人工智能的“电器时代”可能已经开始，只是我们还看不见
读完陈玉宇这篇从电力史讨论人工智能的文章，我最关心的是三个相互连接的问题：资本愿意为什么用途付钱，普通人能试出什么新用途，组织又会怎样围绕新能力改变。
这三个过程的速度不同。模型进步和任务替代已经很快，私人探索正在分散发生，生产形式的改变却需要更长时间。只看其中一段，容易误判人工智能的经济价值。
资本更容易为有估值参照的未来付钱
电报和电灯的融资经历，提供了一个有用的对照。
摩尔斯寻找示范线路资金时，商人、报馆和政府都需要更快的信息，但邮政价格很难衡量电报后来带来的铁路调度、通讯社和市场联通。需求存在，却缺少合适的估值参照。最终，美国国会的拨款支持了示范线路，私人资本随后进入。
爱迪生做电灯时，煤气照明已经有顾客、有支出、有收费标准。投资者可以估算：电灯拿走多少煤气照明的市场，未来收入是多少。
我认为，原文最有解释力的概念是“可计价的想象”。资本可以接受不确定性，但需要把不同机会放在一起比较。现成的市场规模、顾客和需求语言，让一种未来更容易获得第一笔钱。
这不能解释电报融资困难的全部原因，技术验证、专利和示范工程的公共品属性也有影响。但它提醒我：没有需求，与需求暂时无法估值，是两回事。
新用途还会继续创造条件。旧品类提供估值参照，关键投入降价让过去不经济的活动变得可行，已有应用留下的设备、标准和技能又降低下一轮创新成本。电力的用途，就是这样逐层长出来的。
人工智能面对的旧市场太大，也可能限制探索方向
人工智能起步时，面前已经摆着一张庞大的认知劳动账单。程序员、律师、客服、教师、医生，都有现成的工作内容和成本。
用人工成本乘以自动化比例，就能形成一个商业估值。这个入口足够大，一家公司可以沿着它做很多年，不必探索没有名字的新活动。
我不认为这是企业缺乏想象力。沿着明确需求做产品，是合理选择。但当资金和人才持续流向已有岗位，缺少估值参照的用途就可能得不到足够探索。
人工智能还有一个比电力更复杂的反馈过程。商业收入影响研发投入，使用反馈和评价进入后续改进，模型能力又反过来影响市场对替代率的判断。
这里必须分清三个条件：市场规模决定投资吸引力，数据和可验证性影响能力进步，责任与组织条件决定实际部署。代码容易检查结果，医疗和法律则还要跨过可靠性验证与责任安排的门槛。不能用一张工资单解释所有领域的发展速度。
这种反馈可能让模型越来越适合已有市场。它究竟会多大程度限制新用途，还取决于已有任务上形成的能力，能够迁移到多远的地方。
私人流程正在成为人工智能的“电器”
与此同时，另一股力量正在扩大用途探索。
电网让发明者可以专心造电器，不必先建发电站。云端模型和调用接口也降低了使用通用能力的门槛，而自然语言进一步降低了定制工具的成本。
一个教师摸索出适合自己班级的反馈流程，一个小店主建立邮件分类规则，一个研究者按自己的问题重新整理文献。这些用法可能只是一段提示词、一个脚本或者几步固定操作，没有公司，没有产品名称，也没有单独收入。
我愿意把它们看作早期的私人“电器”。它们让过去太小、太散、太个别的需求，也能得到专门的工具。
这解释了为什么只看模型收入、芯片采购和企业软件支出，可能看不全变化。私人用途已经发生，统计和商业分类却未必跟得上。当然，看不见也意味着尚不能断言它们的总量和价值。
能力生产可以高度集中，用途探索却可以高度分散。两者之间存在一条通道：私人流程一旦被反复采用，就可能获得名称、用户和市场规模，成为资本能够理解的新机会。
但今天的模型接口还没有电网那样稳定。供应商可以改变价格、规则、能力和访问权，模型更新也可能改变流程效果。私人“电器”依赖的基础仍在变动。
生成越便宜，筛选和扩散越重要
低成本试验只解决了用途发现的前半段。
一个流程对我有用，是否对别人也有用？换一批数据、换一个场景，还能否稳定工作？谁来验证效果、说明边界、承担出错后的责任？这些问题决定它能否从私人技巧变成可传播的方法。
过去，制造成本会提前淘汰大量想法。现在，候选可以轻易产生，筛选负担更多地转移到了生成之后。好方法即使已经出现，也可能淹没在大量尝试里。
我更关注的机会因此是：帮助人们找到值得复用的流程，验证它，再让别人可靠地采用。
模型可以提供候选、辅助比较，但需求强度和实际价值需要回到使用者的生活中判断。回答看起来完整，并不能证明它解决了一个值得解决的问题。
如果筛选能力跟不上，增加调用量主要带来的，可能只是更多无人识别的试验。
全民 Token 要同时解决探索机会和发现能力
原文提出的“全民 Token”，是一项值得认真讨论的政策设想：给居民小额、不可提现、不可转让的模型使用额度，让人先尝试，再发现用途。
它与要求企业先写清项目、再申请补贴的逻辑不同。那些连使用者自己都还说不清的需求，也能获得一次探索机会。
我理解它的公共价值在于用途发现的外部性。一个人承担试验成本，偶然形成的方法却可能被许多人采用。最初的探索者未必能获得扩散后的大部分收益，因此这类探索可能投入不足。
但发额度不能单独构成完整制度。还需要自愿分享、外部验证和授权传播的机制，让少数有普遍价值的方法被发现。基础额度保障尝试机会，追加的探索额度可以鼓励持续试验，公共流程库则帮助别人复用。
原文对制度边界的强调同样重要：额度可以用于多家合格模型，结算采用可比较的服务单位，不能简单按供应商自报的原始 Token 数付费。政府无需取得对话内容，模型训练使用这些内容也应取得同意。
探索成果应由使用者掌握。领取基础额度不能以公开私人流程为条件，公共资助也不意味着政府或平台自动拥有成果。
清算和发现服务可以交给受监管的企业运行，但标准应开放、账户应可迁移、供应商应平等接入。否则，公共投入可能造出一个控制使用记录和私人知识的独家入口。
评价这项政策，我会看新增使用者是否开始探索、流程是否持续使用、能否被他人复制，以及是否形成新服务。调用量本身不足以说明发现了多少价值。
最大的变化可能发生在组织重建之后
电动机进入工厂，最初常常只是替换蒸汽机，继续带动原来的天轴。机器布局、厂房形态和生产流程基本不变。
等到每台机器拥有自己的动力，设备才可以按工序排列，厂房和管理也能重新设计。电气化的收益由此进一步释放。历史上的生产率变化有多种原因，但新设备进入旧工厂，与工厂按新能力重建，显然是两个阶段。
今天很多人工智能应用也处在前一个阶段：让律师审合同更快，让教师备课更快，让分析师做报表更快。任务效率改善了，岗位、流程和组织关系仍沿用原来的设计。
我认为，下一步需要逐项检查制度存在的理由。哪些环节是因为人的阅读、记忆和协调能力有限？哪些环节承担激励、信任、权威和责任？
信息处理成本下降，并不自动降低验证和担责的成本。生成内容越多，审核和签字甚至可能更重要。组织可能减少一些信息汇总层级，同时强化新的责任结构。
重组缓慢也有具体原因。职业连接着收入、身份和长期投入；组织外部还有法律、保险、客户信任和供应商流程。改变其中一环，往往需要其他环节一起调整。
因此，我会特别关注按人工智能能力重新设计的新组织。旧组织可能长期局部改良，新组织则可能从起点就采用不同的分工与责任安排。变化未必均匀发生。
电力类比的边界，决定了人工智能的新问题
电力史帮助我们理解用途发现和组织重建，但人工智能有三个明显不同之处。
它带着人类历史中的知识出生。这些记录包含已有职业和制度，也包含抱怨、遗憾和未实现的愿望。既有知识会把它引向熟悉的活动，也可能提供寻找新需求的线索。
它的能力会受到训练方向塑造。市场怎样使用模型，会经由收入、数据和评价影响后续能力。已有领域的进步能向其他领域迁移多少，仍需要观察。
它还会主动提出用途。人可以描述困难，模型可以组合不同领域的方法，双方共同扩大候选范围。但哪一个候选值得实现，仍需要人的选择和现实中的试验。
对我而言，接下来最值得跟踪的是三件事：私人用法能否跨用户复用，已有能力能否支持更陌生的需求，新组织能否在提高效率的同时重新安排责任。这些变化，比单纯增加多少调用、替代多少工时，更能帮助我们看清新经济正在怎样形成。