算力浪潮与相关产业

by chatgpt

1940年代—2026年强计算产业的爆发、一般化与边缘化历史图谱

中文整合版。依据原 Deep Research 英文成稿完整重写，保留其时间范围、主要数据口径、板块划分和来源体系；英文机构名、产品名与专业缩写在首次出现时保留，便于查证。

执行综述与研究方法

核心结论

计算史并不是一串彼此无关的“科技风口”。更准确的理解方式，是把它看成一组不断叠加、反复出现的算力驱动浪潮：原本在经济上不可行的工作负载，因计算、存储、网络、传感器、算法或能效跨过某个阈值而变得可行；随后它被单独命名为一种产业，吸引专用硬件、软件、人才与资本，市场预期通常会过冲，最后再走向几种不同结局。

不可行 → 技术上可行 → 经济上稀缺 → 专业产业形成 → 叙事与资本繁荣 → 标准化 → 商品化 → 被更大的平台、基础设施层或持久的专业市场吸收

这些浪潮并非严格按固定年限周期出现。它们之所以反复，是因为计算性能、内存、存储、网络、传感器、算法、能源效率、软件抽象和制造能力的进步，会不断让此前处于边缘的工作负载变得实用。IBM 1401 与 System/360 展示了早期计算标准化；Cray 时代展示了追求极限性能的专用计算；PC 与万维网把计算扩展到个人和网络；CUDA 把 GPU 变成通用并行计算平台；云把基础设施变成 API；2012—2026 年的 AI 浪潮则把大规模加速器算力本身转化成了可直接出售的能力。¹¹ <https://www.ibm.com/history/1401>；<https://www.ibm.com/history/system-360>；<https://www.computerhistory.org/internethistory/1970s/>；<https://docs.nvidia.com/cuda/cuda-c-programming-guide/>；<https://aws.amazon.com/about-aws/our-origins/>；<https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks>；<https://hai.stanford.edu/ai-index/2026-ai-index-report>

分析此类产业时，最重要的不是只问“什么时候达到高峰”，而是区分四种不同的峰值：

因此，一个产业名称不再流行，并不等于它的经济意义下降。桌面出版是典型案例：PageMaker 在 1985 年推动了一个全新品类，但后来页面排版本身成为普通软件能力。大型机也失去了“计算机默认形态”的文化中心地位，却仍长期存在于高可靠交易系统中。²² <https://www.computerhistory.org/timeline/1985/>；<https://www.computerhistory.org/tdih/august/31/>；<https://www.ibm.com/history/system-390>

反复出现的五种结局

一、一般化。 原先独立的产业变成普通功能，例如桌面出版、“大数据”、基础机器学习、移动端能力，以及正在发生的生成式 AI 助手化。

二、基础设施吸收。 工作负载继续增长，但产品类别逐渐隐形，例如云、数据库、存储、网络，以及越来越像基础设施的加速器。

三、专业市场存续。 市场规模可能更窄，却长期具有高价值，例如大型机、HPC、EDA、CAE、工业机器人和科学仿真。

四、平台集中。 当边际算力成本下降后，经济租金转移到新的稀缺互补物：分发、数据、生态、标准、晶圆制造、能源、知识产权和监管准入。

五、反复的“虚假黎明”。 算力已经足够，但系统其他部分尚未成熟。机器人、自动驾驶、VR/AR 都反复出现这种情况：即使原始计算能力提高，可靠性、执行器、电池、传感器栈、安全验证、形态重量和人的行为习惯仍可能成为决定性约束。DARPA 自动驾驶挑战说明，技术边界被跨越可以比规模化商业部署早很多年；通用汽车在 2024 年停止资助 Cruise 的无人出租车开发，也反映了技术可行与经济可行之间仍有距离。³³ <https://www.darpa.mil/about/innovation-timeline/grand-challenge>；<https://news.gm.com/home.detail.html/Pages/news/us/en/2024/dec/1210-gm.html>

可以把统一过程概括为：

研究范围与证据口径

本文将“强计算驱动”定义为：计算、内存、存储、网络容量或专用加速能力的大幅提高，实质改变了某个领域的技术可行性或单位经济性。研究范围包括大型机、小型机、PC、HPC、图形/GPU 计算、CAD/CAE/EDA、网络与万维网、搜索/广告技术、分布式数据系统、云/SaaS、移动应用、IoT/边缘计算、AI、工业机器人、服务与具身机器人、自动驾驶、VR/AR/空间计算、加密货币挖矿、科学仿真，以及若干相邻的计算密集型产业。

证据优先使用公司和机构的一手资料，包括 IBM、Apple、Google、Amazon、Microsoft、NVIDIA、Meta、DARPA、Waymo、GM、Stanford HAI、国际机器人联合会 IFR、CERN、美国半导体行业协会 SIA 和 Ethereum；风险投资曲线以 Crunchbase 分类数据为代理，上市公司历史市值使用 CompaniesMarketCap 作为二手历史代理。不同融资数据库的分类口径并不一致；下文 2026 年公开市场数值均为 2026 年 8 月快照，而不是年末值。⁴⁴ <https://news.crunchbase.com/robotics/startup-venture-funding-surges-2026-data/>；<https://news.crunchbase.com/venture/record-funding-autonomous-vehicles-q1-2026/>；<https://companiesmarketcap.com/>

总时间线：1946—2026

下表有意强调转折年份，而非机械填满每个年份。它把硬件架构、软件平台、AI、自动化、网络与资本市场事件放入同一时间轴，以呈现各轮浪潮如何叠加。早期历史以计算机历史博物馆、IBM 与 CERN 资料交叉核对，后期尽量使用公司公告、研究机构与产业组织的一手资料。⁵⁵ <https://www.computerhistory.org/timeline/>；<https://www.ibm.com/history/system-360>；<https://home.cern/science/computing/the-birth-of-the-web/short-history-web/>

压缩为跨浪潮视图：

核心算力基础设施：大型机、半导体、GPU、HPC 与云

大型机与企业数据处理：约 1950 年代至今

出现条件。 电子计算在可靠性和成本上终于足以承担工资、库存、会计、档案和交易处理。IBM 650 与 1401 标志着商用计算机走向规模生产；System/360 更关键的贡献，是让同一产品家族中的软件和外设可跨性能档位复用，而不是每换一台机器就全部重写。⁶⁵⁶⁵ <https://www.ibm.com/history/650>；<https://www.ibm.com/history/1401>；<https://www.ibm.com/history/system-360>

峰值结构。 大型机作为独立产业的峰值大致在 1960—1970 年代，当时“计算机产业”几乎就是中央大型机及其外设产业。随后使用量并没有消失；只是随着小型机、PC 和服务器兴起，大型机失去了文化上的中心地位。IBM 自己的 System/390 历史也提到“大型机将死”的预测反复落空，这说明其结局是专业市场存续，而非真正死亡。⁶⁶⁶⁶ <https://www.ibm.com/history/system-390>

代表企业。 IBM、Univac/Sperry、Burroughs、NCR、Control Data，以及后来的企业系统专业厂商。其叙事从“电子大脑”变成“数据处理”，再变成几十年间反复出现的“大型机已死”。未来它仍会留在高可靠交易、兼容性和迁移成本极高的场景，但几乎不可能重新成为面向普通用户的主导计算形态。⁶⁷⁶⁷ <https://www.ibm.com/history/system-390>

小型机、部门级计算与工作站：1960—1990 年代

集成电路与元件成本下降，使实验室、工程组或企业部门能够自己拥有交互式计算机，而不必向中央主机租用时间。该品类的独立产业峰值位于 1970—1980 年代；随后下方被越来越强的 PC 挤压，上方又被标准服务器和集群挤压。

它提供了一个重要历史样本：产品类别可以消失，而工作负载却继续扩张。 交互式工程、实验控制和多用户计算都保留下来，只是不再需要一台被称为“minicomputer”的机器。计算机历史博物馆的时间线记录了这种形态与厂商不断分化、再被通用平台吸收的过程。⁶⁸⁶⁸ <https://www.computerhistory.org/timeline/>

HPC 与超级计算：1960 年代—2026 年

CDC/Cray 路线的核心，是为最大数值性能打造专用机器。1976 年的 Cray-1 代表了专用向量机时代。1993 年开始发布的 TOP500，后来记录了产业向大规模并行集群、商品处理器和加速器迁移的过程。到 2019 年，榜单上每套系统都超过 1 petaflop；到 2026 年 6 月，有五套系统在 HPL 上超过 1 exaflop。⁶⁹⁶⁹ <https://www.computerhistory.org/internethistory/1970s/>；<https://top500.org/timeline/>；<https://top500.org/news/top500-becomes-a-petaflop-club-for-supercomputers/>；<https://top500.org/>

因此，HPC 的“一般化”并不是高端计算消失，而是架构一般化：过去必须由奇特、一次性的专用机器承担的任务，逐步迁移到并行集群、Linux、标准化加速器和通用编程工具上；与此同时，最前沿的性能边界继续外移。

• 使用峰值： 尚未出现。科学、国防、气候、工程和 AI 工作负载都仍在扩大。
• 资本/媒体峰值： 每次跨越新的数量级时，都会出现新一轮国家级“超级计算机竞赛”。
• 独立产业峰值： 大致是 1970—1990 年代的专用超级计算机厂商时代。
• 未来： HPC 与 AI 基础设施正在围绕加速器、高带宽内存、快速互连以及极端供电和散热工程汇合。2026 年 TOP500 的结构支持这种继续融合，而不是回到经典独立向量机经济。⁷⁰⁷⁰ <https://top500.org/>

半导体与摩尔式扩展：持续存在的底层基座

半导体的特殊之处在于，它既是一个产业，也是本报告多数产业的发动机。SIA 数据显示，全球半导体销售额在 2024 年达到 6276 亿美元，2025 年约 7920 亿美元；随着 AI 基础设施需求加速，2026 年预测在年内被显著上调。SIA 还发布研究，估算半导体约占 AI 数据服务器机架价值的 95%，并预测未来 AI 数据中心半导体收入会大幅增长。这说明经济稀缺性正在重新迁回真实的计算基础设施。⁷¹⁷¹ <https://www.semiconductors.org/global-semiconductor-sales-increase-19-1-in-2024-double-digit-growth-projected-in-2025/>；<https://www.semiconductors.org/global-annual-semiconductor-sales-increase-25-6-to-791-7-billion-in-2025/>；<https://www.semiconductors.org/new-report-finds-semiconductors-account-for-95-of-an-ai-data-server-racks-value-encompassing-the-full-stack-of-chip-technologies/>

半导体周期先后对应 PC、内存、移动、网络、加密货币以及当前 AI。与会因一般化而淡出名称的软件类别不同，芯片制造会不断获得新增长波，因为每一次软件能力普及，都会把需求推向一个新的物理容量边界。

GPU 与加速计算：1990 年代—2026 年

NVIDIA 在 1999 年以 GeForce 256 明确建立“GPU”品类；2006 年 11 月的 CUDA，则把 GPU 并行能力暴露为通用编程模型，而不再只是图形引擎。2012 年 AlexNet 的结果又把这条架构路线直接连接到现代深度学习。⁷²⁷² <https://blogs.nvidia.com/blog/first-gpu-gaming-ai/>；<https://docs.nvidia.com/cuda/cuda-c-programming-guide/>；<https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks>

其生命周期非常特殊：

专用图形加速器 → 大众游戏部件 → 可编程并行处理器 → HPC 加速器 → 加密货币挖矿引擎 → AI 训练与推理平台

这不是普通意义上的商品化，而是连续占领新的工作负载。每当出现规模更大的并行任务，GPU 都找到新的扩张路径。

NVIDIA 的历史市值是极醒目的资本代理：约从 1999 年的 9.6 亿美元，升至 2010 年 89 亿美元、2015 年 177 亿美元、2020 年 3230 亿美元、2023 年 1.22 万亿美元、2024 年 3.29 万亿美元、2025 年 4.64 万亿美元，并在本报告使用的 2026 年 8 月二手快照中约为 5.2 万亿美元。这个重估规模远超 1990 年代“图形芯片公司”叙事所能想象。⁷³⁷³ <https://companiesmarketcap.com/nvidia/marketcap/>

峰值判断。 AI 时代的公开市场峰值可能已在过去，也可能尚未来临；2026 年并不是一个已经闭合的完整周期。

未来。 加速器竞争会扩展到 GPU、自研 ASIC、内存系统、网络以及各种领域专用加速器。决定经济性的变量已不只是算术吞吐量，而是每瓦吞吐、内存带宽、集群利用率、软件生态和推理成本。这个判断来自仍在继续的半导体与 AI 基础设施扩建。⁷⁴⁷⁴ <https://www.semiconductors.org/new-report-finds-semiconductors-account-for-95-of-an-ai-data-server-racks-value-encompassing-the-full-stack-of-chip-technologies/>；<https://hai.stanford.edu/ai-index/2026-ai-index-report>

云、SaaS 与云原生基础设施：2006 年至今

AWS 在 2006 年 3 月上线 S3，同年推出 EC2，把存储和计算转化为可按量计费、通过 API 获取的资源。Microsoft 在 2008 年宣布 Windows Azure，并在 2010 年正式商用；Kubernetes 2014 年诞生于 Google，随后进入 CNCF，把抽象层从虚拟机进一步抬升到可移植的工作负载编排。⁷⁵⁷⁵ <https://aws.amazon.com/blogs/aws/twenty-years-of-amazon-s3-and-building-whats-next/>；<https://aws.amazon.com/blogs/aws/ec2-instance-history/>；<https://news.microsoft.com/about/>；<https://www.cncf.io/announcements/2015/06/21/new-cloud-native-computing-foundation-to-drive-alignment-among-container-technologies/>

云计算可以被理解为分时计算在条件成熟后的成功复活：这一次同时具备廉价网络、商品服务器、虚拟化、自动化供应、全球支付与互联网原生软件。

• 独立产业峰值： 2010 年代，“cloud-first”和“cloud-native”本身还是差异化战略；到 2020 年代，云越来越像默认运行方式。
• 使用量： 仍在增长。Microsoft 报告 Azure 在 FY2025 收入超过 750 亿美元、增长 34%；FY2026 后续季度中，Azure 及其他云服务仍约增长 39%—40%。⁷⁶⁷⁶ <https://www.microsoft.com/investor/reports/ar25/index.html>；<https://www.microsoft.com/en-us/investor/earnings/fy-2026-q2/intelligent-cloud-performance>；<https://www.microsoft.com/en-us/investor/earnings/fy-2026-q1/intelligent-cloud-performance>

因此，云最可能的终局不是消失，而是带有寡头经济性的公用设施化一般化。用户越来越少抽象地购买“云”，而是在购买数据库、AI、安全和应用；但超大规模厂商仍凭全球基础设施、生态与切换成本获取经济租金。

工业软件、互联网与数据、移动、IoT 及相邻计算产业

CAD、CAE、EDA 与工程仿真

交互式 CAD 可以追溯到早期计算机图形，但真正决定商业化的步骤，是机器价格下降到工程师桌面可以承担。Autodesk 在 1982 年发布 AutoCAD，并称其为首款面向 PC 设计的 CAD 软件。EDA 则走出更专业的路线：Synopsys 于 1986 年围绕逻辑综合成立，Cadence 于 1988 年由 SDA 与 ECAD 合并形成。⁷⁷⁷⁷ <https://www.autodesk.com/blogs/autocad/what-is-cad/>；<https://www.synopsys.com/company/acquisitions.html>；<https://community.cadence.com/cadence_blogs_8/b/breakfast-bytes/posts/a-brief-history-of-cadence-m-amp-a-tells-much-of-the-story>

同一轮算力下降，在这个板块产生了三种不同结局：

CAD 一般化。 二维制图成为普通工程软件能力，专用 CAD 硬件失去意义。

CAE 保持“算力需求弹性”。 更多算力带来更细网格、更多设计迭代、多物理场和优化；用户不会只用更便宜的算力完成同样任务，而会增加仿真规模和次数。

EDA 的结构重要性反而上升。 芯片复杂度增加，提高了自动综合、布局布线、验证和 IP 的价值，而不是消灭该品类。产业数据表明，到 2025 年末和 2026 年初，EDA、半导体 IP 与相关服务的季度收入已超过 50 亿美元。⁷⁸⁷⁸ <https://semiengineering.com/eda-and-ip-numbers-up-again-but-numbers-are-more-nuanced/>；<https://semiengineering.com/eda-revenue-up-12-7-apac-roars-back/>

公开市场也反映了这种耐久性。按本报告使用的二手市值口径，Synopsys 从 1996 年约 19 亿美元升至 2026 年 8 月约 760 亿美元；Cadence 当时约 880 亿美元。⁷⁹⁷⁹ <https://companiesmarketcap.com/synopsys/marketcap/>；<https://companiesmarketcap.com/cadence-design-systems/marketcap/>

未来。 AI 辅助设计可能减少单个工程步骤所需的人力，却同时增加候选方案和仿真次数。因此 EDA/CAE 很可能体现一种类似杰文斯悖论的算力需求：单位计算越便宜，总计算消费反而越大。这个判断得到 EDA 持续增长以及 AI 进入设计流程的支持。⁸⁰⁸⁰ <https://www.synopsys.com/blogs/chip-design/ais-impact-on-chip-design-from-ceo-aart-de-geus.html>；<https://semiengineering.com/eda-revenue-up-12-7-apac-roars-back/>

桌面出版、数字媒体与渲染

1985 年 PageMaker、Adobe PostScript 与 Apple LaserWriter 共同建立了一个全新的桌面出版产业。1994 年 Adobe 与 Aldus 合并；随后几十年中，字体、排版、图像处理与出版都变成通用创作和生产力平台中的能力。⁸¹⁸¹ <https://www.computerhistory.org/timeline/1985/>；<https://www.computerhistory.org/tdih/august/31/>

这可能是最清晰的“因全面胜利而作为产业死亡”案例：出版相关计算量大幅增长，但“桌面出版产业”这个词失去了经济区分度，因为几乎所有出版都已经计算机化。

3D 渲染经历了相似迁移：昂贵工作站的能力进入商品 GPU，而前沿继续向电影级渲染、实时光线追踪、仿真和生成式媒体移动。NVIDIA 2018 年 RTX 是这一前沿迁移的标志之一。⁸²⁸² <https://www.nvidia.com/en-us/about-nvidia/corporate-timeline/>

Web、互联网、搜索、广告技术与推荐系统

Berners-Lee 于 1989 年提出 Web；到 1990 年底，CERN 已运行服务器和浏览器；1993 年 4 月 30 日，CERN 将 Web 软件开放到公共领域。⁸³⁸³ <https://home.cern/science/computing/the-birth-of-the-web/short-history-web/>；<https://home.cern/science/computing/the-birth-of-the-web/>

Web 的第一次资本高峰出现在 1990 年代末的互联网泡沫。泡沫破裂后最关键的变化是：互联网不再是一类公司，而成为分发与软件底层。随后，搜索、交易平台、社交网络、流媒体和广告形成新的计算密集型产业，它们的优势依赖巨大数据处理系统。

市值历史很好地区分了“泡沫”与“底层技术继续扩散”。Amazon 市值在 1999 年约 260 亿美元，2001 年跌至约 40 亿美元，但在二手历史序列中，2020 年已约 1.63 万亿美元，2025 年约 2.49 万亿美元。⁸⁴⁸⁴ <https://companiesmarketcap.com/amazon/marketcap/>

因此：

互联网泡沫破裂，是价格和商业模式预期的崩溃，而不是互联网采用的逆转。

大数据、分布式系统与数据平台

2000 年代，商品集群处理海量数据的模式进入主流企业架构。到 2010 年代，“大数据”、Hadoop、NoSQL、数据湖和数据科学都形成自己的厂商品类。

其独立产业峰值早于使用峰值。后来大量能力逐步迁入：

云数据仓库 → 托管数据库 → 流处理系统 → 湖仓架构 → AI/ML 平台

“大”这个形容词变得越来越没有信息量，正是因为大规模数据处理已成为普通能力。云增长和 AI 兴起进一步推动一般化，而不是让“大数据”作为独立标签复兴。⁸⁵⁸⁵ <https://www.microsoft.com/investor/reports/ar25/index.html>；<https://hai.stanford.edu/ai-index/2026-ai-index-report>

移动计算与 App 经济

Apple 于 2007 年 1 月 9 日发布 iPhone。App Store 在 2008 年 7 月以 500 多款原生应用上线，首个周末下载量超过 1000 万；Android 和第一款 G1 在 2008 年 10 月商业发布，并配套 Android Market。⁸⁶⁸⁶ <https://www.apple.com/newsroom/2007/01/09Apple-Reinvents-the-Phone-with-iPhone/>；<https://www.apple.com/newsroom/2008/07/10iPhone-3G-on-Sale-Tomorrow/>；<https://www.apple.com/newsroom/2008/07/14iPhone-App-Store-Downloads-Top-10-Million-in-First-Weekend/>；<https://opensource.googleblog.com/2008/10/android-open-source-cell-phone.html>；<https://android-developers.googleblog.com/2008/10/android-market-now-available-for-users.html>

移动浪潮并不只依赖 CPU，而是以下能力同时汇合：

触摸交互 + 移动 SoC + 摄像头 + GPS + 闪存 + 蜂窝数据 + 电池 + 应用商店支付 + 云后端

2009 年前后的“There's an app for that”概括了媒体峰值：当时仅仅“移动化”就能区分一家创业公司或传统企业。Apple 后来的数据则展示了相反终点。到 2025 年，App Store 全球每周平均用户超过 8.5 亿；Apple 称开发者自 2008 年以来通过平台累计获得超过 5500 亿美元。App 已成为商业和沟通的普通基础设施，而不是新奇技术品类。⁸⁷⁸⁷ <https://www.apple.com/newsroom/2018/07/app-store-turns-10/>；<https://www.apple.com/newsroom/2026/01/2025-marked-a-record-breaking-year-for-apple-services/>

资本结局。 价值向上集中于 iOS/Android 的操作系统和分发，向下集中于少数大型应用与服务。“做一个 App”本身不再构成可防御战略。

IoT、嵌入式计算与边缘计算

IoT 是另一个叙事分母被放得极大的品类。Cisco 2011 年的研究曾著名地预测 2020 年有 500 亿台联网设备；后续 Cisco 预测则收敛为 2023 年约 147 亿台 IoT 设备、约占所有联网设备一半，说明早期口号明显跑在定义和真实部署之前。⁸⁸⁸⁸ <https://www.cisco.com/c/dam/en_us/about/ac79/docs/innov/IoT_IBSG_0411FINAL.pdf>；<https://www.cisco.com/c/en/us/solutions/collateral/executive-perspectives/annual-internet-report/white-paper-c11-741490.html>

但底层能力成功一般化：传感器和联网进入工厂、物流、车辆、家电、电表、摄像头与基础设施。“IoT 创业公司”之所以变得不再独特，是因为连接本身已经成为产品功能。

结局。 消费 IoT 的泛化叙事部分边缘化；工业 IoT 被吸收到自动化、云遥测和边缘计算中。

未来。 边缘推理可能再次给该领域一次算力冲击。系统不再把每个传感器样本都传到云端，而是让越来越强的本地加速器在数据源附近完成感知和控制。价值更可能归属于具体领域系统，而不是“通用 IoT”标签。

其他具有算力需求弹性的子板块

下列相邻产业也符合相同模式，但原研究缺乏足够一致的数十年资本数据，不适合强行画出高精度连续曲线：

广义历史教训是：当工作负载需求具有弹性时，算力变便宜通常不会让产业消失。 分辨率、模型规模、仿真次数、延迟目标或用户规模会继续扩大，直到遇到下一个瓶颈。

人工智能的多轮浪潮

AI 是理解算力周期最有代表性的单一板块，因为它反复在“被单独庆祝的前沿领域”和“已经融入普通软件的技术集合”之间切换。

早期符号主义 AI：约 1956—1970 年代

1956 年达特茅斯研讨会推动 AI 成为正式领域。早期系统在极其有限的内存和处理预算下展示了定理证明、搜索和博弈。⁸⁹⁸⁹ <https://dl.acm.org/doi/abs/10.1609/aimag.v27i4.1911>

• 出现条件： 存储程序计算机、符号语言，以及“形式推理能够重现智能”的乐观预期。
• 叙事峰值： 大致在 1960 年代。少量实验室演示被外推为广泛机器智能。
• 退潮原因： 搜索空间脆弱、世界知识不足、感知能力弱、算力预算极小，使系统泛化远比基准演示暗示的困难。史学界对“第一次 AI 寒冬”这一说法本身也有争议，因此更准确的描述是资金与预期收缩，而不是边界清晰的寒冬。⁹⁰⁹⁰ <https://cacm.acm.org/opinion/there-was-no-first-ai-winter/>

专家系统与知识工程：1970 年代后期—1980 年代

下一轮商业浪潮把专家知识编码成规则和推理引擎。

• 出现条件： 算力足以进行实用推理；软件工具改善；企业愿意把专业决策规则显式编码。
• 独立产业峰值： 1980 年代的专业 AI 软件和硬件公司。
• 失败模式： 知识获取和维护昂贵，规则系统离开封闭领域后十分脆弱。品类收缩，但成功组件被悄悄嵌入普通企业应用。这是早期“AI 效应”：一旦能力变得常规，人们往往不再称它为 AI。

统计机器学习：1990—2000 年代

决定性转向是从显式编码专家推理，变成从不断增长的数字数据中学习预测关系。搜索排序、垃圾邮件过滤、广告、信用评分、推荐、语音和视觉越来越被改写为统计计算问题。

• 出现条件： 互联网规模数据 + 商品集群 + 概率算法 + 快速下降的存储成本。
• 峰值表现： 媒体可见度低于后来的深度学习，因为大量经济价值是以“搜索”“广告”“反欺诈”“推荐”等名称变现的。

这点在历史上很重要：2012 年以前最大的一轮 AI 采用，并不一定自称 AI。

深度学习：2012 年至今

AlexNet 在 2012 年 ImageNet 上把大型标注数据、卷积网络和 GPU 计算结合起来，显著提高图像识别性能。NVIDIA 自己也把 AlexNet 时期视为其 GPU 平台点燃现代 AI 时代的节点。⁹¹⁹¹ <https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks>；<https://www.nvidia.com/en-us/about-nvidia/corporate-timeline/>

2016 年 AlphaGo 击败李世石，成为大语言模型时代之前最强的全球公众注意事件之一，展示了神经网络、搜索和强化学习结合后的能力。⁹²⁹² <https://deepmind.google/research/alphago/>

Transformer 与基础模型转折：2017—2021 年

2017 年 Transformer 显著提高了序列建模的训练并行性；Google 原论文称，其最大模型使用八张 GPU、在数天内完成训练。2020 年 GPT-3 又表明，超大语言模型无需传统的任务专用再训练，也能在少样本条件下完成多类任务。⁹³⁹³ <https://research.google/pubs/attention-is-all-you-need/>；<https://openai.com/index/language-models-are-few-shot-learners/>

其经济含义很深：

算力不再只是企业要尽量压低的成本，而成为主动扩大投入的战略生产要素。

生成式 AI：2022—2026 年

ChatGPT 于 2022 年 11 月 30 日公开发布，大幅拓宽了普通用户与大语言模型交互的入口。⁹⁴⁹⁴ <https://openai.com/index/chatgpt/>

随后的资本曲线异常陡峭。Stanford AI Index 给出的数据为：

2023、2024 年生成式 AI 数据以及 2025 年私人/企业总量来自 Stanford HAI。表中 2024 年全球私人投资约 1515 亿美元，是根据 Stanford 报告的 2025 年同比增长 127.5% 反推，因此应被视为重构值，而非机构单独发布的标题数字。⁹⁵⁹⁵ <https://hai.stanford.edu/news/ai-index-state-ai-13-charts>；<https://hai.stanford.edu/ai-index/2025-ai-index-report/economy>；<https://hai.stanford.edu/news/inside-the-ai-index-12-takeaways-from-the-2026-report>

Stanford 2026 报告还称，2025 年美国有 1953 家 AI 公司首次获得融资，并估算美国私人 AI 投资为 2859 亿美元，中国为 124 亿美元；同时提醒，单看私人投资会低估中国由政府引导的资金渠道。⁹⁶⁹⁶ <https://hai.stanford.edu/ai-index/2026-ai-index-report>；<https://hai.stanford.edu/ai-index/2026-ai-index-report/economy>

各轮代表性参与者。 IBM；Stanford、MIT、Carnegie Mellon 等研究生态；专家系统厂商；Google、Microsoft、Amazon、Meta、NVIDIA、DeepMind、OpenAI，以及快速扩张的基础模型与应用生态。

叙事序列：

“会思考的机器” → “专家系统” → “数据挖掘/机器学习” → “深度学习” → “AI 在某项任务击败人类” → “基础模型” → “生成式 AI” → “Copilot” → “Agent” → “物理/具身 AI”

术语变化的速度，快于底层从稀缺计算走向越来越通用的学习系统这一连续演进。

2026 年是否已经达到峰值？

现有证据不足以断言。全球投资在 2025 年显著加速，云厂商继续报告 AI 驱动需求，半导体和机器人数据到 2026 年仍处扩张状态。⁹⁷⁹⁷ <https://hai.stanford.edu/news/inside-the-ai-index-12-takeaways-from-the-2026-report>；<https://abc.xyz/investor/events/event-details/2025/2025-Q3-Earnings-Call-2025-4OI4Bac_Q9/default.aspx>；<https://news.crunchbase.com/robotics/startup-venture-funding-surges-2026-data/>；<https://www.semiconductors.org/news-events/latest-news/>

更可能的未来是分层一般化：

1. 前沿训练保持资本密集，并集中在少数机构；
2. 推理价格大幅下降，进入更多设备和服务；
3. 通用“AI 套壳”产品失去差异化；
4. AI 被嵌入搜索、办公、编程、工程、客服、分析和终端设备；
5. 稀缺价值转移到分发、专有工作流与数据、可靠性、算力基础设施、电力、先进制造，以及出错代价很高的专业领域。

这会重演 PC、网络与云的历史：一项技术可以在经济上越来越重要，却越来越不适合作为独立品类名称。

机器人、工业自动化、自动驾驶与空间计算

工业自动化与工业机器人

工业自动化是最能说明“媒体周期远短于部署周期”的算力驱动产业之一。早期数控和可编程自动化，逐步演变为数字控制的生产系统与工业机器人；现代系统又加入机器视觉、机器学习、机器人车队软件和云连接。

部署数据表明，底层增长是持久的，而不只是一次炒作。IFR 报告，全球工业机器人安装量为：2018 年 42.2 万台、2021 年 517385 台、2022 年 553052 台。其 2025 年《World Robotics》发布数据显示，2024 年安装量为 54.2 万台，超过十年前的两倍；年安装量连续四年高于 50 万台，全球在役存量约 466 万台。⁹⁸⁹⁸ <https://ifr.org/ifr-press-releases/news/robot-investment-reaches-record-16.5-billion-usd>；<https://ifr.org/ifr-press-releases/news/wr-report-all-time-high-with-half-a-million-robots-installed>；<https://ifr.org/ifr-press-releases/news/world-robotics-2023-report-asia-ahead-of-europe-and-the-americas>；<https://ifr.org/ifr-press-releases/news/global-robot-demand-in-factories-doubles-over-10-years>

中国已经成为重心。IFR 报告中国在 2024 年安装约 29.5 万台，占全球约 54%，在役存量超过 200 万台。⁹⁹⁹⁹ <https://ifr.org/ifr-press-releases/news/global-robot-demand-in-factories-doubles-over-10-years>

峰值判断。 工业机器人不存在一个单一峰值。独立设备产业已经成熟，但部署继续扩张；当前算力又在成熟自动化底座上创造第二轮、软件占比更高的浪潮。

结局。 专业市场存续，同时一般化为制造业基础设施。

未来。 更多感知、更灵活的操作、仿真、低代码编程和 AI 驱动的任务适应；决定性约束正从原始算力转向可靠性、开机率、灵巧性、安全和投资回报。

服务机器人与具身/物理 AI

当前机器人资本周期与经典工业自动化不同。Crunchbase 数据显示，较早的机器人风投峰值在 2021 年，约 140—150 亿美元；2023 年约 69 亿美元，2024 年约 80 亿美元，2025 年又回到约 140—150 亿美元，具体取决于数据库快照。到 2026 年 6 月 22 日，Crunchbase 统计当年融资已达 188 亿美元，超过其此前所有完整年度纪录。¹⁰⁰¹⁰⁰ <https://news.crunchbase.com/robotics/2024-funding-robust-ai-bezos/>；<https://news.crunchbase.com/venture/beyond-ai-growing-startup-sectors-legal-robotics-defense/>；<https://news.crunchbase.com/robotics/startup-venture-funding-surges-2026-data/>

叙事已经从“机器人”转向具身 AI / 物理 AI：模型不再只是执行大量手工编写的动作序列，而被期待能够感知、推理并把自然语言指令转化为行动。中国机器人融资在 2026 年也达到异常高位；Crunchbase 称截至 5 月中旬已约 56 亿美元。¹⁰¹¹⁰¹ <https://news.crunchbase.com/robotics/embodied-ai-fuels-record-funding-china-ipo-momentum-builds/>

这是典型的新一轮浪潮：物理机体并不新，被宣称为断点的是计算和软件层。

风险同样典型。一个在 95% 情况下可用的模型，可能是令人印象深刻的软件，却是不合格的生产设备。物理 AI 面临漫长的“最后几个 9”问题：执行器、维护、安全、边缘计算以及环境变化都必须共同解决。

自动驾驶

现代自动驾驶产业谱系可从 DARPA 2004、2005 年 Grand Challenge 算起。2004 年没有车辆完成挑战；2005 年有五辆完成，Stanford 的 Stanley 跑完约 132 英里路线。2007 年 Urban Challenge 又把自主驾驶推入类似城市交通的环境。¹⁰²¹⁰² <https://www.darpa.mil/about/innovation-timeline/grand-challenge>；<https://www.darpa.mil/news/2014/grand-challenge-ten-years-later>；<https://www.darpa.mil/about/innovation-timeline/darpa-urban-challenge>

Google 项目于 2009 年启动，2010 年取得早期自主里程目标，2015 年完成公开道路上的全无人乘坐；Waymo 于 2016 年成为 Alphabet 独立公司。¹⁰³¹⁰³ <https://waymo.com/blog/2020/04/in-the-drivers-seat-1000-mile-challenge/>；<https://waymo.com/about/>

此后自动驾驶形成了现代计算产业中最清晰的“资本—预期”周期之一：

与此同时，实际部署终于产生可观规模。Waymo 称 2024 年提供超过 400 万次无人驾驶乘坐，2025 年随后跨过每周 25 万次付费行程；其 2026 年 2 月融资公告称，已在美国六个都市区每周提供超过 40 万次乘坐，2025 年全年约 1500 万次。¹¹²¹¹² <https://waymo.com/blog/2024/12/year-in-review-2024/>；<https://waymo.com/blog/2025/05/scaling-our-fleet-through-us-manufacturing>；<https://waymo.com/blog/2026/02/waymo-raises-usd16-billion-investment-round/>

因此，自动驾驶实际上存在两条不同历史：

• 2016—2021 年广泛预期“很多公司都将很快实现通用自动驾驶”，这一预期明显过度；
• 但在地理和运行设计域受限的条件下，无人出租车确实已成为少数生存者正在规模化的业务。

更可能的未来不是突然跨入普遍 Level 5，而是一条异质阶梯：驾驶辅助、基于高精地图的脱手驾驶、受限 ODD 内的 robotaxi、自动驾驶卡车、矿区/港口/工厂等工业自主系统。GM 在退出 Cruise robotaxi 后，把目标转向 2028 年“eyes-off”个人自动驾驶，正体现这种战略迁移。¹¹³¹¹³ <https://news.gm.com/home.detail.html/Pages/news/us/en/2025/oct/1022-UM-GM-eyes-off-driving-conversational-AI-unified-software-platform.html>

VR、AR、元宇宙与空间计算

VR 可能是主流计算品类中经历“几乎成熟”周期最多的一个，因为其瓶颈是乘法式的：

任一项严重不足，都可能支配整体体验。

2012—2016 年 Oculus 浪潮由更好的移动显示、低价惯性传感器和 GPU 促成。Facebook 2014 年收购 Oculus，把它变成战略平台下注；Meta 现在把该收购描述为十年 VR/MR/AR 投资的起点。¹¹⁴¹¹⁴ <https://www.meta.com/about/company-info/?srsltid=AfmBOoqZRzOTUi75QhSt1fSOoezv3zbVEjL-Vhu7ayGimbCLMA2Cg5Pt>；<https://www.meta.com/blog/reality-labs-10-year-anniversary-next-computing-platform-vr-mr-ar-xr/?srsltid=AfmBOopPS1kKl1BlR6tU5wHrYMpqdV8niG-V3o8I0snP8fJLCbVO9a6i>

媒体与资本峰值在 2021 年“元宇宙”叙事中大幅扩大。Meta 明确把元宇宙描述为移动互联网的继任者。然而 Reality Labs 长期结构性亏损：仅 2025 年前九个月，Meta 报告该部门经营亏损约 132 亿美元。¹¹⁵¹¹⁵ <https://www.meta.com/metaverse/what-is-the-metaverse/?srsltid=AfmBOopt004Tx9udomjxJubI1cnVDe3nUMdtUrUwl59Drd_6HsxJjNEn>；<https://investor.atmeta.com/investor-news/press-release-details/2025/Meta-Reports-Third-Quarter-2025-Results/default.aspx>

Apple 在 2023 年发布 Vision Pro 时有意把品类语言改成“空间计算”；产品于 2024 年 2 月在美国上市。Apple 称到 2024 年中期已有超过 2000 个 Vision Pro 专用空间应用，并兼容超过 150 万个 iPhone/iPad 应用。¹¹⁶¹¹⁶ <https://www.apple.com/newsroom/2023/06/introducing-apple-vision-pro/>；<https://www.apple.com/newsroom/2024/01/apple-vision-pro-available-in-the-us-on-february-2/>；<https://www.apple.com/newsroom/2024/06/visionos-2-brings-new-spatial-computing-experiences-to-apple-vision-pro/>

截至目前的结局。 把元宇宙视为短期内全面替代移动计算的平台叙事，已较 2021 年明显退潮；但 VR 游戏、工业可视化、培训、混合现实和 AI 眼镜仍继续发展。

未来。 最强路径可能比原始元宇宙愿景更“不沉浸”：更轻的混合现实或 AI 眼镜、持续上下文、免手操作，以及选择性的 3D 体验。Meta 目前同时推进 Quest 头显与 Ray-Ban Meta AI 眼镜，也支持这种迁移判断。¹¹⁷¹¹⁷ <https://www.meta.com/about/?srsltid=AfmBOorFkaiPu2OD62t2eaLWrRRv9y8-aTBeMCJsQoHvVXhJnRVyz_Gt>

加密货币与工作量证明挖矿

比特币 2008 年白皮书把共识安全与基于哈希的工作量证明连接起来，创造了一个特殊产业：计算消耗不只是生产外部产品的手段，而是被有意纳入建立交易顺序和经济安全的机制。¹¹⁸¹¹⁸ <https://bitcoin.org/en/bitcoin-paper>

硬件演化本身就是一条缩小版算力周期：

CPU → GPU → FPGA → ASIC → 工业规模矿场与能源优化

随着专用硬件提高，普通 PC 挖矿在经济上被边缘化。底层网络继续存在，但“用自己的电脑挖矿”专业化为规模化资源产业。

在 AI 成为加速器主叙事之前，加密货币也曾给 GPU 带来巨大邻接需求冲击。但区块链与强计算并非必然绑定：Ethereum 于 2022 年 9 月 15 日从工作量证明切换到权益证明，官方称能耗下降约 99.95%。¹¹⁹¹¹⁹ <https://ethereum.org/roadmap/merge/>；<https://ethereum.org/developers/docs/consensus-mechanisms/pos/>

这说明：计算密集型共识设计本身也可能被另一种技术架构替代。 比特币挖矿仍高度依赖计算与能源；其他区块链系统不必复制同一结构。

资本、市值与关注度证据

公开市场资本曲线

无法为这些不断变换的品类构造一条干净、连续几十年的“行业指数”：今天的云或 AI 公司，往往最初是 PC、互联网、半导体或企业软件公司；历史指数的成分也不断变化。因此，下图和表格使用主要上市公司作为风向标代理，而不是投资组合回测或严格板块收益指数。

年度历史值来自 CompaniesMarketCap。即使考虑所有口径限制，结构变化仍很明显：1990 年代末互联网/PC 峰值由 Microsoft 等网络和软件公司主导；2007—2021 年移动/云时代大幅重估 Apple、Amazon 和 Meta；2023—2026 年 AI 基础设施浪潮则显著重估 NVIDIA 与 TSMC。¹²⁰¹²⁰ <https://companiesmarketcap.com/nvidia/marketcap/>；<https://companiesmarketcap.com/microsoft/marketcap/>；<https://companiesmarketcap.com/apple/marketcap/>；<https://companiesmarketcap.com/amazon/marketcap/>；<https://companiesmarketcap.com/tsmc/marketcap/>；<https://companiesmarketcap.com/meta-platforms/marketcap/>

选取关键年份，单位为十亿美元：

1996 年后的原始年度序列来自原研究配套 CSV 和工作簿。数值均为近似值；2026 年以前是二手来源中的历史年末估计，2026 年则是 8 月快照。¹²¹¹²¹ <https://companiesmarketcap.com/nvidia/marketcap/>；<https://companiesmarketcap.com/microsoft/marketcap/>；<https://companiesmarketcap.com/amazon/marketcap/>；<https://companiesmarketcap.com/tesla/marketcap/>；<https://companiesmarketcap.com/apple/marketcap/>；<https://companiesmarketcap.com/tsmc/marketcap/>；<https://companiesmarketcap.com/meta-platforms/marketcap/>

这张图不能被读成“算力单独造成了所有估值”。它更适合回答：在不同年代，金融市场把计算栈的哪一层视为最稀缺、最可能获取超额利润的环节。

风险投资曲线

图中不对缺失年份插值。机器人和自动驾驶使用 Crunchbase 分类；AI 使用 Stanford HAI。各口径不能直接横向等同，Crunchbase 在不同时间发布的机器人总额也略有差异，所以精确到十亿美元以下会制造虚假确定性。¹²²¹²² <https://news.crunchbase.com/robotics/startup-venture-funding-surges-2026-data/>；<https://news.crunchbase.com/venture/beyond-ai-growing-startup-sectors-legal-robotics-defense/>；<https://news.crunchbase.com/venture/record-funding-autonomous-vehicles-q1-2026/>；<https://hai.stanford.edu/news/inside-the-ai-index-12-takeaways-from-the-2026-report>

比精确数值更稳定的模式是：

• AI： 资本在 2025 年出现极端加速。Stanford 报告 2025 年全球私人 AI 投资 3447 亿美元，企业 AI 投资总额 5817 亿美元。¹²³¹²³ <https://hai.stanford.edu/news/inside-the-ai-index-12-takeaways-from-the-2026-report>
• 机器人： 2021 年出现一轮峰值，2022—2024 年收缩，2025—2026 年以具身 AI 名义再度上升。¹²⁴¹²⁴ <https://news.crunchbase.com/robotics/2024-funding-robust-ai-bezos/>；<https://news.crunchbase.com/robotics/startup-venture-funding-surges-2026-data/>
• 自动驾驶： 2021 年峰值，2022—2023 年退潮，2024 年选择性恢复，2025 年再次偏弱，2026 年又出现高度集中的反弹。¹²⁵¹²⁵ <https://news.crunchbase.com/transportation/av-startup-may-mobility-vc-funding/>；<https://news.crunchbase.com/ai/av-startup-nuro-gains-nvda-investor/>；<https://news.crunchbase.com/venture/record-funding-autonomous-vehicles-q1-2026/>
• VR/元宇宙： 传统 VC 数据不能很好捕捉最大资本投入，因为大量投入发生在 Meta 内部；Reality Labs 的经营亏损比独立创业融资更适合作为该浪潮的资本代理。¹²⁶¹²⁶ <https://investor.atmeta.com/investor-news/press-release-details/2025/Meta-Reports-Third-Quarter-2025-Results/default.aspx>
• 云与半导体基础设施： 当产业进入超大规模基础设施阶段，企业资本开支和收入比 VC 更有意义。Azure FY2025 超过 750 亿美元收入及 2026 年持续增长，体现了这种转换。¹²⁷¹²⁷ <https://www.microsoft.com/investor/reports/ar25/index.html>；<https://www.microsoft.com/en-us/investor/earnings/fy-2026-q2/intelligent-cloud-performance>

关注度与媒体叙事

不存在一个从 1940 年代一直覆盖到 2026 年、口径一致且开放的媒体提及数据库。报纸数字化覆盖、出版量和术语都变化太大，原始提及次数无法直接比较。与其制造伪精确曲线，更合理的做法是把产品发布、重大头条、融资上升和产业叙事编码成分析者关注度代理，用于识别叙事状态，而不是当作真实媒体计数。

代表性的媒体/公共叙事节点包括：

IPO 与公开市场生命周期

代表性公司的公开市场轨迹进一步印证相同生命周期：

跨板块比较与生命周期地图

综合证据可形成以下板块地图：

最强的普遍规律不是“每一轮算力繁荣都会崩盘”，而是：

当算力变得丰富，经济价值会迁移到算力无法商品化的东西上。

历史上，新的稀缺互补物大致沿以下方向迁移：

机器 → 架构 → 软件 → 网络 → 数据 → 分发 → 能源/制造/物理执行

当前 AI 周期尤其有意思，因为它部分逆转了此前的方向。过去几十年，软件似乎一直在把硬件抽象隐藏；但大模型训练和推理重新让芯片、内存、网络、数据中心与电力具有战略可见性。SIA 半导体数据、NVIDIA/TSMC 市值轨迹、超大规模云增长和 Stanford AI 投资数据都指向这一点。¹⁴⁷¹⁴⁷ <https://www.semiconductors.org/news-events/latest-news/>；<https://companiesmarketcap.com/nvidia/marketcap/>；<https://companiesmarketcap.com/tsmc/marketcap/>；<https://www.microsoft.com/investor/reports/ar25/index.html>；<https://hai.stanford.edu/news/inside-the-ai-index-12-takeaways-from-the-2026-report>

因此，2020 年代并不只是另一轮软件繁荣，更像一场全栈算力—资本周期。

未来路径与历史结论

一轮算力繁荣之后通常发生什么

历史记录给出了一条可用于诊断当代产业的顺序。

第一，能力跨过阈值。

原先只能在实验室完成的任务，突然能以具有经济意义的规模运行。IBM 时代的企业数据处理、PC 上的桌面出版、GPU 深度学习和现代大语言模型推理都是例子。¹⁴⁸¹⁴⁸ <https://www.ibm.com/history/1401>；<https://www.computerhistory.org/timeline/1985/>；<https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks>；<https://openai.com/index/chatgpt/>

第二，工作负载变成产品类别。

企业明确销售“CAD”“桌面出版”“大数据”“云”“App”“VR”“AI”或“自动驾驶”，因为技术本身仍然稀缺且具有区分度。

第三，资本把前沿外推成普遍未来。

此时最重要的错误通常不是技术完全虚假，而是投资者把本应持续 10—20 年的扩散过程压缩成 2—5 年的估值叙事。互联网公司、自动驾驶创业公司和元宇宙周期都是强例子。

第四，失败与整合暴露真正的互补资产。

当所有人都能获得算力后，价值迁移到：

• 数据和专有反馈循环；
• 分发和已安装用户基础；
• 半导体与 IP 生态；
• 电力和数据中心场址；
• 监管许可；
• 制造能力；
• 可靠性与安全；
• 领域工作流整合。

第五，技术在语言中消失。

今天没有普通企业会专门宣传自己“使用电子数据处理”“拥有网站”“使用数据库”“进行桌面出版”或“会计已经计算机化”，但这些曾经都是有意义的创新声明。

生成式 AI 很可能也会经历相同的语言磨损。未来“AI-powered”的区分度，可能像今天的“Internet-enabled”一样低。

哪些当代板块最接近一般化

云。 已经走得很远。使用量仍在增长，但云越来越像默认底层。Azure 超过 750 亿美元收入并在 FY2026 继续增长，清楚区分了“叙事成熟”和“使用成熟”。¹⁴⁹¹⁴⁹ <https://www.microsoft.com/investor/reports/ar25/index.html>；<https://www.microsoft.com/en-us/investor/earnings/fy-2026-q2/intelligent-cloud-performance>

移动/App。 已大体一般化。App Store 仍拥有巨大的用户与开发者经济，但“我们有 App”已经不再是战略差异。¹⁵⁰¹⁵⁰ <https://www.apple.com/newsroom/2026/01/2025-marked-a-record-breaking-year-for-apple-services/>

基础机器学习。 已进入搜索、广告、信息流、反欺诈、摄像头和企业软件等普通系统。

生成式 AI。 已开始一般化，但仍处资本和基础设施扩张阶段。Stanford 的 2025 年投资数据与 2026 年采用数据，不支持把它描述为已完成的繁荣周期。¹⁵¹¹⁵¹ <https://hai.stanford.edu/ai-index/2026-ai-index-report>；<https://hai.stanford.edu/news/inside-the-ai-index-12-takeaways-from-the-2026-report>

哪些板块可能长期保持专业化

EDA 可能是最清晰的案例。半导体越复杂，领域反而越专业；Cadence、Synopsys 的估值和近期 EDA 收入增长支持这一点。¹⁵²¹⁵² <https://companiesmarketcap.com/synopsys/marketcap/>；<https://companiesmarketcap.com/cadence-design-systems/marketcap/>；<https://semiengineering.com/eda-revenue-up-12-7-apac-roars-back/>

HPC 同样不断外移前沿，而不是消灭自己。2026 年 6 月 TOP500 已有五套 exaflop 级系统，说明当一个性能阈值在前沿变得普通，更高阈值又会成为差异。¹⁵³¹⁵³ <https://top500.org/>

工业机器人 即使 AI 编程能力一般化，也很可能继续是专业集成产业，因为物理可靠性、机械集成、安全和服务不能被简化成一次模型推理。IFR 的庞大装机基础支持这一判断。¹⁵⁴¹⁵⁴ <https://ifr.org/ifr-press-releases/news/global-robot-demand-in-factories-doubles-over-10-years>

哪些板块仍容易再次经历预期重置

具身/人形 AI。 融资增长快于大规模、经济可靠的部署证据。Crunchbase 的 2026 年纪录融资，说明资本峰值可能正在商业化之前发生。¹⁵⁵¹⁵⁵ <https://news.crunchbase.com/robotics/startup-venture-funding-surges-2026-data/>；<https://news.crunchbase.com/robotics/embodied-ai-fuels-record-funding-china-ipo-momentum-builds/>

自动驾驶。 实际 robotaxi 使用量已经足以证明“自动驾驶彻底失败”过于粗糙；但 GM/Cruise 的退缩也证明，某个运营商或地区的成功不会自动推广到所有公司和地理环境。¹⁵⁶¹⁵⁶ <https://news.gm.com/home.detail.html/Pages/news/us/en/2024/dec/1210-gm.html>；<https://waymo.com/blog/2026/02/waymo-raises-usd16-billion-investment-round/>

空间计算。 技术体验已经明显进步，但大众采用仍取决于形态、成本、电池、社会接受度和持续有用的场景。Apple Vision Pro 与 Meta 同时强调更轻的 AI 眼镜，说明最终产品形态尚未解决。¹⁵⁷¹⁵⁷ <https://www.apple.com/newsroom/2023/06/introducing-apple-vision-pro/>；<https://www.meta.com/about/?srsltid=AfmBOorFkaiPu2OD62t2eaLWrRRv9y8-aTBeMCJsQoHvVXhJnRVyz_Gt>

最深层的历史模式

计算史最显眼的悖论是：

作为独立类别被“摧毁”得最彻底的产业，往往恰恰是赢得最彻底的产业。

桌面出版消失在出版中。
网络消失在软件中。
数据库消失在应用中。
移动计算消失在普通消费者行为中。
云正在消失在 IT 架构中。
机器学习已经消失在搜索、广告、摄像头和推荐中。
生成式 AI 也可能以同样方式消失在知识工作中。

但前沿本身不会消失，只会迁移：

• 1955 年，前沿是能否接触到一台计算机；
• 1975 年，是能否接触小型机或超级计算机；
• 1985 年，是图形化交互计算；
• 1995 年，是网络接入与 Web 分发；
• 2005 年，是 Web 规模数据处理；
• 2010 年，是云与移动规模；
• 2015 年，是 GPU 训练的深度学习；
• 2020 年，是基础模型规模；
• 2026 年，稀缺性迁移到加速器集群、HBM 与先进半导体、电力、数据中心容量、推理经济性、可靠的自主物理执行，以及组织把越来越通用的模型真正整合进工作流的能力。半导体销售、超大规模云增长、AI 投资和机器人融资都为这种迁移提供了同时期证据。¹⁵⁸¹⁵⁸ <https://www.semiconductors.org/news-events/latest-news/>；<https://www.microsoft.com/en-us/investor/earnings/fy-2026-q2/intelligent-cloud-performance>；<https://hai.stanford.edu/news/inside-the-ai-index-12-takeaways-from-the-2026-report>；<https://news.crunchbase.com/robotics/startup-venture-funding-surges-2026-data/>

由此可提出一个分析任何当代“热门计算产业”时最有用的问题：

假设实现该能力所需的计算成本下降十倍乃至一百倍，这个产业会扩大十倍，还是这个产品将不再值得拥有独立品类？

在需求具有弹性的领域——HPC、仿真、AI 训练/推理、芯片设计——产业往往会消耗新增算力并继续外推前沿。

在工作负载有限且已标准化的领域——文档排版、普通企业数据处理、通用 App 功能——能力更容易商品化并消失进平台。

在物理世界构成主要约束的领域——机器人、自动驾驶、AR——算力进步可能反复触发投资浪潮，却无法同时消除那些变化更慢的瓶颈。

当计算本身属于经济机制的一部分——例如工作量证明挖矿——它可能演变成专业资源产业，也可能像 Ethereum 在 2022 年所展示的那样，被根本不同的架构替代。¹⁵⁹¹⁵⁹ <https://ethereum.org/roadmap/merge/>

因此，最可靠的历史信号并不是“媒体关注是否正在达到峰值”，而是：用户何时不再谈论这项技术，并开始默认每个严肃产品都理应拥有它。

用于判断未来科技浪潮的指标框架

把以上历史压缩成一套可操作的观察框架，可以分别追踪六组变量，而不是把所有东西压成一条“热度曲线”。

还可以用四条曲线判断一个板块所处阶段：

1. 技术能力曲线通常先上升；
2. 媒体与融资曲线常在技术演示之后迅速过冲；
3. 实际采用和收入曲线在物理产业中往往明显滞后；
4. 独立品类价值曲线可能先涨后跌，即使总使用量仍持续上升。

对自动驾驶、机器人、医疗设备等物理世界产业，还必须额外追踪：每小时人工接管或故障数、运行设计域、维护频率、保险与责任、认证周期、车队/工厂运营强度和真实全生命周期成本。它们解释了为什么同样由 AI 和算力推动，纯软件产品可以按周迭代，而物理系统的扩散常按十年计算。