读这本书的角度同样功利：书里的哪些观点能直接变成我做事的 checklist？这篇文章分六部分：

先立框架：见识是如何决定命运的；
十一个核心主题逐个复盘（含演讲、说服、讲理、投资误区等可直接上手的方法论），每个主题后面附上我的思考；
把观点变成工具：可以每天用的思维工具箱；
一张图看全书；
我的思考和感悟；
行动清单。

一、先立框架：见识是如何决定命运的

吴军在书的序言里引用了撒切尔夫人那段著名的话（大意）：

flowchart LR
    A["想法<br/>← 见识决定想法"] --> B["言辞"]
    B --> C["行动"]
    C --> D["习惯"]
    D --> E["性格"]
    E --> F["命运"]
    G["见识<br/>读什么书、见什么人<br/>做什么事、想什么问题"] --> A
    style G fill:#FFD700

这条链上，见识是最上游的变量。努力在这条链的"行动"环节，方向在这条链的"想法"环节——而想法的质量，取决于你见过什么。

书里反复出现的几个核心观点，先列出来，后面逐个展开：

核心观点	内容	一句话理解
命与运	命 = 环境 + 自己的见识和选择；运 = 随机性	认命不是躺平，是知道边界后把选择做对
做减法	人爱捡芝麻丢西瓜	少做事，做好事；西瓜只有一个，芝麻捡不完
拒绝伪工作者	10000 小时的简单重复没有意义	忙 ≠ 产出；四误区 + 三板斧
见识是上限	人和人的差距最终是见识的差距	努力决定下限，见识决定上限
商业的本质	让人多花钱，而不是省钱	好的商业提供价值，坏的商业只提供便宜
金钱观	钱是挣出来的，不是省出来的（对年轻人）	钱只有花出去、换成见识和成长才是你的
五级工程师	工程师分五级，每级差一个数量级	定级不看努力看贡献的量级
运气	幸运的人有共性：开放、放松、正面预期	运气可以经营——扩大撞上好运的表面积
职场四误区	工作职业不分、过客心态、玻璃心、疏于沟通	用职业的眼光工作，用上一级的标准要求自己
投资误区	频繁交易、追热点、加杠杆、不懂也投	期望为负的游戏，不玩就是赢
说话之道	演讲、说服、讲理、拒绝各有一套方法	表达能力是思考的最后一公里
天才	天才 = 位置 × 方法 × 专注，不是更努力的普通人	在足够小的领域做到极致

二、核心主题逐个复盘 + 我的思考

2.1 命与运：认命是最高级的积极，运气可以经营

书中观点：中国人讲"一命二运三风水，四积阴德五读书"，吴军做了现代化的拆解：

命由两个因素决定：环境的因素（你出生在什么时代、什么家庭——这个没得选），以及个人对未来走向划定的方向（这个取决于见识，有的选）；
运是纯粹的随机性。运气不垂青谁，但从概率上讲，持续做期望值为正的事，好运的总量会收敛到期望：

$$E[X] = \sum_{i} p_i \cdot r_i$$

一次决策的运气是噪声，一百次期望值大于零的决策叠加起来，好运几乎必然兑现。所谓"命好"，不过是长期做正期望值选择的人回头看时的错觉。

对"命"的正确态度是认命——不是消极躺平，而是"知道自己有所不能"，不去抱怨时代和出身，把全部精力花在可控的那半个变量（自己的见识和选择）上。

运气的部分值得单独展开。吴军引用心理学家理查德·怀斯曼（Richard Wiseman）对"幸运儿"的长期研究（大意）：幸运不是随机分配的性格彩票，幸运的人有三个共性——

flowchart LR
    A["愿意尝试新事物<br/>接触面大<br/>撞上好运的概率才大"] --> L["运气好"]
    B["心态放松<br/>焦虑的人死盯目标<br/>看不见旁边的机遇"] --> L
    C["对未来抱有正面预期<br/>预期会自我实现"] --> L
    style L fill:#FFD700

换言之，运气是可以经营的：你控制不了每一次抽签，但能增加自己站在签筒前的次数。对待坏运气，书里的方法同样朴素：承认它是常态，止损，翻篇。“尽人事，听天命"的正确顺序是先尽人事——大多数人恰好反过来，人事未尽，先叹天命。

我的思考：这一条对程序员格外对症。我们这行特别容易两种极端：把别人的成功全归因于"命好赶上了”，或者把自己的困境全归因于"不够努力"。吴军的框架更诚实——出身和时代（比如你在 AI 浪潮的哪个位置入行）是命，改不了；但每天学什么、往哪个方向使劲，是你手里那个变量。抱怨命的部分是零产出，优化选择的部分才是正期望。而"经营运气"的三条，其实就是开源社区里那些"运气特别好"的人天天在做的事：多尝试、多分享、多连接。

2.2 做减法：西瓜与芝麻

书中观点：人的天性是爱捡芝麻——为了省几块钱多跑半小时，为了不浪费一张优惠券买不需要的东西，工作上把时间填进一百件琐事里。芝麻捡得再快，也堆不成一个西瓜。

吴军的解法简单粗暴：少做事，做好事。他观察到的一个现象是：选择太多反而降低幸福感（他在书里对比了中美两国的"选择"），人生真正需要的不是更多选项，而是敢于放弃选项的定力。

我的思考：程序员捡芝麻的典型姿势——在还没跑通主流程的时候优化边角性能，花三天调研一个"更优雅"的技术方案而项目核心风险没人碰，收藏夹里躺着 400 篇"必读"文章。我自己用这一条的方式是每周问自己一次：“如果这周只能做成一件事，是哪件？” 答不出来的周，大概率在捡芝麻。

2.3 拒绝伪工作者：一万小时是个骗局？

书中观点：这是全书我最受震动的一章。吴军借 Google 内部讨论的"伪工作者"（pseudo worker）概念指出：**简单的、低水平重复的 10000 小时，不会让你成为专家，只会让你熟练地原地踏步。**他列了四个误区：

误区	表现	一句话点破
简单重复	低水平重复一万次	重复不产生精进，迭代才产生
习惯性失败	好高骛远、不总结失败教训、在哪里跌倒就在哪里再跌一次	失败不是成功之母，复盘才是
林黛玉式困境	只在自己的世界里精进，对外界的变化和协作需求无动于衷	才华越高，越容易困在自己的大观园里
狗熊掰棒子	不积累、不记录，做一样丢一样	没有记录的努力，等于没做

对应的破局方法是"三板斧"（下一部分工具箱里详细展开）：确立"愿景—目标—道路"、听到不中听的话也要找出其中的合理之处、凡事做记录。此外他还强调了 Google 的 OKR 目标管理法，以及"做好最后的 1%"——很多事情的成败，就差在最后那点没人愿意走的路上。

我的思考：对照四个误区自查，我中过至少两条：写了很多年业务代码的人很容易陷入"简单重复"（第 1 年和第 5 年写的是同一种代码，只是更熟练）；而"狗熊掰棒子"几乎是行业通病——做完的项目不沉淀，三年后发现自己在同一个坑里摔了两次。这一章我读完的直接动作是：开始给每个项目写复盘文档，哪怕只有半页。

2.4 见识与教育：父母的见识，才是孩子的起跑线

书中观点：

“不要让孩子输在起跑线上"是句营销话术。人生是马拉松，起跑线领先几十米毫无意义——更何况，父母自己的见识，才是孩子真正的起跑线。逼着孩子抢跑的家长，往往自己是没见过长跑的人；
比"起跑线"更重要的是输得起。玻璃心的孩子走不远，因为人生真正的胜负手都在后半程，而后半程拼的是抗挫折能力；
大学的价值不是技能，是通识教育（Liberal Arts）：学习人类积累的智慧、结交一生的朋友、形成自己的判断框架。只教技能的学校，培养的是高级技工；
贫寒子弟真正的差距不在钱，在见识——没人告诉他世界有多大、路有几条。

我的思考：这一章我反着读也成立——对自己而言，“通识"是工作五年后最该补的课。程序员的职业训练是纯技能导向的，但越往上走，决定你走多远的越是那些"没用"的东西：表达能力、对商业的理解、对人性的判断。所谓"35 岁焦虑”，焦虑的大多不是技能过时，而是除了技能一无所有。

2.5 职场的进阶：先分清"工作"和"职业”

书中观点：职场这一章的方法论，可以归纳为"一组概念区分 + 四个常见误区 + 一张进阶阶梯"。

（1）工作 ≠ 职业。工作是眼下谋生的手段，职业是你一生要做的事业。把职业当工作的人，关注的是工资单；把工作当职业的人，关注的是成长曲线——五年后两者不在一个量级。由此推出一个择业原则：第一份工作不要太在乎起薪，要在乎它让你五年后成为谁。

（2）职场的四个常见误区：

误区	表现	破法
工作和职业不分	给多少钱干多少活，到点走人	用职业的眼光工作：这份经历三年后还值钱吗
过客心态	觉得单位的事与己无关，不当主人	主动性是职场上最稀缺的品质
被语言暴力激怒	被批评一句就乱了方寸，精力耗在生气上	分清"话难听"和"说得对不对"
疏于沟通	以为把活干完就行，从不向上同步	会做也要会说，沟通本身就是工作的一部分

（3）进阶的阶梯——五级工程师。吴军受苏联物理学家朗道的科学家分级启发，把工程师也分了五级。注意编号方向和直觉相反：第五级是最低一级（入门线），第一级是最高一级。

级别	标准	例子
第五级	能独立设计和实现一项工程，解决实际问题	合格的工程师
第四级	能指导和带领其他人，完成有影响力的工作	技术负责人
第三级	能独立做出在行业内站得住脚的产品	资深架构师 / 产品缔造者
第二级	能做出别人做不出的东西，地位难以取代	图灵奖级
第一级	开创一个产业	爱迪生、福特、贝尔

第五级就是起点，之下没有"第六级"——达不到第五级标准的（只能完成局部任务、需要别人带着干活），是还没入门的工程师，不在这套分级体系内。

相邻两级之间，贡献差的不止一倍，是数量级。这个分级的潜台词很残酷：在第五级里做到 120 分，也不会自动变成第四级——升级靠的不是同一件事的更努力，而是换一档难度的事。

我的思考：这一章建议每个程序员定期对号。它真正回答的是"我该怎么努力"——如果你一直在第五级的事情上加杠杆（把 CRUD 写得更快更稳），天花板就是第五级的上限；想升级，得去接第四级难度的问题：带人、为结果负责、做有影响力的事。努力的方向错了，加班只是在更低的天花板下冲刺。四个误区里我中过最明显的一条是"疏于沟通"——曾经以为代码就是交付物，后来发现让别人知道你在解决什么问题，和解决问题本身同样值钱。

2.6 商业的本质：让人多花钱，而不是省钱

书中观点：吴军对商业有一个反常识的定义：**好的商业是让人多花钱的，而不是让人省钱的。**逻辑是：省钱方案的天花板是成本——成本是有限的、有下限的；而"提供更好的体验、帮人多挣钱、帮人省时间"的方案，天花板是人的欲望——欲望是无限的。前者的生意越做越小，后者可以无限做大。

由此推出两条推论：

免费是最贵的。对用户来说，免费的对价是注意力、时间和隐私——你以为是白拿，其实付的是更贵的东西；对商家来说，免费永远只能是获客手段，最终必须回答"我创造了什么值得付费的价值"——找不到这个答案的免费模式，烧完钱就是终点；
判断一门生意好不好，先看天花板在哪边。帮人省钱的生意，天花板是成本；帮人"多花钱、多挣钱、省时间"的生意，天花板是人性。选型、选方向的时候，先想清楚自己在哪一边。

我的思考：这一条拿来审视自己的技术方案同样好使。做产品时"便宜"是最懒的差异化——任何团队都能打价格战；而"让用户愿意多花钱"逼着你回答真正的问题：**我到底创造了什么别人给不了的价值？**接私活、做副业同理：按小时卖时间是"省钱逻辑"（客户买的是便宜劳动力），按结果卖方案才是"价值逻辑"。

2.7 金钱观：钱是对资源的度量，会花钱比会挣钱难

书中观点：

钱的本质：钱是对各种资源的所有权和使用权的量化度量——它本身不是目的，是调动资源的工具；
“钱是上帝存在你那里的，不是给你的，回头你要还给他”——钱只有花出去、换成了见识、健康和体验，才真正属于你；躺在账户里的只是数字；
会花钱比会挣钱难。钱要花在三个地方：买时间和效率（好工具、好服务）、买体验和见识（旅行、学习、见人）、投资自己（健康、教育）。不乱花钱不等于不花钱——守财和浪费，本质上是同一种"不会花钱"；
对年轻人，钱是挣出来的，不是省出来的——年轻时回报率最高的投资标的不是任何理财产品，是自己（第一份工作的选择同理，见 2.5）；
投资上守住常识：不做自己不懂的投资——具体的误区清单见下一节。

我的思考：程序员在"花钱买时间"上经常算错账：为了省一个正版工具/云服务的钱，折腾一晚上环境——那一晚的时间按自己的时薪算是工具价格的十倍。吴军这套金钱观的底层其实是机会成本思维：每一块钱、每一小时花在哪，都是一次资源配置决策。

2.8 投资的误区：散户为什么总是亏钱

书中观点：投资这一章，吴军先给结论：对绝大多数人来说，股市不是提款机，而是数学期望为负的游戏——你的对手是拿着高速计算机、全职盯盘的职业机构，频繁交易还要不断给渠道交手续费。散户的常见误区：

误区	表现	为什么必输
频繁交易	追涨杀跌，月均换手数次	交易越频繁越接近负期望游戏，手续费持续失血
听信消息	“内部消息"“大牛推荐”	消息传到你耳朵里已是第 N 手，价格早已反映完毕
迷信择时	总想抄底逃顶	没有人能持续预测市场，职业玩家也不行
加杠杆	借钱炒股、配资	杠杆放大的是波动，一次深回撤就被迫出局
不懂也投	看不懂的项目也敢重仓	能力圈外下注，本质是赌博
回本心理	亏了死扛，“回本就卖”	锚定成本价，该止损不止损，小亏拖成深套

对应的正解朴素得让人失望：**不懂不做；普通人定投宽基指数基金并长期持有；评估任何投资先看风险、再看收益；期望值为负的游戏，不玩就是赢。**投资的最高境界不是抓住更多机会，而是躲过足够多的坑。

我的思考：技术人有个错觉：我能看懂白皮书，就懂这个币/这个项目。看懂机制和看懂生意是两回事——前者是技术文档，后者是商业模式、监管和人性。在自己的能力圈内下重注，在能力圈外连看都别看，这条规则能帮你避开人生中 90% 的财务灾难。

2.9 说话的方法论：演讲、说服、讲理与拒绝

吴军把"好好说话"拆成了四个场景，每个场景都有一套方法（以下为书中观点，大意）：

（1）如何做好演讲

先看听众，再定内容：对什么人讲什么话。同一个主题，对领导讲结论和收益，对同行讲方法和坑，对新人讲背景和步骤——内容不对症，讲得再精彩也是对牛弹琴；
一次只传递一个核心信息：听众走出会场能记住的永远只有一两点。所以内容上要做减法——宁可少讲、讲透，也不要面面俱到、全都没记住；
讲故事、摆事实，不空讲道理：道理让人点头，故事让人记住；
充分准备，控制时间：好的演讲是排练出来的，超时是对所有听众的失礼。

（2）我们靠什么说服人

答案是：不靠道理本身，靠事实和对方的利益。人很少被逻辑说服，但会被两样东西说服——亲眼所见的事实，和自己算得过来的利益。所以说服的正确姿势是：摆事实、列数据，把账算到对方的立场上，然后把结论留给对方自己说出来——人只真正信服自己想出来的道理。

（3）讲理的方法

开口之前，先弄清对方的立场、诉求和认知水平；
用对方听得懂的语言讲理，而不是用自己的行话碾压；
讲理的目的是解决问题，不是战胜对方——赢了道理、输了关系，是双输；
给对方留台阶：体面地退出一个错误立场，比当场认错容易得多。

（4）拒绝的艺术

能力不及的事，第一时间如实拒绝，好过答应了办不成；不轻易许诺，许诺了就要兑现；拒绝本身不伤人，模糊和拖延才伤人。交友上"帮急不帮穷”，不给损友第二次机会。

我的思考：程序员普遍把"会说话"当成软技能里的软技能，优先级排在最后。但职场上你观察那些升得快的人，几乎都有一个共同点：能用三句话把一件复杂的事向非技术的人讲清楚。表达能力不是口才，是思考的最后一公里——想清楚和讲清楚之间，隔着对听众的理解。而"把结论留给对方说出来"这一条，是推动技术方案时最实用的技巧：评审会上让架构师自己得出你想要的结论，比你说服他十句都管用。

2.10 离天才有多远：天才不是"更努力的普通人"

书中观点（大意）：谈见识绕不开天才这个话题。吴军的看法是：天才和常人的差距，不在"努力"这个维度上——天才不是普通人的延长线。但细看那些被称为天才的人，成就他们的其实是三样可以被分析的东西：

flowchart LR
    A["站对位置<br/>站在时代与巨人的<br/>肩膀上（见识）"] --> G["天才式的成就"]
    B["用对方法<br/>有自己的方法论<br/>而非蛮力"] --> G
    C["长期专注<br/>在一个方向上持续<br/>投入（聚焦）"] --> G
    style G fill:#FFD700

对普通人的启示反而很乐观：接近"天才"的路径不是追求全才，而是把领域切到足够小。领域越小，同样一份专注投入下去，成为"世界级"的概率越大——郎朗不需要会作曲，莫扎特不需要会造钢琴。结合五级工程师来看：第一级、第二级是天才的位置；但第三级、第四级，靠"站对位置 + 用对方法 + 长期专注"，普通人未必够不到。

我的思考：这一条对技术人的翻译是：不要痴迷"全栈"，要痴迷"够深"。AI 时代知识贬值在加速，宽度越来越便宜（问大模型就有），深度越来越贵。选一个足够小的领域——推荐系统、编译器、向量检索，什么都行——扎进去五年，你在那个小领域里就是别人眼中的"天才"。

2.11 幸福的配方：40% 握在自己手里

书中观点：书的结尾落在幸福上。吴军引用积极心理学（Lyubomirsky 等人的研究）的结论：一个人的幸福感，大约——

$$H \approx \underbrace{50%}{\text{基因设定点}} + \underbrace{10%}{\text{生活环境}} + \underbrace{40%}_{\text{主动的行为和选择}}$$

这个比例的启示是双重的：一半的幸福是出厂设置，不必和别人比；但足足四成的幸福握在自己的行为里——这部分的回报率远超大多数人拼命折腾的那 10%（换更大的房子、更高的职位）。此外他谈人生的意义时用了河流的比喻：人生的总量由长度、宽度和深度共同决定——活多久只是长度，影响多少人、影响多深，才是宽度和深度。

我的思考：多数人一生的策略恰好是反的——在基因（抱怨性格）和环境（追逐物质）上耗尽精力，却在自己最能掌控的 40%（怎么度过每天、和谁在一起、为什么事兴奋）上从不动脑。这个公式不会直接让你幸福，但它重新分配了你的注意力。

三、把观点变成工具：可以天天用的思维工具箱

复盘完十一个主题，把书里最可操作的东西抽出来，做成一套日常工具：

3.1 三板斧：破"伪工作"的标准动作

flowchart TD
    A["第一板斧<br/>确立 愿景 → 目标 → 道路"] --> A1["愿景：三年后想成为谁<br/>目标：可衡量的里程碑<br/>道路：通向目标的具体步骤"]
    B["第二板斧<br/>听到不中听的话<br/>也找出其中合理之处"] --> B1["换位思考：他为什么这么说<br/>凡事三思：有没有我想错的地方<br/>即使对方错了：为什么会错"]
    C["第三板斧<br/>凡事做记录"] --> C1["项目复盘文档<br/>决策日志<br/>避免狗熊掰棒子"]

这三板斧的结构其实是自洽的：第一板斧管方向（别在低水平重复），第二板斧管纠错（别习惯性失败、别林黛玉式自闭），第三板斧管积累（别狗熊掰棒子）。

3.2 工具速查表

工具	来源章节	使用场景
期望值决策	命与运	每个重要选择前问：这件事的期望值为正吗？
西瓜问题	做减法	每周一问：这周的西瓜是什么？芝麻放掉哪些？
三板斧	伪工作者	接到新项目 / 年度规划时过一遍
四误区自查	伪工作者	复盘时对照：我在重复？在掩盖失败？在自闭？在丢积累？
OKR	伪工作者	把愿景拆成可衡量的 Key Results
最后 1%	伪工作者	交付前问：这一步走完，事情是"做完了"还是"做好了"？
五级工程师	职场进阶	每年自评：我在第几级？上一级需要做什么难度的事？
职场四误区	职场进阶	对照自查：工作职业不分？过客心态？玻璃心？疏于沟通？
运气经营	命与运	多尝试新事物、保持放松、正面预期——扩大撞上好运的表面积
演讲清单	说话的方法论	对听众开药、一次一个信息、讲故事、排练控时
说服三件套	说话的方法论	摆事实、把账算到对方立场、结论留给对方说
讲理四步	说话的方法论	先弄清立场、用对方语言、为目的不为输赢、给台阶
投资自查	投资的误区	出手前问：频繁交易？听消息？加杠杆？真懂吗？期望为正吗？
天才三要素	离天才有多远	选方向时问：位置对吗？有方法吗？能专注五年吗？
能力圈	金钱观	投资/副业决策前问：这是我懂的领域吗？
幸福公式	幸福	精力分配自查：我在折腾那 10%，还是在经营那 40%？

四、一张图看全书

mindmap
  root((《见识》<br/>吴军))
    命与运
      命=环境+自己的选择
      运=随机性，期望值为正
      运气可以经营：开放·放松·正面预期
      认命=知道边界，优化可控变量
    做事
      做减法：西瓜与芝麻
      拒绝伪工作者
        四误区
        三板斧
        OKR与最后1%
    职场
      工作≠职业
      四误区与破法
      五级工程师
    成长
      见识是上限
      通识教育
      父母的见识是孩子的起跑线
      天才=位置×方法×专注
    商业与钱
      商业让人多花钱而非省钱
      免费是最贵的
      花钱三方向：时间·体验·成长
      投资误区：不懂不做，不玩负期望游戏
    说话
      演讲：对听众·一主题·讲故事
      说服：事实+利益，结论留给对方
      讲理：先立场·用对方语言·给台阶
      拒绝：第一时间，不含糊
    幸福
      50基因+10环境+40行动
      人生的河流：长度·宽度·深度

五、我的思考与感悟

5.1 这本书真正的主线只有一句话

十一个主题看似散，其实共享同一条逻辑：**承认世界有不可控的部分（命、运、基因那 50%），然后把全部的聪明用在可控的部分（见识、选择、那 40% 的行动）。**吴军的智慧不是"人定胜天"的鸡汤，也不是"听天由命"的虚无，而是一种工程思维：搞清楚系统的边界条件，然后在约束内做优化。

5.2 “做减法"是反人性的，所以才有溢价

西瓜和芝麻的道理三岁就懂，四十岁还在捡芝麻。为什么？因为捡芝麻有即时反馈（省了 5 块钱立刻开心），而抱西瓜需要延迟满足（学一个三年后才用得上的东西）。所有关于见识的训练，本质都是和即时反馈的本能作战。理解了这一点，就不用苛责自己意志力差——要设计的是机制（比如"每周只做三件要事”），而不是发誓"我要更有毅力"。

5.3 五级工程师是我最推荐同行读的一章

因为它回答了这个行业最普遍的迷茫：“我技术不错，为什么到头了？“答案是：你在用第五级的方法，够第四级的天花板。级别的跃迁从来不是同维度的精进，而是问题难度的换挡。这也解释了为什么"35 岁焦虑"集中在纯执行层——不是年龄问题，是停在某一级太久的问题。

5.4 一个需要警惕的误读

这本书好读，但好读的书容易被读"滑”——每条都点头，读完照旧。我的经验是：这类书要用"认领"的方式读——十一个主题里，只认领当下最痛的两三个，落成具体的动作（比如我认领的是"凡事做记录"和"每周找西瓜”）。全都认同等于全都没用，见识落地的方式从来都是做减法——你看，这也是书里的道理。

六、行动清单

flowchart TD
    A["每周开始"] --> B{"这周的西瓜是什么？<br/>只能选一个"}
    B --> C["砍掉三件芝麻事"]
    C --> D["推进西瓜，做好最后1%"]
    D --> E["周末记录与复盘<br/>第三板斧"]
    E --> F{"本月对照五级工程师<br/>我在第几级？"}
    F -->|"同级已熟练"| G["主动接一个<br/>上一级难度的问题"]
    F -->|"尚有短板"| H["补短板，不跳级"]
    G --> A
    H --> A

具体建议：

认领两个工具，立刻用：我的选择是"凡事做记录"（每个项目结束写半页复盘）和"每周找西瓜"（周一早上写下本周唯一重要的事）；
每年做一次五级工程师自评：诚实一点，然后回答"上一级需要我做什么难度的事"，把它变成来年的目标；
建立能力圈清单：写下来自己真正懂的三件事，投资、副业、跳槽都不出这个圈；
练表达：每月逼自己把一件技术的事，向一个非技术的人讲明白一次；
把幸福公式的 40% 当回事：每周留出不产出但有连接的时间——陪家人、见朋友、做一件纯粹因为喜欢的事。

七、结语

《见识》这本书没有讲任何高深的东西——做减法、做记录、别乱投资、好好说话，每一条都朴素得像常识。但吴军在前言里大概说过这样的意思：所谓见识，不是知道别人不知道的事，而是把人人都知道的常识，真正做到。

命的那一半我们管不了，运的那一份我们等着它均值回归。剩下的——读什么书、见什么人、抱哪个西瓜、走哪条路——每一天都在我们自己手里。

这本书适合放在手边，隔一两年重读一次：你会发现自己认领的工具不一样了——那说明你站的位置不一样了。

延伸阅读：

吴军《浪潮之巅》——同作者的科技产业史，笔记见本站《浪潮之巅》读书笔记

吴军《数学之美》——技术方法论，笔记见本站《数学之美》学习总结

吴军《态度》《格局》——《见识》的姊妹篇，分别谈个人成长的具体方法和看世界的尺度

《浪潮之巅》读书笔记：程序员创业故事的兴衰规律，与 AI 大模型时代的新机会

Wed, 13 Nov 2024 16:00:00 +0800

《浪潮之巅》读书笔记：程序员创业故事的兴衰规律，与 AI 大模型时代的新机会

参考书籍：吴军《浪潮之巅》（On Top of Tides）。目标读者：想创业、正在做副业、或者想看清技术周期位置的程序员。阅读目标：把书中十几个公司的兴衰故事，提炼成"为什么会赢、为什么会死"的规律，再追问一个问题——如果换成 AI 大模型时代，这些故事会怎么改写？

《浪潮之巅》表面上写的是 AT&T、IBM、苹果、微软、Google 这些公司的历史，实际上写的是一件事：技术浪潮每隔十几年就来一次，每一次都会成就一批新公司、埋葬一批旧巨头。而能不能站上浪尖，靠的不只是技术，还有时机、商业模式和基因。

作为一个写代码的人，我读这本书的角度比较功利：这些公司当年是怎么从"几个人 + 一个技术想法"长成千亿帝国的？它们后来又是怎么死的？以及最重要的——今天 AI 大模型这一波浪潮，和当年有什么相同和不同？

这篇文章分五部分：

全书的核心规律（先建立框架）；
逐个复盘经典创业故事，每个故事末尾分析"AI 时代的新思路"；
盘点这些案例背后的核心算法、数学工具与创新工具；
浪潮的幕后生态：风投、投行、斯坦福、印钞机商业模式与金融风暴；
我的思考和给程序员的行动清单。

一、先立框架：浪潮是怎么起落的

吴军判断一个行业是否有"浪潮"，看的是三个东西是否同时出现：

flowchart TD
    A["技术突破<br/>晶体管 / 集成电路 / PC / 互联网 / AI"] --> D["浪潮形成"]
    B["商业模式成立<br/>有人愿意付钱"] --> D
    C["基础设施成熟<br/>芯片 / 网络 / 云"] --> D
    D --> E["新公司崛起<br/>抢到生态位"]
    D --> F["旧巨头衰落<br/>被基因锁死"]
    E --> G["行业格局固化<br/>70-20-10"]
    G --> H["下一次技术突破<br/>周期重来"]
    H --> A

书里最经典的几个规律，先列出来，后面的故事都会反复用到：

规律	内容	一句话理解
摩尔定律	每 18 个月，同样价格能买到的计算性能翻一倍	硬件公司必须跑得比贬值快
反摩尔定律	如果一个公司今天和 18 个月前卖掉同样多的产品，营业额就要降一半	不进则退，原地踏步就是倒退
安迪-比尔定律	Andy (Intel) gives, Bill (Microsoft) takes away	硬件提升的性能会被软件吃掉，逼用户升级
70-20-10 律	市场成熟期：老大占 70%，老二占 20%，其余分 10%	信息产业没有"并列第一"
基因决定论	公司的基因决定了它能做什么、不能做什么	转型难，不是因为笨，是因为基因不匹配
诺威格定律	当一家公司市场份额超过 50% 后，就无法再翻番了，必须寻找新增长点	增长见顶后，扩张方向决定生死

这几个规律就像物理定律一样，在后面每个故事里你都会看到它们起作用。

二、创业故事逐个复盘 + AI 时代的新思路

2.1 AT&T 与贝尔实验室：技术最强 ≠ 活得最好

故事：贝尔实验室是 20 世纪最伟大的研究机构——晶体管、UNIX、C 语言、信息论（香农）、激光、蜂窝通信，全出自这里。AT&T 靠电话垄断躺赚几十年。但 1984 年反垄断分拆、1995 年主动拆分后，AT&T 一心只想快速赚钱，把设备业务（朗讯）和贝尔实验室拆出去卖钱，最终百年帝国在宽带浪潮中沦为配角。

教训：

垄断利润会腐蚀创新能力——赚钱太容易，就没人关心十年后；
分拆的决策如果只服务于股价而不是技术布局，等于自杀；
贝尔实验室的发明无数，但很多（比如 UNIX）没有变成自己的商业帝国，技术是别人的嫁衣。

AI 时代的新思路：

今天的 OpenAI、DeepMind 某种程度上就是新的"贝尔实验室"——基础模型能力外溢，全世界开发者免费搭车。对创业者来说这意味着：

不要去和"新贝尔实验室"拼基础研究，那是巨头的军备竞赛（训练一个前沿模型要几亿美元），创业公司玩不起；
但贝尔实验室的历史也证明：实验室的成果会外溢，机会在应用层。开源模型（LLaMA、Qwen、DeepSeek）就是新时代的"UNIX"，谁能在开源底座上长出垂直应用，谁就是新时代的 DEC、Sun；
反向借鉴：如果你做 AI 应用，要警惕 AT&T 的教训——不要把核心能力完全外包给模型厂商。API 一涨价、一断供，业务就没了。创业公司至少要掌握数据、场景、工作流中的一个作为护城河。

2.2 IBM：大象也能跳舞，但只在 B 端

故事：IBM 做了几十年大型机，错过 PC 浪潮的开端后，靠 IBM PC 杀回来，却意外养大了两个掘墓人——Intel（芯片）和微软（操作系统），“安迪-比尔定律"由此得名。90 年代 IBM 濒临破产，郭士纳把它从硬件公司转型为 IT 服务公司，活了过来。后来又剥离 PC（卖给联想）、押注咨询和云计算。

教训：

基因决定论的正面案例：IBM 的基因是服务企业客户，所以转型服务能成；它想做消费级产品（OS/2 输给 Windows）就是不行；
开放的架构（IBM PC 兼容机）会杀死架构的创造者——你定义了标准，别人踩着标准绕开你。

AI 时代的新思路：

IBM 的故事在今天几乎原样重演：大模型基础设施层（芯片、云、基础模型）正在被英伟达、微软、Google 这些"新巨头"定义标准。创业思路：

学 IBM 的服务转型，做"AI 时代的埃森哲”：大量传统企业知道要用 AI 但不会落地，垂直行业的 AI 咨询 + 交付 + 托管运营是一个真实存在且现金流健康的生意，不性感但赚钱；
警惕"IBM PC 陷阱"：如果你基于某个大模型平台的开放接口做产品，要想清楚——你是在利用平台，还是在给平台培养市场？ 当你的场景被验证后，平台自己会下场（看看 ChatGPT 的 GPTs 埋葬了多少套壳应用）。

2.3 苹果：产品公司的浪漫与代价

故事：1976 年，沃兹尼亚克的技术天才 + 乔布斯的产品直觉，在车库里做出 Apple I/II，开创了个人电脑产业。1984 年 Macintosh 定义了图形界面，但乔布斯坚持封闭、软硬件一体，在 80-90 年代被"微软 + Intel + 兼容机"的开放联盟打得只剩个位数份额，乔布斯被赶出自己创立的公司。1997 年回归后，靠 iPod、iPhone、iPad 三次站上浪尖——这一次，封闭生态赢了，因为时代变了（软硬件一体化的体验优势在移动端成立）。

教训：

同一个策略（封闭），在 PC 时代是死路，在移动时代是活路——没有永远正确的战略，只有和时代匹配的战略；
乔布斯的强项是"定义产品"而不是"发明技术"：图形界面来自施乐 PARC，触摸屏技术也不是苹果发明，但苹果把它们做成了普通人能用的东西。

AI 时代的新思路：

苹果故事对 AI 创业最大的启示是体验集成：

大模型能力是"原子能力"，就像当年的图形界面技术——实验室里有，但普通人用不上。把模型能力包进一个普通人能用的完整产品里，就是苹果式的创业思路。Cursor（AI 编程）、Perplexity（AI 搜索）、Midjourney（AI 绘画）都是这个路子：模型不全是自己的，但体验是自己的；
另一个思路是软硬结合：AI Pin、Rabbit R1 虽然失败了，但"AI 时代的 iPhone 时刻"还没真正到来，智能眼镜、AI 玩具、陪伴机器人这条路上还会有新的苹果式公司出现；
但也要记住乔布斯 1985 年的教训：在产品体验还没打磨好之前，不要迷信情怀和先发。Vision Pro 的昂贵教训也说明，AI 硬件创业要控制节奏。

2.4 微软：商业模式的创新比技术创新更致命

故事：盖茨和艾伦 1975 年为 Altair 写 BASIC 解释器起家。微软真正的转折点不是技术，而是两笔生意：花 5 万美元买 DOS 转手授权给 IBM，以及坚持只授权、不转让版权的商业模式——PC 兼容机越多，微软越赚钱。之后靠"免费捆绑"杀死网景，靠 Office 建立生态，靠 Windows 统治桌面二十年。但微软错过了互联网（IE 赢了浏览器却输了互联网），错过了搜索，错过了移动，直到纳德拉转型云计算（Azure）才重回巅峰。

教训：

商业模式本身就是护城河：DOS 不是最好的技术，但授权模式让它无处不在；
反垄断拆分差点毁了微软，但失去垄断地位反而逼着它开放和转型——垄断保护的是短期利润，杀死的是长期嗅觉；
比尔·盖茨的精明在于：他从第一天就明白软件的价值在于复制成本为零，这是信息产业的底层逻辑。

AI 时代的新思路：

微软今天用 Azure + 投资 OpenAI 的方式重演了当年"IBM PC"的操作：不自己发明最强的技术，而是绑定最强的技术再卖给企业客户。创业者可以学这一招：不训模型，绑定模型生态做生意——比如做模型和企业私有数据之间的中间层（RAG、Agent 编排、权限治理），这是大模型时代"操作系统级"的位置；
反摩尔定律依然有效：AI 应用如果你 18 个月不迭代，模型能力追上来就把你的功能变成"模型自带"（套壳应用批量死亡就是这个原因）。创业的功能壁垒必须建在模型能力进化曲线够不到的地方——行业 know-how、私有数据、监管资质、线下交付。

2.5 Intel：摩尔定律既是礼物也是绞索

故事：摩尔、诺伊斯、格鲁夫 1968 年创立 Intel。1980 年代日本存储器把 Intel 逼到绝境，格鲁夫果断砍掉起家的存储器业务，All in 微处理器，押注 IBM PC，从此"Intel Inside"统治了 PC 时代三十年。但 Intel 错过了移动（ARM 低功耗路线），又在制程上被台积电反超——它在 CPU 这个生态位上做到了极致，也因此被这个生态位锁死。

教训：

摩尔定律驱动下的行业，老二没有生存空间（反摩尔定律），所以 AMD 几十年都活得艰难；
格鲁夫"砍掉存储器"的决断是全书最经典的转型案例：最难的不是看到新方向，而是放弃正在赚钱的旧业务。

AI 时代的新思路：

Intel 错过移动、英伟达押中 AI，说明每一波浪潮的"卖水人"位置都会换人。这一波浪潮的芯片红利（英伟达）创业公司基本没机会，但"卖水"不只有芯片：数据标注、评估体系（Evals）、推理成本优化、模型部署工具链，都是 AI 时代的"卖水生意"；
格鲁夫式思路的 AI 版：如果你现在做的产品/服务，18 个月后会被模型能力的进步直接覆盖（比如简单的文案生成、简单客服），那就该像 Intel 砍存储器一样现在就砍，别等现金流断掉再转。

2.6 思科：斯坦福教授夫妇的"路由器即卖水"

故事：1984 年，斯坦福两个系的机房主任（莱昂纳德·波萨克和桑蒂·勒纳夫妇）想让校园网里不同协议的机器互相通信，发明了多协议路由器。思科的聪明之处不只是发明了路由器，而是赶上了互联网爆发——不管谁在网上淘金，都要买它的路由器。思科也通过持续并购保持技术领先，2000 年市值一度全球第一（5000 亿美元+），随后互联网泡沫破裂跌落，但至今仍是网络设备霸主。

教训：

卖水生意是浪潮里最稳的位置：淘金者九成九会死，卖水的活得最好；
思科的并购机器说明：技术公司到一定规模后，创新可以"买"来，但整合能力是自己的。

AI 时代的新思路：

AI 时代的"路由器"是什么？候选答案：推理基础设施（GPU 云、模型托管）、数据管道、Agent 之间的通信协议（比如 MCP 这类协议如果成为事实标准，围绕它的工具链就是路由器生意）；
思科式创业的现代版本：不赌哪个模型赢，服务所有用模型的人。向量数据库（Pinecone、Milvus）、模型监控（LangSmith）、推理优化（vLLM）都是"AI 淘金潮里的卖水人"。这个思路的风险是——云厂商会把卖得最好的"水"自己做掉，所以卖水也要卖到深水区（复杂场景），不能在浅水区。

2.7 网景：起得最快，死得也最快

故事：1994 年，伊利诺伊大学的学生马克·安德森写了 Mosaic 浏览器，和 SGI 创始人克拉克创立网景，把互联网从学术圈带给了普通人。网景 16 个月就上市，创造了互联网造富神话。但微软用"免费捆绑 IE"直接攻击其收入根基，网景 4 年就被迫卖给 AOL。它的遗产却极其深远：JavaScript、SSL、cookie，以及安德森后来创立 a16z 成为硅谷顶级风投。

教训：

单一产品、单一收入来源，在巨头面前没有防御纵深；
先发的优势如果没有转化为生态，就只是"帮巨头验证市场"；
安德森本人的轨迹也很有意思：创业被巨头碾过后，转身成为投资人——把对浪潮的理解变成了另一种杠杆。

AI 时代的新思路：

网景的死法在 AI 时代每天都在重演：功能型应用被平台顺手做掉。

对照自查：如果你的产品是"一个 Prompt 包一层壳"，那你的命运就是网景 2.0——ChatGPT/Claude/豆包下一次更新就会把你变成系统自带功能；
网景式生存策略：做平台不方便做的事。微软能免费捆绑浏览器，但做不了垂直行业的脏活累活。AI 创业要找"巨头捆绑不了"的东西——需要线下交付的、需要行业牌照的、需要和企业数据深度耦合的；
另一个思路是学安德森的转身：如果做产品打不过，就做这波浪潮的投资人/生态位观察者——程序员做技术自媒体、做 AI 早期投资、做开发者社区，本质都是把认知变现。

2.8 雅虎：开创了模式，却被模式淘汰

故事：1994 年，斯坦福博士生杨致远和费罗把喜欢的网站整理成目录——“Jerry’s Guide to the World Wide Web”，后来变成 Yahoo!。雅虎定义了门户网站、开创了"免费 + 广告"的互联网商业模式，是所有中国第一代互联网公司的老师（新浪、搜狐、网易都在抄它）。但雅虎骨子里是媒体公司而不是技术公司：它用人肉编辑整理目录，对搜索技术不上心，把搜索外包给 Inktomi、又外包给 Google——等于亲手喂养了掘墓人。错过收购 Google（两次）、错过收购 Facebook，最终在移动互联网时代彻底掉队，2017 年被 Verizon 收购。

教训：

雅虎开创了"免费 + 广告"，但它不懂广告的效果要靠技术优化——Google 用算法把广告做成了精准匹配，雅虎还停留在卖展示位；
把核心能力（搜索）外包，是科技公司最危险的决定之一；
雅虎之鉴：路径依赖——目录时代太成功，以至于无法理解搜索时代。

AI 时代的新思路：

雅虎的历史正在 AI 时代重放：很多"AI 应用公司"其实在做新时代的"人肉目录"——靠运营、靠内容编辑堆出来的 AI 产品，模型一升级，人肉部分的价值就清零。自查标准：你的产品价值里，有多少比例会被下一代模型免费赠送？
雅虎教训的正面用法：永远不要外包你的核心差异化能力。AI 创业可以外包模型（反正模型在商品化），但不能外包：用户关系、数据闭环、行业 know-how；
新机会：雅虎当年"帮用户找到信息"的需求，在 AI 时代变成了"帮用户做决策"。AI Agent 版黄页/目录 + 自动执行（帮用户找服务、比价、下单、售后）是一个还没被做好的大方向——雅虎只做到了"找到"，AI 可以做到"办完"。

2.9 Google：技术信仰者的胜利

故事：1996 年，斯坦福博士生佩奇和布林发明 PageRank——用网页间的链接关系给网页排名，搜索质量碾压当时的所有对手。Google 的伟大在于几件事同时做对：技术（PageRank + 分布式系统）、商业模式（AdWords 竞价排名，把广告做成了可度量的效果生意）、文化（工程师主导、“不作恶”）、以及不惜血本投入基础设施（自己造服务器、建数据中心）。之后 Android 赌中移动、收购 YouTube 赌中视频，但也在社交（Google+）、通讯等赛道上屡战屡败。如今 Google 面临创立以来最大的挑战：ChatGPT 直接攻击搜索的根基——用户要的不再是链接列表，而是答案。

教训：

Google 是全书里最"技术至上"的公司，但它的胜利其实是技术 × 商业模式 × 基础设施的复合胜利，缺一个都不成立；
诺威格定律：搜索份额见顶后，Google 靠 Android、YouTube、云找到新增长曲线，这是它能活过 25 年的关键；
但它今天的困境也证明：没有任何生态位是永久的，包括搜索本身。

AI 时代的新思路：

Google 自己证明了基础设施投入是长期主义的壁垒。AI 创业的对应版本：为 AI 时代重建基础设施——AI 原生的数据库、AI 原生的安全、AI 原生的办公套件。不要想着"在旧软件里加 AI 功能"，而要问"如果从零开始为 Agent 设计，这个东西应该长什么样"（比如，为 Agent 而不是为人类设计的 API、为 AI 编程协作设计的代码仓库）；
“用户要答案不要链接"这个趋势里藏着新一代 Google 的机会：垂直领域的答案引擎——法律、医疗、科研、金融，通用模型答不准、答不全的地方，就是垂直答案引擎的立足点（Perplexity 已验证通用版，垂直版还大有空间）;
Google 的多元化（诺威格定律）对创业者的启示：单一 AI 产品的天花板来得会比想象中快，从第一天就想好第二个增长曲线，哪怕只是方向性的。

2.10 衰亡者群像：摩托罗拉、诺基亚、Sun 的共同死因

书里同样重要的反面教材：

摩托罗拉：发明了手机，但铱星计划（技术浪漫主义的极致——66 颗卫星覆盖全球，却没人买单）拖垮了它，数字手机时代又反应迟钝；
诺基亚：功能机时代的霸主，不是没看到智能机，而是功能机太赚钱，组织无法自我革命；
Sun：斯坦福四人创业（Workstation 工作站 + Solaris + Java），Java 改变世界却没赚到钱——技术影响力 ≠ 商业变现。

flowchart LR
    subgraph 死因分析
        A1["摩托罗拉<br/>技术浪漫主义<br/>铱星计划"] --> B["共同死因"]
        A2["诺基亚<br/>旧业务太赚钱<br/>无法自我革命"] --> B
        A3["Sun<br/>有技术影响力<br/>没有变现闭环"] --> B
        B --> C["把上一波浪潮的成功<br/>当成了永恒"]
    end

AI 时代的新思路：

反用诺基亚之死：传统行业的"功能机巨头”（旧软件、旧服务）越赚钱，越不可能自我 AI 化——这就是创业公司替他们服务/替代他们的窗口期。看看哪些行业还在用十年前的软件收钱，那里就有 AI 替代的机会；
反用 Sun 之死：做 AI 开源项目获得影响力之后，必须在一开始就设计变现路径（托管服务、企业版、生态分成），否则影响力就是给别人做嫁衣；
反用铱星计划：AI 项目先做需求验证，再堆技术。铱星的教训是"技术上可行"和"商业上值得"之间隔着一条银河。今天很多"用 AI 做 XX"的项目，本质都是小型铱星——工程师的浪漫，市场的灾难。

2.11 仙童半导体：“八叛徒"与硅谷的诞生

注：《浪潮之巅》第四版（2019）新增了"新兴科技与初创企业"相关内容，补充了仙童、Facebook、特斯拉等案例。本节起为新版内容补记。

故事：晶体管发明人之一、诺奖得主肖克利 1955 年创办肖克利半导体实验室，招到八个天才年轻人，但他管理专断多疑。1957 年，八人集体出走（肖克利骂他们是"八叛徒”），在投行职员阿瑟·洛克（Arthur Rock）牵线下，由仙童摄影器材公司出资创立了仙童半导体。仙童做出两件改变历史的事：赫尔尼发明平面工艺，诺伊斯在此基础上于 1959 年发明硅集成电路。但东海岸母公司不断抽走利润、拒绝给员工股权，人才开始外流：1968 年诺伊斯和摩尔创立 Intel，1969 年桑德斯创立 AMD，斯波克执掌国家半导体，克莱纳后来创立硅谷最传奇的风投 KPCB。仙童被称为"半导体产业之母"——硅谷的"硅"、风险投资模式、股权文化，全从这一家公司开始。

教训：

肖克利手握最好的技术天团却留不住人——技术号召力代替不了管理与激励；
母公司把仙童当提款机、不给股权，等于亲手把核心技术连同人才一起送走——仙童最后活成了"半导体军校"，专门给对手培养创始人；
仙童最大的遗产不是产品，而是三样"制度发明"：集成电路、风险投资交易结构（洛克的那笔投资是现代 VC 的模板）、员工股权激励文化。

AI 时代的新思路：

今天的 OpenAI 正在上演"仙童时刻"：核心团队出走创立 Anthropic、SSI、Thinking Machines 等公司——大模型行业的人才外溢路径和当年半导体业一模一样。对创业者的启示：巨头研究院动荡期，是创业公司捡顶级人才的最佳窗口；
反面自查：如果你的创业公司没有设计好股权和期权，你就是下一个仙童——“AI 产业之母”，专门给别人培养 CTO；
仙童故事还催生了一个"创新工具"——风险投资本身。AI 时代的对应物是：算力换股权（云厂商以 GPU 资源入股）、开源换生态位（开源模型换取开发者标准地位）。融资工具的演化，本身就是创业机会的一部分。

2.12 Facebook：把"关系"变成可计算的资产

故事：2004 年，扎克伯格在哈佛宿舍上线 TheFacebook，从校园一路扩张到全民。几个关键决策：坚持实名制 + 真实关系链（与 MySpace 的虚拟身份区隔开）；2006 年顶着全站骂声上线 News Feed（事后证明是社交产品的标配）；2007 年开放第三方平台；2012 年上市前后完成惊险的移动转型；收购 Instagram（10 亿美元）和 WhatsApp（190 亿美元）都堪称神操作。Facebook 的本质，是把全人类的"关系网"——社交图谱（Social Graph）——变成了一份私有、可计算、可卖广告的资产。

教训与规律：

梅特卡夫定律（网络价值 ∝ 节点数的平方）在社交领域发挥到极致：70-20-10 律在社交网络里表现为接近 100% 的垄断——挑战者哪怕产品好 10%，也搬不走用户的关系链；
但护城河也在变浅：TikTok 用**算法推荐（兴趣图谱）**绕开了社交图谱——不需要先有朋友关系，算法直接把内容喂给你。Facebook 被迫改名 Meta 押注元宇宙，至今没有赢回叙事权；
Facebook 的另一重身份是"工具工厂"：React、PyTorch、GraphQL、Cassandra 都出自它的工程团队——把内部工具开源，是建立行业标准地位的廉价手段。

AI 时代的新思路：

Facebook 的核心资产"社交图谱"正在被 AI 重构：Character.ai 这类 AI 陪伴产品证明了用户需要的未必是"真人关系链"，而是"被理解和被回应"。AI-native 的社交/陪伴产品是新一波社交创业的入口；
TikTok 用兴趣图谱打败社交图谱的历史会在 AI 时代重演：用 AI 直接理解内容和人，可以绕开冷启动最难的"关系网积累"——新社交产品不再需要先攒社交图谱；
工具开源策略依然有效：AI 公司把训练框架、Agent 框架开源，换的是标准制定权和人才向心力（看看 LangChain、vLLM 的位置就知道了）。

2.13 特斯拉：用软件和第一性原理重造汽车

故事：特斯拉 2003 年创立，2004 年马斯克领投入局。Roadster（2008）证明电动车可以很性感，Model S（2012）证明可以规模量产，Model 3 的"产能地狱"差点要了命，上海超级工厂（2019）证明了制造效率的极限。特斯拉的关键创新不在任何单点技术，而是把整个汽车产业的逻辑改写：用笔记本同款的 18650 电芯 + 电池管理系统（BMS）拼出电池包；用 OTA 软件升级让车"越开越新"；直营绕过经销商体系；超级工厂垂直整合，把供应链攥在自己手里。

教训与规律：

第一性原理：马斯克算过账——电池组按原材料市场价计算远低于当时的市场售价，中间的差价是"历史惯性"而不是物理必然，所以自己造。这是全书中罕见的"用物理学思维做商业决策"的样本；
软件定义硬件：车变成了"轮子上的计算机"，安迪-比尔定律开始在汽车行业生效——硬件利润越来越薄，价值向软件和数据迁移；
特斯拉是三浪叠加的受益者：锂电池技术进步 + 移动互联网（车作为终端）+ 自动驾驶 AI。单一浪潮成就产品，浪潮叠加才成就帝国。

AI 时代的新思路：

特斯拉模式 = 硬件公司的 AI 化模板：影子模式采集真实数据 → 云端训练 → OTA 下发 → 更好的模型，这套"数据飞轮"是 AI 产品的通用范式，机器人、无人机、工业设备都可以复制；
FSD V12 用端到端神经网络替代了三十多万行手写规则代码，证明**“数据和算力替代工程师规则”**的方法论成立——这个方法论正在外溢到通用机器人（人形机器人被普遍看作"下一个特斯拉"）；
第一性原理自查同样适用于 AI 创业：你产品的成本结构里，有多少是"历史惯性"？推理成本两年降两个数量级之后，很多昨天"不划算"的 AI 应用今天已经成立——重新算账，就是重新找机会。

三、技术底牌：十三个案例背后的核心算法、数学与创新工具

复盘完故事，值得单独盘一盘这些公司的"技术底牌"——它们当年手里到底握着什么牌。看完之后会发现一个规律：真正改变浪潮的，往往不是一个产品，而是一两个可复制的算法、一条数学定律、或者一个开创性的工具。

3.1 总览表

案例	核心算法 / 数学工具	创新工具 / 系统	后续影响
贝尔实验室	香农信息论、采样定理	晶体管、UNIX、C 语言、激光、蜂窝通信	几乎整个信息产业的数学与物理底座
IBM	关系模型（Codd，基于集合论/关系代数）	System/360 兼容机架构、FORTRAN、SQL 前身、RISC、硬盘	定义了"企业计算"和数据库产业
苹果（及施乐 PARC）	区域填充/位图图形算法（QuickDraw）	图形界面 GUI、鼠标、所见即所得、面向对象（Smalltalk，来自 PARC）	定义了人机交互范式
微软	浮点 BASIC 解释器（4KB 内存内实现）	MS-DOS、Windows、Office	证明"软件本身可以是商品"
Intel	摩尔定律（经验定律，指数增长）	4004 微处理器（单芯片 CPU）、x86 架构	硬件的"计时器"，整个产业的节拍器
思科	路由算法（距离矢量 RIP、链路状态 OSPF，底层是图论最短路径）	多协议路由器、IOS	让不同网络互联，互联网的地基
网景	RSA 公钥加密、混合加密（SSL）	浏览器、JavaScript、cookie、SSL	定义了 Web 应用形态
雅虎	（技术弱）目录分类法	门户、“免费 + 广告"模式	模式开创者，算法缺席者——这也是它的死因
Google	PageRank（马尔可夫链平稳分布）、广告拍卖机制（GSP/VCG 博弈论）	MapReduce、GFS、BigTable、后来的 Transformer	把"大规模分布式计算"变成标准工程能力
摩托罗拉 / 诺基亚 / Sun	六西格玛（统计过程控制）、蜂窝频率复用	移动电话（DynaTAC）、GSM、Java/JVM、SPARC RISC	Java 改变世界但没赚到钱
仙童半导体	平面工艺（光刻）、摩尔定律（1965 年论文的源头）	硅集成电路、风险投资交易结构、员工股权激励	硅谷的起点：集成电路 + VC + 股权文化
Facebook	梅特卡夫定律（网络价值 ∝ n²）、EdgeRank（信息流排序）、链接预测（好友推荐）	News Feed、Open Graph、React / PyTorch / GraphQL / Cassandra	把"关系"变成可计算、可卖广告的图资产
特斯拉	BMS 电池管理算法、端到端神经网络（FSD）、数据飞轮	OTA 升级、超级工厂、一体压铸、Dojo 超算	“软件定义硬件"的产业模板

3.2 几个值得单独讲的"硬核底牌”

香农信息论（贝尔实验室，1948）：整个信息时代的"牛顿定律”

香农在贝尔实验室发表的《通信的数学理论》，回答了两个问题：信息怎么度量？信道最多能传多少？

信息熵：

$$H(X) = -\sum_{i} p_i \log_2 p_i$$

信道容量（香农-哈特利定理）：

$$C = B \log_2 \left(1 + \frac{S}{N}\right)$$

直觉：$B$ 是带宽，$S/N$ 是信噪比。这个公式给所有通信系统划了一条理论上界——无论你的调制方案多聪明，都不可能超过 $C$。此后 70 年的调制解调器、3G/4G/5G、Wi-Fi，本质都是在逼近这条线。吴军在《数学之美》里反复强调的观点也源于此：好的数学模型能把"需要智能"的问题变成"可以计算"的问题。

关系模型（IBM，1970）：一篇论文开创一个产业

IBM 研究员 Codd 1970 年发表论文，把数据库建立在集合论和一阶谓词逻辑上：数据是关系（元组的集合），查询是关系代数运算（选择、投影、连接）。Oracle 的创始人 Ellison 正是读了这篇论文后抢先做出商用产品——这是"IBM 发明、别人收割"的又一例（和 PC 养大微软/Intel 如出一辙）。今天的 MySQL、PostgreSQL，乃至 NoSQL 之后又回归 SQL，都证明这个数学模型选对了一次，管了 50 年。

摩尔定律（Intel，1965）：一条经验曲线统治一个行业

严格说它不是物理定律，而是观察 + 自我实现的预言：

$$\text{晶体管数量}(t) \propto 2^{t / 18\text{个月}}$$

它的真正威力在于给了整个产业一个可预期的节拍器：软件公司敢按"两年后性能翻倍"来设计产品，风险投资人敢按这个节奏下注。反摩尔定律只是它的镜像。今天 AI 领域有类似的曲线——模型能力随算力/数据规模增长（Scaling Laws），推理成本每年数量级下降。创业者读摩尔定律的正确姿势，是把它当成"为两年后的成本结构做设计"的许可证。

路由算法（思科）：图论改变世界

互联网的核心问题之一是：数据包从 A 到 B 走哪条路？这正是图论里的最短路径问题：

OSPF（链路状态协议）：每个路由器掌握全网拓扑，然后跑 Dijkstra 算法算最短路径；
RIP / BGP（距离矢量/路径矢量）：每个路由器只知道邻居告诉它的距离，类似分布式 Bellman-Ford。

思科的商业天才不在于发明这些算法（它们来自学术界），而在于把这些算法固化进一台可靠、好卖的盒子里。这又是一个"算法公开、工程变现"的案例——和今天"Transformer 论文公开、应用公司变现"的结构一模一样。

SSL 与公钥加密（网景，1994）：数论给电商开门

网景为了让浏览器能安全地传信用卡号，发明了 SSL。底层是 RSA：

$$c = m^e \bmod n, \qquad m = c^d \bmod n$$

安全性依赖于"大整数分解困难"——知道 $n = p \times q$ 容易，从 $n$ 反推 $p, q$ 极难。SSL 用 RSA 交换对称密钥（混合加密），再用对称加密传数据。没有这套数论工具，就没有电商和网上银行——网景虽然死了，它留下的 SSL/TLS 至今保护着每一笔网上交易。

PageRank（Google，1996）：把互联网看成一个马尔可夫链

PageRank 的模型极其优雅：把网页看作节点、超链接看作边，假设一个"随机冲浪者"每次以概率 $d$ 沿链接跳转、以概率 $1-d$ 随机跳到任意页面。各网页的重要性就是这条马尔可夫链的平稳分布：

$$PR(u) = \frac{1-d}{N} + d \sum_{v \to u} \frac{PR(v)}{L(v)}$$

数学上等价于求转移矩阵的主特征向量，工程上用幂迭代反复乘到收敛。这个公式的天才之处：它把"网页质量"这个主观判断，转化成了图上的线性代数问题——这正是《数学之美》的核心思想在搜索上的复现（吴军本人就在 Google 做过搜索质量）。

Google 的第二张数学底牌是广告拍卖：AdWords 用广义二价拍卖（GSP）——出价最高者赢，但只付第二名的价格加一分。这来自博弈论里的 Vickrey/VCG 机制设计，让广告主有动力报真实估价。雅虎卖展示位是按"感觉"收钱，Google 按点击和转化收钱——算法把广告从品牌生意变成了可优化的数学问题，这就是两家公司命运分野的技术根源。

Transformer（Google，2017）：埋下今天浪潮的种子

《浪潮之巅》成书早于这一波，但 Google 2017 年的论文 Attention Is All You Need 提出了 Transformer：用自注意力机制替代循环结构，本质上是对序列中任意两个位置直接计算相关性权重，矩阵化之后可以大规模并行——这恰好完美匹配 GPU。历史开了个大玩笑：Google 发明了引爆大模型时代的算法，却被 OpenAI 抢先做成了产品——这几乎就是"IBM 发明关系模型、Oracle 收割"的 AI 翻版，再次验证了书里那句话：发明技术和站上浪潮之巅，是两回事。

六西格玛（摩托罗拉，1986）：统计学的工业应用

摩托罗拉发明的六西格玛质量管理，目标是每百万次机会缺陷数（DPMO）不超过 3.4。它基于正态分布：$\pm 6\sigma$ 覆盖了 99.99966% 的情形。数学上很朴素（均值、方差、控制图），但它证明了统计学本身就是一种可以卖到全世界的管理产品。讽刺的是，发明六西格玛的公司死于战略失误——质量控制救不了方向错误，再好的 $\sigma$ 也算不过趋势。

平面工艺与光刻（仙童，1959）：把"制造"变成"印刷"

仙童之前，晶体管是一根根手工连线的分立元件，规模上不去、可靠性差。赫尔尼的平面工艺用二氧化硅层做保护，配合光刻技术——像洗照片一样把电路图案"印"在硅片上；诺伊斯随即想到：既然能印，就可以把多个元件和连线一次印在同一块硅上——集成电路就此诞生。

这一步的意义在于：芯片制造从"手艺"变成了"可复制的印刷工艺"，良率可控制、规模可复制、成本可下降——摩尔定律之所以能以指数曲线走五十年，物理基础就是平面工艺这条产线。仙童留下的另一个"工具"是无形的：阿瑟·洛克设计的那笔投资（分期注资 + 管理层期权），成了现代风险投资交易结构的模板；员工持股也从这里开始成为硅谷的标配。制度设计和工艺一样，是可以被后来所有公司复用的发明。

梅特卡夫定律与 EdgeRank（Facebook）：图论 × 排序算法

Facebook 的护城河可以用一条经验定律刻画——梅特卡夫定律：网络的价值正比于节点间可能的连接数，即

$$V \propto \frac{n(n-1)}{2} \approx n^2$$

用户越多，关系链越密，迁走一个用户等于要他放弃整张关系网——这就是社交产品天然垄断的数学解释。

信息流排序早期用的是 EdgeRank，每条内容对某个用户的得分由三个因子相乘：

$$\text{Score} = \sum_{\text{edges } e} u_e \cdot w_e \cdot d_e$$

$u_e$ 是亲密度（你和发布者的互动强度），$w_e$ 是边权重（评论 > 点赞 > 浏览），$d_e$ 是时间衰减。这个公式后来被机器学习排序（GBDT，再到深度学习）取代，但"用户关系 × 内容类型 × 时效“的三因子结构至今仍是推荐系统的基本骨架。好友推荐则是图上的链接预测（共同好友越多，越可能认识——三角闭合原理）；后期还加上 DeepFace 人脸识别。可以说 Facebook 是把"人类社会关系"图论化、算法化最彻底的公司。

数据飞轮与端到端网络（特斯拉）：自动驾驶的方法论革命

特斯拉在算法上的底牌不是某个单点模型，而是一套数据飞轮机制：

flowchart LR
    A["车队影子模式<br/>人类开车时默默采集数据"] --> B["云端筛选<br/>高价值片段"]
    B --> C["训练神经网络<br/>Dojo 超算"]
    C --> D["OTA 下发<br/>车队升级"]
    D --> E["模型变好<br/>采集到更好的数据"]
    E --> A

FSD V12 更进一步：用端到端神经网络（传感器视频进、驾驶指令出）替代了三十多万行手写的感知-规划规则代码，同时配合 HydraNet（多头共享主干的多任务网络）和 Occupancy Network（占用网络，把三维空间体素化）。这和摩尔定律/香农公式是同一类启示：当一个领域可以从"手写规则"切换到"数据驱动"时，该领域的旧玩家积累会瞬间贬值——这正是 AI 大模型正在各行各业做的事。

3.3 一个值得记住的横向规律

把这些底牌摆在一起，能看到一个清晰的模式：

flowchart LR
    A["数学/算法突破<br/>信息论 · 关系模型 · PageRank<br/>RSA · Dijkstra · Transformer"] --> B["工具化<br/>UNIX · SQL · 浏览器 · 路由器"]
    B --> C["商业模式接住<br/>授权 · 广告拍卖 · 卖水"]
    C --> D["浪潮之巅"]
    A -.->|"缺了这一步"| E["贝尔实验室式悲剧<br/>发明无数，收割寥寥"]
    B -.->|"缺了这一步"| F["Sun 式悲剧<br/>Java 改变世界<br/>却没赚到钱"]

算法本身几乎从不直接赚钱——信息论、PageRank、Transformer 都是公开发表的；
赚钱的是把算法工具化、再用商业模式接住的那一步；
所以对程序员创业的真正启示是：盯紧公开的算法突破（它们是免费的），竞争发生在工具化和场景化这两层——这正是今天 AI 应用创业的主战场。

四、浪潮的幕后推手：风投、投行、斯坦福、印钞机与金融风暴

前面十三章讲的是浪尖上的公司。《浪潮之巅》后半部分把镜头拉远，讲了造就浪潮的生态系统：钱从哪来（风险投资）、怎么退出变现（投资银行）、人才和点子从哪来（斯坦福大学）、什么样的生意最赚钱（印钞机商业模式）、以及整个系统什么时候会崩（金融风暴）。这部分对想创业的程序员其实比公司故事更实用——因为公司故事你只能旁观，生态规则你却天天在用。

4.1 风险投资：浪潮的放大器

内容：现代风险投资正是从仙童那笔投资（阿瑟·洛克牵线）开始的，此后红杉资本（投了苹果、思科、雅虎、Google）、KPCB 成为硅谷的造王者。VC 的运作结构是：

flowchart LR
    A["LP 有限合伙人<br/>大学基金/养老金/富豪<br/>出钱不干活"] -->|"注资"| F["风险投资基金<br/>10 年周期"]
    G["GP 普通合伙人<br/>基金管理团队"] -->|"管理"| F
    F -->|"分阶段下注<br/>天使→A→B→C"| S1["创业公司 A"]
    F --> S2["创业公司 B"]
    F --> S3["创业公司 C...N"]
    S1 -.->|"IPO / 并购退出"| R["收益分配<br/>LP 拿 80%<br/>GP 拿 20% 分成 + 2% 管理费"]
    S2 -.->|"大概率失败归零"| X["幂律分布：<br/>1-2 家赚回整个基金"]

规律：

VC 不是发明家，是放大器——它只押注浪潮方向，然后在方向上批量下注；
收益服从幂律分布：一个基金投二三十家，绝大部分平庸或死掉，靠一两家百倍回报回本。这决定了 VC 只投"天花板足够高"的生意——你的生意如果做大了也只有几亿市值，VC 不会感兴趣，这不丢人，只是不匹配；
拿 VC 的钱 = 签下对赌：烧钱换增长，赌的是 exit（上市或被收购）。

AI 时代的新思路：

AI 时代的 VC 出现了新变体：算力换股权——微软投 OpenAI 的对价大部分是 Azure 算力额度，投资款又以云服务消费的形式回流。创业者拿谁的钱，就绑定了谁的生态，这个决策比估值高低更重要；
AI 杠杆让单家公司需要的资本大幅下降（三个人 + 大模型能干过去三十个人的活），天使轮/A 轮的逻辑正在被重写：不缺钱的项目可以更晚融资、要更好的条款；
对个人的启示：理解幂律也适用于职业选择——你加入哪家创业公司，本质就是把自己的时间当成 LP 出资，要选那个"成了能改变量级"的池子。

4.2 投资银行：科技公司变现与退出的管道

内容：投行是科技公司和公开市场之间的管道：承销 IPO（定价、路演、分销股票）、撮合并购。书里对投行的评价是"成也萧何，败也萧何”——没有投行，科技公司无法变现、创始人和员工的股票无法变成真金白银；但投行为了佣金也有动力吹大泡沫（2000 年互联网泡沫里，投行把一堆亏损公司包装上市）。

创新工具与数学：

估值工具：DCF（现金流折现）、可比公司倍数——给"未来"定价的一套话术体系；
Google 的荷兰式拍卖 IPO（2004）：Google 不信任投行定价，改用拍卖机制让市场竞价决定发行价——这本身是博弈论机制设计的应用，绕开了投行压价分给机构客户的潜规则。

AI 时代的新思路：

AI 公司给投行出了新难题：模型能力和数据资产怎么估值？ 传统的 DCF 和可比倍数面对"三个人的团队年入一亿美元"（如 Midjourney 这类案例）已经失灵——估值锚在漂移，既是混乱也是机会；
创业公司要提前想好退出路径：是上市（需要规模和合规），还是被收购（需要战略价值）。AI 时代"被巨头收购"的路径更短——很多团队冲着 acquihire（人才收购）去创业，这本身也是一种理性策略。

4.3 斯坦福大学：硅谷的人才与创新发动机

内容：硅谷之所以在硅谷，而不是在波士顿 128 号公路（当年东海岸科技更发达），很大程度上因为斯坦福。特曼教授（Frederick Terman）鼓励师生创业，促成了惠普的车库传奇；斯坦福工业园把土地租给科技公司，让企业和学校物理上长在一起；**技术许可办公室（OTL）**让教授的发明可以系统性地授权给公司。雅虎、Google、思科、Sun——书里一半的主角都是斯坦福师生创办的。背后还有一个制度工具：美国 1980 年的 拜杜法案（Bayh-Dole Act），允许大学持有联邦资助研究的专利并对外授权，一举打通了"国家出钱研究 → 大学持有专利 → 企业付费转化"的链条。

规律：

大学对产业的贡献不是发论文，而是制度设计：让人才能自由流动（教授可以停薪留职创业）、让成果能合法变现（OTL + 拜杜法案）；
对比之下，东海岸高校把发明锁在专利柜里，128 号公路最终被硅谷超越。

AI 时代的新思路：

这波 AI 浪潮里，大学的位置明显弱化——算力和数据都在工业界，顶尖人才从大学流向 OpenAI 和各大厂实验室。创新的源头正在从"大学 + 公司"双引擎变成公司单引擎；
对程序员个人的启示：如果你没有斯坦福，就自己建一个"微生态"——开源社区、技术社群、行业人脉就是个人的 OTL。在 AI 时代，个人的技术影响力（GitHub、博客、开源项目）是可以直接变现为机会的资产。

4.4 印钞机：什么样的商业模式最赚钱

内容：书里专门有一章讨论"印钞机"式的商业模式——一旦建成，不需要太多人工干预就能持续自动赚钱的系统：

印钞机类型	代表	为什么能自动印钱
广告自动匹配	Google AdWords	广告主自助竞价投放，无需销售员，边际成本趋零
平台抽佣	eBay、亚马逊	交易由买家卖家自己完成，平台只收过路费
直销+按单生产	戴尔	先收钱再生产，负营运资金，别人替它垫资
软件授权	微软	复制成本为零，多卖一份就是纯利润
虚拟商品	腾讯	虚拟道具边际成本为零，毛利率极高

判断标准（自查清单）：能不能自动化运转？边际成本是否趋近于零？能不能无限规模化？有没有自增强的网络效应？——四条全中的才是印钞机，缺一条就是苦生意。

AI 时代的新思路：

AI 让"印钞机"民主化了：一个人 + 一组 Agent，可以运营过去需要一个团队才能跑的自动业务（内容站群、自动客服、自动交易撮合），“一人公司"第一次成为现实选项；
但有个关键不同：软件复制的边际成本是零，大模型推理的边际成本不是零（每一次调用都烧 GPU）。所以 AI 时代的印钞机要重新设计定价——从包月订阅走向按量付费、甚至按结果付费（outcome-based pricing：AI 客服按"成功解决的工单数"收费）。谁能设计出"推理成本可控 + 按价值收费"的结构，谁就造出了新一代印钞机；
警惕伪印钞机：如果你的"自动化"背后要靠大量人工审核兜底（内容安全、幻觉纠错），那你不是印钞机，是外包公司。

4.5 金融风暴：潮水退去时谁在裸泳

内容：书里复盘了 2008 年金融危机的链条：房贷打包证券化（MBS/CDO）→ 层层加杠杆（投行杠杆高达 30 倍以上）→ 评级机构失灵 → 雷曼兄弟倒闭。对科技业的影响则是：泡沫破裂反而加速了洗牌——手握现金的微软、Google 安然过冬，靠融资续命的公司批量死亡。

背后的数学工具（反面教材）：危机的技术根源之一是高斯 copula 模型（李祥林模型）被华尔街滥用——它假设各笔贷款的违约相关性服从正态分布，严重低估了"一起违约"的尾部风险。模型本身没有错，错的是把模型假设当成了现实。这个教训对所有做模型的人（包括今天的 AI 从业者）都成立：模型的输出只在假设成立的范围内有效。

AI 时代的新思路：

危机是最好的创业窗口：Airbnb（2008）、Uber（2009）、WhatsApp（2009）都诞生在金融危机期间——资本贵、人才便宜、竞争少。如果 AI 投资热退潮，恰恰是真创业者的好时候；
现金流纪律：书里的幸存者是现金储备厚的公司。AI 创业同理——推理成本是持续出血点，毛利为负的增长是自杀，runway 永远比增长率重要；
当下 AI 数据中心军备竞赛与 2000 年光纤泡沫的对照值得每个从业者想一遍：2000 年铺的光纤没有白铺（后来都成了互联网的地基），但铺光纤的公司死了一大批——技术判断对了 ≠ 投资判断对了。参与浪潮的方式有很多种，押错位置照样出局。

五、把规律汇总：一张图看 40 年的浪潮更替

timeline
    title 信息技术浪潮更替（《浪潮之巅》视角 + AI 时代延伸）
    1957 : 硅谷起点 : 八叛徒创立仙童 : 集成电路 + 风险投资诞生
    1960-1980 : 大型机时代 : IBM 独大 : 贝尔实验室发明晶体管/UNIX
    1980-1990 : 个人电脑时代 : 苹果开创 : 微软+Intel 收割（Wintel）
    1995-2000 : 互联网时代 : 网景点火 : 思科卖水 : 雅虎定义门户
    2000-2010 : 搜索与Web 2.0 : Google 登顶 : 泡沫破裂洗礼
    2004-2014 : 社交网络 : Facebook 垄断社交图谱 : 特斯拉开启电动化
    2007-2018 : 移动互联网 : iPhone 重新定义一切 : 诺基亚/摩托罗拉出局
    2016-至今 : 云计算与AI : 微软Azure翻身 : 英伟达成为新Intel
    2022-未来 : 大模型时代 : OpenAI点火 : 格局未定 : 新生态位待抢

从这张图能看到几个事实：

每一波浪潮的主角，上一波都不存在或不成气候——PC 时代的微软、互联网时代的 Google、移动时代的苹果（重生）、AI 时代的 OpenAI，都是新公司或"重生公司”；
浪潮间隔在缩短：大型机 20 年，PC 15 年，互联网 10 年，移动 10 年，大模型这一波可能 5-8 年就完成格局固化；
每一波都有"卖水人"：Intel（PC）、思科（互联网）、英伟达（AI）——卖水人比淘金者活得久。

六、我的思考与感悟

6.1 浪潮不是运气，是可以识别的

读完这本书最大的安慰是：浪潮来时是有信号的——技术突破（大模型通过图灵测试级别的对话）、成本骤降（推理价格两年降了 100 倍）、基础设施就绪（云 + GPU + 开源生态）、杀手应用出现（ChatGPT 两个月破亿用户）。2022 年之后，所有信号都齐了。识别浪潮不难，难的是承认自己所在的是旧浪潮——这对在传统软件行业干得好好的程序员尤其残酷。

6.2 “基因决定论"也适用于个人

书里说公司转型难是因为基因。我想到程序员个体也一样：写了十年 CRUD 的人，不是学不会 AI 应用开发，而是看问题的基因已经固化——习惯想"怎么实现需求”，不习惯想"模型能做到什么边界、边界外怎么兜底"。转型不是学几个 API，而是换一种思考方式：从"确定性编程"转向"概率性系统设计"。

6.3 每一波浪潮最大的悲剧都是同一个

网景的悲剧是"帮巨头验证市场"，Sun 的悲剧是"有影响力没变现"，雅虎的悲剧是"把核心能力外包"。这三个悲剧在 AI 创业圈每天都在发生。我给自己列了三个自查问题：

如果明天模型能力提升 10 倍，我的产品是更值钱还是归零？（归零的就是网景型产品）
我的核心差异化，是在我手里，还是在模型厂商手里？（外包了核心的就是雅虎型产品）
我现在的收入，会不会变成阻止我转型的诺基亚式诅咒？（旧业务越舒服越危险）

6.4 对"程序员创业"最现实的一句话

《浪潮之巅》里所有成功的技术创业，无一例外是：技术突破 × 正确的时机 × 匹配的商业模式。程序员往往只有第一个，高估第一个，低估后两个。盖茨赢不是赢在 BASIC 写得好，是赢在"授权不转让"的商业模式；Google 赢不只是赢在 PageRank，是赢在 AdWords；思科赢在"互联网淘金热里卖水"。

AI 大模型时代对程序员创业最大的利好是：技术门槛被模型拉平了——你不需要是佩奇才能做出聪明的产品。但这也意味着竞争的焦点彻底移向了商业模式和场景理解。这对只懂技术的程序员是坏消息，对愿意补齐商业思考的程序员，是几十年一遇的好消息。

七、给程序员的行动清单

综合全书规律和 AI 时代的现实，我自己的行动清单：

flowchart TD
    A["识别自己在浪潮中的位置"] --> B{"你的产品是哪种类型？"}
    B -->|"卖水型<br/>基础设施/工具链"| C["深耕<br/>这是最长命的位置"]
    B -->|"垂直应用型<br/>行业+AI"| D["挖深护城河<br/>数据/资质/交付"]
    B -->|"功能套壳型"| E["立刻转型或止损<br/>这是网景的命运"]
    C --> F["警惕云厂商下场<br/>往深水区走"]
    D --> G["警惕巨头捆绑<br/>做平台不方便做的事"]
    E --> H["把积累的认知<br/>转向 1 或 2"]

具体建议：

不要把时间花在套壳上，花在"模型 + 行业数据 + 工作流"的耦合处；
保持对基础设施层的关注（卖水人最长寿），哪怕不创业，职业方向上也值得靠；
每 18 个月做一次摩尔定律自查：我的技能和产品，跟上模型能力的进步了吗？
学盖茨的商业模式思维，学格鲁夫的断腕决断，学安德森的快速转身——这三样比学任何框架都重要；
记住浪潮的窗口期：格局固化（70-20-10）之前的窗口大约是 5-8 年。大模型这波从 2022 年算起，留给新玩家的窗口还有，但在收窄。

八、结语

吴军在书里写过一句话（大意）：在浪潮之巅的公司，不是最努力的，而是最幸运的——恰好站在了浪尖上。 但通读全书你会发现，“幸运"其实有结构：站在浪尖的公司，都是在新旧浪潮交替的混沌期就下了注的公司——盖茨在大型机向 PC 过渡时下注，佩奇在门户向搜索过渡时下注，乔布斯在 PC 向移动过渡时下注。

今天的 AI 大模型，就是这样一个新旧交替的混沌期。窗口开着，但不会一直开着。

这本书值得每个程序员读一遍，而且每隔几年重读一遍——因为你所处的浪潮位置变了，读出来的东西会完全不一样。

延伸阅读：

吴军《数学之美》——同作者的技术方法论，笔记见本站《数学之美》学习总结

Paul Graham《黑客与画家》——创业方法论的另一极，笔记见本站《黑客与画家》创业学习笔记