《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

浪潮之巅 on 方糖猫Blog

《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

《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

一、先立框架：浪潮是怎么起落的

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

2.2 IBM：大象也能跳舞，但只在 B 端

2.3 苹果：产品公司的浪漫与代价

2.4 微软：商业模式的创新比技术创新更致命

2.5 Intel：摩尔定律既是礼物也是绞索

2.6 思科：斯坦福教授夫妇的"路由器即卖水"

2.7 网景：起得最快，死得也最快

2.8 雅虎：开创了模式，却被模式淘汰

2.9 Google：技术信仰者的胜利

2.10 衰亡者群像：摩托罗拉、诺基亚、Sun 的共同死因

2.11 仙童半导体：“八叛徒"与硅谷的诞生

2.12 Facebook：把"关系"变成可计算的资产

2.13 特斯拉：用软件和第一性原理重造汽车

三、技术底牌：十三个案例背后的核心算法、数学与创新工具

3.1 总览表

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”

关系模型（IBM，1970）：一篇论文开创一个产业

摩尔定律（Intel，1965）：一条经验曲线统治一个行业

路由算法（思科）：图论改变世界

SSL 与公钥加密（网景，1994）：数论给电商开门

PageRank（Google，1996）：把互联网看成一个马尔可夫链

Transformer（Google，2017）：埋下今天浪潮的种子

六西格玛（摩托罗拉，1986）：统计学的工业应用

平面工艺与光刻（仙童，1959）：把"制造"变成"印刷"

梅特卡夫定律与 EdgeRank（Facebook）：图论 × 排序算法

数据飞轮与端到端网络（特斯拉）：自动驾驶的方法论革命

3.3 一个值得记住的横向规律

四、浪潮的幕后推手：风投、投行、斯坦福、印钞机与金融风暴

4.1 风险投资：浪潮的放大器

4.2 投资银行：科技公司变现与退出的管道

4.3 斯坦福大学：硅谷的人才与创新发动机

4.4 印钞机：什么样的商业模式最赚钱

4.5 金融风暴：潮水退去时谁在裸泳

五、把规律汇总：一张图看 40 年的浪潮更替

六、我的思考与感悟

6.1 浪潮不是运气，是可以识别的

6.2 “基因决定论"也适用于个人

6.3 每一波浪潮最大的悲剧都是同一个

6.4 对"程序员创业"最现实的一句话

七、给程序员的行动清单

八、结语