引子：一个前缀的寿命

今天，"AI" 是最好用的前缀。

AI Coding、AI Customer Service、AI Search、AI ERP、AI Marketing、AI Design、AI Office……一款产品如果名字里没有这两个字母，甚至会显得不够新。

但把时间尺度拉长，这件事很可能会反过来。

今天我们说AI Coding，以后大概只会说Coding。 今天我们说AI Customer Service，以后大概只会说Customer Service。 今天我们说AI Search，以后大概只会说Search。 今天我们说AI ERP，它多半仍然只是ERP。

不是因为 AI 消失了。恰恰相反，是因为它无处不在，以至于不再有必要被单独指出。

AI 不是一个终点行业，它是一种终将消失在行业里的通用能力。

理解这一点，比统计今天又诞生了多少个 AI 产品更重要。

一、"电气冰箱"是怎么变成"冰箱"的

技术刚出现时，人们总要先给它一个名字，因为新事物必须被区分出来。而区分的方式，通常就是加一个前缀。

1908 年，芝加哥的赫尔利机器公司把工程师阿尔瓦·费舍尔设计的"雷神"（Thor）推向市场，它被广泛视为美国第一台商业销售的电动洗衣机，专利在 1910 年 8 月 9 日签发。当年它的正式名字是"电动洗衣机"——因为在那个年代，"洗衣机"三个字默认指的是手摇的木桶和滚筒。

1913 年，弗雷德·沃尔夫在芝加哥推出了一台家用制冷装置，名字叫 DOMELRE。这个词本身就是 "DOMestic ELectric REfrigerator"（家用电冰箱）的缩写。它售价约 900 美元，只卖出几百台，是不折不扣的富人玩具。真正把冰箱送进普通家庭的是 1927 年通用电气推出的 "Monitor Top"，累计产量超过一百万台。即便如此，到 1930 年，美国也只有约一成家庭拥有冰箱，直到三十年代末这个数字才越过四成。

一百年过去，没有人再说"电气冰箱""电动洗衣机"。中文口语里，"电冰箱"的那个"电"字也在悄悄脱落，变成了"冰箱"。

语言学里有一个专门的词描述这种现象：逆构词（retronym）。这个词由弗兰克·曼凯维奇在 1980 年提出，经威廉·萨菲尔在《纽约时报》专栏推广后进入词典。它的意思是：因为出现了更新的东西，旧事物反而被迫加上一个修饰语才能说清楚自己。

有了电吉他，人们才需要说"木吉他"；有了数字表，人们才需要说"指针表"；有了电子邮件，人们才需要给纸质信件加一个说明。

这是一条极其可靠的技术史规律：

当一种技术需要用前缀标注自己时，它还是新闻；当人们必须用前缀去标注它的"缺席"时，它才真正成为了基础设施。

我们不会走进一家公司问"你们办公用电吗"，也不会在介绍一家银行时特意强调"它可以在网上转账"。不是因为电力和网络不重要了，而是它们已经重要到成为默认条件。

通用技术的宿命是：以新事物的身份出现，以大产业的身份扩张，最后以默认能力的身份消失。

二、通用技术真正的战场，从来不在新行业，而在旧行业

每一次通用技术革命，都容易制造同一种错觉：我们以为一个巨大的新行业正在诞生。后来才发现，真正发生的事情是旧世界被重写了一遍。

这一点，电力提供了最完整的样本。

1987 年，经济学家罗伯特·索洛留下一句著名的观察：计算机时代随处可见，唯独看不见于生产率统计之中。1990 年，斯坦福经济史学家保罗·大卫在《发电机与计算机》一文中回答了这个悖论，他的方法是回看电力。

大卫指出，1899 年的美国，电灯只出现在约 3% 的住宅里；全国制造业安装的电动机马力，占工厂机械驱动的比重还不到 5%。这些指标要再过大约二十年才爬到 50%。

问题不在电机本身——19 世纪 90 年代的电机已经足够好用。问题在于，工厂最初只是把蒸汽机拆下来，换上一台大电机，而全厂仍然依靠天轴、皮带和滑轮统一带动。厂房仍然围绕动力源层层叠起，机器的位置取决于离动力源多远，而不是取决于产品该往哪里流。省了一点燃料，别的什么都没变。

真正的跃迁发生在 1920 年代，"单机驱动"普及之后：每台设备配一个自己的小电机，可以独立启停、独立调速。于是厂房可以摊平成单层，产线可以按物料流动的逻辑重排，工序之间第一次真正解耦。大卫与加文·赖特后来的研究量化了这个断点：制造业趋势生产率增速从 1899—1914 年的约 1.5%，跳升到 1919—1929 年的约 5.1%。同一种技术，两种结果。

电力真正的产出，不是电力行业，而是被重新设计过的工厂。

计算机同样如此：它不只创造了计算机行业，而是进入银行、制造、航空、医疗、政府与科研。互联网也不是一个独立的网站产业，它改写了零售、广告、媒体、支付、物流与服务业。

AI 大概率也一样。今天可见的 AI 应用与 Agent，只是这场变化最先浮出水面的一层。更深的变化是：几乎所有软件，都在重新定义"软件应该具备什么能力"。

三、"AI + X"是一种阶段性语言

于是，今天密集出现的 "AI + X"，很可能只是过渡状态。

从竞争角度看，这完全合理。技术进入爆发期时，"AI" 本身就是注意力、资本与增长的一部分。这不是浮夸，而是市场在高速传递信息。

但要看清它的寿命，只需回到一个基本事实：用户要的从来不是 AI。

用户要的是更好的搜索、更省事的客服、更准的排产、更快的开发、更可靠的风控、更高效的供应链。AI 只是实现这些目标的一种能力。

用户不购买技术，用户购买技术带来的结果。

今天一个客服系统会说，我们接入了大模型，可以自动理解并回复客户。几年之后，客户可能不会在意这句话——因为一个连问题都听不懂的客服系统，本身就已经不算合格的客服系统。

今天一个开发工具会强调自己拥有 AI Coding 能力。以后，一个不能理解代码、定位缺陷、补全逻辑、解释架构的开发工具，可能就像今天一个不支持语法高亮的编辑器一样难以想象。

今天搜索引擎强调 AI Search。但用户最终只问一个问题：它能不能帮我找到我真正需要的东西？

到那时，AI 就退到了后台。它不再是产品本身，而是产品理应具备的一部分。

四、AI 真正工业化的，是"认知"

把几百年的技术革命放在一条线上看，会出现一个清晰的序列。

工业革命工业化了体力：机器把肌肉转化为可规模复制的机械动力。 电力工业化了动力的生产、传输与分配。 计算机工业化了计算。 互联网工业化了连接与信息传播。

而 AI 第一次大规模触碰到另一个长期难以工业化的领域：认知。

理解文字、总结信息、识别图像、生成代码、归类数据、回答问题、给出初步方案——这些事情过去有一个共同特征：必须依赖一个具体的人。一个人的经验、知识、注意力与时间，就是产能的上限。

大模型让越来越多的认知任务，第一次变成一种可以用算力调用的能力。

值得注意的不是机器是否"像人一样思考"——这个问题还会争论很久。商业世界真正关心的是另一件事：

过去必须调用一个人才能完成的事，现在能不能调用一个系统？

如果答案越来越多地变成"可以"，那么认知活动本身就在经历工业化。

所以，与其把 AI 称为一个行业，不如把它理解成一种正在被基础设施化的认知能力。就像今天的软件天然调用数据库、网络与存储，未来的软件也会天然调用某种模型能力。那时我们甚至不会觉得这有什么特别。

于是，真正值得问的问题也随之改变。不是"哪些行业会成为 AI 行业"，而是——还有哪些行业，能够长期完全不使用 AI？

五、前缀越响，离成熟越远

这听起来反直觉，但一项技术越需要强调自己，往往说明它越处在剧烈变化期。

AI 领域内部很早就意识到了这一点。上世纪七八十年代，计算机科学家拉里·特斯勒留下过一句被反复引用的话，后被称作"特斯勒定理"：AI 就是那些还没有被做出来的事情。（他本人后来说自己被误引了，原话更接近"智能就是机器还没做到的那些事"。）这被称为"AI 效应"：一旦某种能力被真正实现并普及，人们就不再把它算作 AI。今天很少有人认为光学字符识别、垃圾邮件过滤或计算机下棋是"人工智能"，但它们当年都是。

顺着这条线，一项通用技术的商业身份通常会走过四个阶段：

第一阶段：拥有它，是创新。第二阶段：没有它，是落后。第三阶段：怎么用它，决定差异。第四阶段：没有人再专门讨论它。

到了第四阶段，技术才真正完成了从"热点"到"基础能力"的迁移。就像今天没有酒店宣传自己提供电灯，没有银行宣传自己内部使用计算机，没有电商强调自己的服务器接入了互联网。这些当然都极其重要，只是它们已经从差异化优势，变成了入场的基本条件。

AI 真正成熟的那一天，也许不是所有人都在谈论 AI，而是所有人都懒得再谈论 AI。

六、"AI 公司"会越来越难定义

今天我们可以轻易说出"这是一家 AI 公司"。十年之后，这个说法可能会逐渐失去分类价值。

如果一家银行在风控、投研、客服与合规中大量使用 AI，它是不是 AI 公司？ 如果一家车企用 AI 完成设计、驾驶、供应链与售后，它是不是 AI 公司？ 如果一家药企用 AI 做靶点发现、临床数据分析与化合物筛选，它是不是 AI 公司？ 如果一家零售商的选品、定价、客服、物流与营销都由 AI 深度参与，它是不是 AI 公司？

如果都算，那么最终几乎所有公司都是 AI 公司。

而一个能够描述所有公司的词，就不再能够区分任何一家公司。

这和今天"互联网公司"的边界日益模糊是同一个道理。银行当然运行在网络上，航空公司高度依赖网络，制造企业也拥有庞大的软件与数据基础设施——但我们不会把它们统统划进互联网行业。

因为真正有意义的分类，仍然来自它解决的问题：银行提供金融服务，航空公司提供运输，制造企业生产商品。

技术是底层能力，不是最终身份。行业按人类需要解决的问题划分，而不是按它使用了哪一种技术划分。

七、当模型能力商品化，问题会回到最古老的地方

技术扩散的早期，技术本身就可以是产品。一个模型、一个接口、一层新界面、一个 Agent，市场就愿意给予关注。这是任何一次通用技术早期都会出现的窗口，也是必要的窗口——它让资本和人才快速涌入。

但窗口不会永远敞开。

当基础模型的能力差距逐渐收窄，当推理成本持续下降，当调用模型变成软件开发的标准动作，企业最终仍要回答那个最古老的问题：

你到底解决了什么问题？

到那时，"我们用了 AI"不构成答案。就像今天没有创业者会对投资人说，我们最大的壁垒是使用了互联网。

竞争会重新回到行业本身：谁真正理解工作流，谁真正理解客户，谁掌握别人拿不到的数据，谁控制得住交付质量，谁的系统足够可靠，谁能进入真实业务，谁敢为结果负责，谁能建立长期信任。

AI 会先让技术显得前所未有地重要，最后又把商业推回到技术之外。

结语：最成功的 AI，最终不会被叫做 AI

这并不是低估 AI。恰恰相反——只有极其重要的技术，才有机会走到"不再被提起"这一步。

边缘技术永远需要强调自己，真正的基础设施不需要。水、电、网络、数据库、操作系统，很少成为日常谈资，但现代社会一秒钟也离不开它们。

AI 未来最可能进入的，正是这个位置。它会越来越强，越来越便宜，越来越普遍，越来越深入，然后越来越不被注意。

我们不会再惊讶于客服系统能听懂问题，不会再惊讶于软件能生成代码，不会再惊讶于 ERP 自动发现异常，不会再惊讶于搜索理解了一句含混的话。我们只会认为：它本来就应该做到。

当一种曾经令人惊叹的能力变成"本来就应该如此"，技术革命才算真正完成。

那时候，AI Coding 会重新变成 Coding，AI Customer Service 会重新变成 Customer Service，AI Search 会重新变成 Search，AI ERP 仍然只是 ERP。

那不是 AI 的失败，那才是它的成功。

因为一项通用技术最大的成功，从来不是让世界永远记住它的名字，而是让整个世界在不知不觉中按照它重新运行。

AI 不是一个终点行业。它是一种终将消失在行业里的通用能力。

而 AI 时代真正到来的标志，或许正是"AI 时代"这四个字本身，开始变得多余。