2026年7月20日，世界人工智能大会暨人工智能全球治理高级别会议刚刚在上海落幕。在超过10万平方米的展区里，300多项人工智能产品完成全球首发。现场的一台机器人依靠视觉和触觉传感器，自主抓取零件、拧紧螺丝、连接线路，再完成通电测试；在另一个模拟药房里，同一个具身智能模型驱动三家不同厂商的机器人协同工作。

如果只看这些画面，一个极具感染力的技术叙事已经成立：人工智能正在走出对话框，从生成文字和图像的工具，变成能够感知环境、操作物体、进入工厂和服务系统的“智能伙伴”。模型、智能体、算力、机器人和产业场景在同一个空间里密集出现，未来仿佛已经从实验室提前抵达展馆。

这些展示是真实的技术进步。但它们也带来一个比“哪款产品最先进”更重要的问题：我们在WAIC看到的，究竟是技术创新、产品商业化，还是产业扩散？

300多项全球首发，能够证明创新供给的活跃，却无法证明客户愿意持续付费；机器人完成一次复杂演示，能够证明能力边界，却不能等于它已经具备大规模部署所需的可靠性、成本和维护体系；企业签署合作协议，能够证明各方愿意探索，却并不意味着数据、标准、责任与收益已经协调完成。

从发布到采用，从采用到嵌入，再从嵌入到可复制的经营结果，中间隔着的，除了时间，还有客户流程、组织权限、绩效指标、员工技能、伙伴利益、政策规则和社会信任。

从这个角度看，WAIC不仅是国家的技术展示场，也是一个巨大的创新叙事场。各路AI企业面向投资者讲市场空间和技术壁垒，面向政府讲产业升级与公共价值，面向客户讲效率和可靠性，面向合作伙伴讲开放接口与共同生态。每一项展品都在提出一个关于未来的主张，也在邀请资金、政策、人才、客户和伙伴提前进入一个尚未完全形成的世界。

问题在于，什么样的技术主张最终会变成现实，什么样的主张会停留在展台、发布会和融资材料里？一次令人震撼的集中展示，为什么有时能够打开一个新产业，有时却只留下短暂的注意力？

这样的疑问并不只属于人工智能时代。

周末WAIC如火如荼的时候，我在法国雷恩人工智能工商管理2026博士班上谈毅教授的AI创新管理课，尤其是谈教授关于郑和下西洋案例的重新解读，讲的真的是太精彩了，给了我关于技术创新与扩散采纳的更多思考。

六百多年前，南京龙江船厂和长江口岸一带也曾围绕一项庞大的国家工程高速运转。木材、帆索、铁器、粮食、淡水、药材、翻译、航海人员和军事组织被集中起来，组成一支能够穿越南海、进入印度洋并抵达东非海岸的船队。1405年至1433年间，郑和船队先后七次远航。它所展示的，不只是一批船，更是一整套在当时极其复杂的组织与技术能力。

常识下的我们可能接下来会继续追问：宝船到底有多大？船队究竟有多少艘船？它比哥伦布或达·伽马早了多少年？这些问题很容易变成一场“谁更早、谁更大、谁更先进”的文明排名。正如这几天所有的科技媒体都在围绕WAIC的展览去报道哪一个模型参数更多、哪一台机器人动作更灵巧、哪一家公司首发产品更多。

但这些问题只是表象的事实性描述，并不能给未来的动作带来启发和价值。

更值得追问的是：为什么一次如此宏大的技术与组织壮举，没有自然演化成一个持续扩张、自我改进的海洋系统？为什么“能够造出来、组织起来、航行出去”，并不必然转化为长期的技术领导权？为什么伟大的发明、工程和示范，有时会停在纪念碑或展台上，而不是进入普通人的生产流程，成为一代又一代人不断使用、改进和再投资的基础设施？

这个问题属于郑和船队，也属于蒸汽机、电力、铁路、互联网和今天的人工智能。

演示不等于扩散，调用不等于生产率，采用也不等于价值。技术真正改变经济，不会是在壮举产生的当下，而是在它变得不再火热膨胀的时候——当它进入工厂、医院、学校、实验室和办公室，嵌入预算、权限、数据、流程和责任，成为一种普通而稳定的组织能力。

因此，理解创新扩散，可以从WAIC现场与郑和船队共同带来的反问开始：一项技术如何从壮举变成系统？而叙事在在技术创新转化为生产力的过程中，在生产力变革的经济周期中，是一个什么样的变量？

一、技术发明史最喜欢“第一”，创新扩散史更关心“后来”

我们讲技术史时，习惯把注意力放在少数英雄时刻：谁发明了第一台机器，谁完成了第一次航行，谁发布了第一个产品，谁率先实现了某项指标。这个叙述方式有天然的吸引力，因为它有清楚的主角、时间和事件，也容易形成胜负。

而技术的扩散却没有那么戏剧化。它通常没有唯一的英雄，也很难指出一个决定性的日期。它发生在大量看似琐碎的工程优化里：设备变得更可靠，零部件能够替换，维修人员学会处理故障，成本下降到普通企业可以承受，使用者形成共同标准，银行愿意融资，保险能够定价，管理者重新划分岗位，员工愿意改变习惯，监管者知道出了问题由谁负责。

这些工作没有“第一次”那么耀眼，却决定了一项技术有没有“后来”。

创新扩散研究早已提醒我们，创新扩散发生在时间与社会系统之中（：人们从知晓开始，经过说服、决策、实施和确认，最后才可能把创新变成稳定实践。对于组织而言，这个过程更复杂，因为作出采购决定的人、真正使用的人、承担风险的人和分享收益的人往往不是同一批人。

因此，创新至少要跨过六级台阶：被看见、被试用、被采用、被嵌入、被复制、被兑现。

“被看见”只是注意力。“被试用”说明新奇感足以抵消短期摩擦。“被采用”意味着有人愿意支付成本。“被嵌入”意味着流程、数据、权限和岗位开始改变。“被复制”意味着成功不再依赖少数天才或特殊条件。“被兑现”才意味着技术进入收入、成本、质量、风险、交付周期或社会福利。

技术新闻最擅长报道前两级，资本市场喜欢为第三、第四级定价，而经济增长最终只承认第五、第六级。这种时间与证据的错位，是几乎所有技术周期中乐观、泡沫、失望与再扩散反复出现的根源。

二、不是每项创新都是“发电机”

要判断一项技术是否可能引发长期扩散，首先要区分不同类型的创新。可以用三个直观的比喻：灯泡、显微镜和发电机。

“灯泡型”创新解决一个相对明确的问题。它可能非常成功，甚至迅速普及，但主要价值集中在一个产品或任务上。市场逐渐饱和后，价格下降、竞争集中，新增增长趋于收敛。大量消费电子产品、单一功能的软件工具，都可能经历这样的路径。

“显微镜型”创新改变的是观察与发现的方法。它未必直接服务所有人，却可能重组科学研究、工程分析和专业判断。人工智能进入药物发现、材料设计、气象模拟或文献分析时，就体现出这种“显微镜效应”：它不仅提高一个任务的速度，还改变人们提出问题、组合证据和组织实验的方式。

“发电机型”创新则更接近经济学所说的通用目的技术。布雷斯纳汉和特拉伊滕贝格提出，通用目的技术通常具有三个特征：应用广泛，核心能力能够持续改进，并且会催生大量互补创新。蒸汽动力、电力、计算机之所以重要，不是因为它们完成了一次任务，而是因为它们进入许多行业，并迫使下游不断发明新的机器、流程、技能和商业模式。

这三个特征缺一不可。

应用广泛但核心技术不再改进，可能只是一种标准化基础设施；核心能力快速改进却没有进入足够多的场景，可能仍是实验室技术；既广泛又持续改进，却不能激发组织和产业的互补创新，其经济影响也会受到限制。

所以，我们不能因为人工智能“什么都能聊”就直接宣布它已经成为新的电力。通用性不是宣传语中的“无所不能”，而是技术能够在不同场景中反复被重新组合，并让使用它的人产生新的知识、新的流程和新的产品。

同样，郑和船队中的指南针、水密隔舱、航海图、天文观测和组织通信也不应被看成一个孤立的“黑科技清单”。远洋航行一个技术系统的结果。正因为如此，它也为我们提供了观察扩散失败与中断的理想入口。

三、郑和远航案例证明的是开放系统的力量

学者对郑和航海知识系统的研究指出，明初远航建立在长期的中外知识交流之上：中国本土造船与航海经验、宋元以来的海上贸易、来自伊斯兰世界的地理知识，以及印度洋区域航海人员的实际经验，共同构成了船队成功的知识基础。船队中甚至存在承担印度洋导航任务的外籍领航人员。

这意味着，郑和船队是一项“系统集成”工程。

它至少整合了五种能力。

第一是物质能力：船舶、帆索、锚、淡水储存、粮食供应、武器和维修材料。

第二是信息能力：航海图、星象、罗盘、季风和洋流知识。

第三是人力能力：水手、翻译、医生、工匠、领航员、外交人员和军事人员。

第四是组织能力：船队编组、通信、补给、纪律与跨区域协同。

第五是政治能力：以帝国财政、行政动员和外交目标维持远航。

从这个角度看，郑和下西洋之所以适合用来讨论创新扩散，也正在于此：完成一个高度复杂的系统集成，并不等于这个系统已经获得了持续演化的机制。

国家可以在明确使命下集中资源，跨过一般市场难以跨过的门槛。这种能力能创造奇迹，也能实现基础设施、国防、航天等领域的重大突破。但任务型工程常常有一个内在弱点：它的目标、预算和组织都围绕“完成任务”设计。任务完成后，如果没有新的稳定需求、分散使用者、收益回流和学习网络，技术能力就可能随组织解散、财政转向和人员流失而减弱。

一次远航的成功指标，是安全抵达并完成使命；一个海洋系统的成功指标，却是航行本身能够不断产生下一次航行的资源与知识。

四、为什么壮举没有自动变成自我强化的系统

关于郑和远航为何停止，历史研究并不存在一个可以统一共识的答案。早期解释常强调远航成本高昂、北方边患加重、朝廷政治与思想取向改变、海禁政策等因素。近年的研究又进一步把注意力放在皇帝与官僚、中央与地方之间的财政竞争上。与此同时，学者也提醒我们，官方远航的终止不等于中国人从海上消失；官方体系、朝贡贸易与活跃的私人海上活动之间存在复杂转换。

因此，不能把历史压缩成“中国突然不航海了”，更不能归因于某一种船型、某一种帆装或某个单一政策。历史类比的价值不在给出简单答案，而在帮助我们识别一个机制：为什么一项能力没有形成自我强化循环？

所谓自我强化循环，至少包括五个环节。

第一，稳定而多元的需求。技术必须被持续需要，而不是只服务一次政治使命。商业航运、军事竞争、移民、渔业、贸易利润和区域网络都可能提供需求。需求越分散，技术越不容易因为单一赞助者改变偏好而中断。

第二，可回流的收益。每一次使用必须产生可以投入下一轮改进的资源。利润不是唯一形式，税收、战略收益、知识积累和社会福利都可能构成回流。但如果收益难以识别、无法归属于使用者，或者与承担成本的人相分离，再投资就很难持续。

第三，高密度反馈。真正推动技术进步的不是重复使用本身，而是使用中的失败、维修、比较和改造。不同航线、不同气候、不同货物和不同船型不断暴露问题，才会形成快速学习。如果系统只为少数规格固定的宏大任务服务，反馈可能集中而封闭；如果大量主体在竞争中反复试错，反馈会更加分散和密集。

第四，可积累的能力。知识要能够从个人经验变成图册、规程、标准、训练和组织记忆。否则，一代工匠或领航员离开后，能力也随之消失。技术扩散的关键不是“有人会”，而是“越来越多人可以学会，并在同一基础上继续改进”。

第五，互补制度共同演化。远洋航行不仅需要船，还需要港口、仓储、信用、保险、合同、标准、维修网络和争端解决。不能说这些制度由某一种船直接造成，更准确的说法是：远洋贸易与一组技术、商业和制度创新相互推动。每一项补充条件都降低下一次交易成本，整个系统才会越用越强。

从这个框架看，郑和船队留给创新研究的真正启示：规模不等于适应性，集成不等于扩散，国家动员不等于制度化，一次成功不等于持续领先。

造得出来，只证明能力存在；用得起来，才证明系统开始形成；能够不断改进并自我融资，才可能形成长期优势。

五、叙事为何会出现在技术和扩散之间

如果扩散需要如此多的主体、投资和制度共同变化，一个新的问题就出现了：在结果尚未出现时，人们为什么愿意先行动？

一项新技术刚出现时，性能证据通常最清楚，经济证据却最模糊。发明者知道模型更准了、机器更快了、成本曲线下降了，但企业不知道如何改流程，员工不知道工作会变成什么样，资本不知道收益何时兑现，政府也不知道如何监管。所有人都在等待其他人先做出承诺。

这正是叙事发挥作用的地方。

罗伯特·席勒把经济叙事看作能够在人群中传播并改变经济决策的故事。人类并不只依靠概率表行动；我们会把分散的信息组织成有因果、有角色、有冲突、有结局的故事。故事告诉人们发生了什么、为什么发生、谁会受益、谁会落后，以及现在应该做什么。

在创新扩散中，叙事至少完成四项协调。

第一，压缩复杂性。没有人能在决定采用一项新技术之前，理解它的全部原理、供应链和长期后果。叙事通过更具备传播性的信息降低认知成本。“电力”“信息高速公路”“副驾驶”“智能体”都不是中性称呼，它们给技术分配了位置，也暗示了使用方式。

第二，制造共同时间。技术供给者可能按照模型迭代周期思考，企业按照年度预算思考，员工按照职业安全思考，监管者按照事故和责任思考。叙事把这些不同节奏放进一个共同的“现在”：为什么这件事已经重要，为什么不能无限等待。

第三，协调互补投资。只有当企业相信客户会采用，人才才愿意进入；只有当人才和应用出现，基础设施投资才可能获得回报；只有当监管看到稳定产业前景，规则才会逐渐清晰。叙事使彼此依赖的投资者在证据不完整时同时向前一步。

第四，赋予行动合法性。组织改变一定会产生损失者、摩擦和不确定性。管理者需要解释为什么要重做流程，员工需要理解为什么要学习新技能，社会需要判断技术带来的效率是否值得承担风险。没有合法性，采用会停留在地下使用、表面服从或局部试验。

因此，叙事不是贴在创新外面的广告。扩散早期，它本身是一种协调基础设施。

但是，叙事也有危险。它压缩复杂性，也可能删除关键条件；它制造共同时间，也可能制造虚假紧迫感；它协调投资，也可能把集体行动变成集体过热；它赋予合法性，也可能用宏大目标压制必要的质疑。

六、好叙事不是把未来说得更大，而是把因果链说得更清楚

技术叙事最常见的错误，是把未来的全部可能性一次性折现到今天。

模型能够完成一项任务，于是被写成能够替代一个岗位；能够影响许多岗位，于是被写成能够重构一个行业；能够重构若干行业，于是被写成即将带来宏观生产率跃升。每一步都不是完全不可能，但每一步之间都隔着尚未完成的互补创新。

真正有力量的叙事，不应只说“未来会怎样”，还要说“未来通过什么机制到来”。否则就是“讲故事”。

它要能够回答：谁先采用？采用者需要改变什么？成本由谁承担？错误由谁负责？省下的时间如何转化为产出？产出如何进入财务结果？如果某个环节没有发生，原来的判断是否需要修正？

换句话说，好的创新叙事必须包含一条价值传导链。

技术能力先改变任务；任务变化再推动流程重构；流程重构改变组织产出；组织产出进入收入、成本、质量或风险；经营结果最后才可能积累为行业和宏观生产率。

其中任何一环断裂，技术仍可能“很好用”，却不会产生预期中的经济结果。

郑和案例之所以适合作为文章开场，就是因为它天然呈现了“能力”与“系统”的距离。远航能力是真实的，组织壮举也是真实的；但如果我们直接从壮举推导出长期海洋优势，就跳过了需求、收益、反馈、制度和再投资。同样，今天从模型能力直接推导企业利润，也是在重复相同的逻辑跳跃。

叙事的价值，不是证明技术已经成功，而是让不同主体愿意共同完成尚未完成的配套改造。它是一种面向未来的行动假说，而不是免于评估的信仰。

七、创新叙事不等于品牌定位，而是一套阶段性治理机制

企业谈论一项新技术时，常常把“叙事”理解为一次性的品牌定位：确定一句口号，制作一套融资材料，然后在不同场合重复。但新兴技术商业化并不是一条信息不变的直线。随着技术从研发走向产品、再从产品走向规模扩散，企业面对的不确定性、需要的资源和关键利益相关者都在改变。叙事如果不随之调整，就会出现两种失败：要么仍然停留在宏大愿景，无法回答现实问题；要么过早收缩成产品功能，失去动员生态与长期资本的能力。

因此，更准确的理解是：创新叙事是一套阶段性治理机制。它帮助企业回答三个不断变化的问题：我们正在创造什么样的未来？为什么我们有能力把它变成现实？现在需要谁以什么方式加入？

在技术研发阶段，企业最缺的是确定性，也最缺乏可以直接展示的经营结果。此时的叙事重点是“可能性与使命”：技术原理为什么值得相信，它试图突破什么约束，如果成功会打开什么新空间。这个阶段的主要受众通常是科学家、工程师、早期投资者和政策支持者。叙事需要足够大，才能吸引愿意承受长期不确定性的资金与人才；又必须保留清楚的科学边界和验证路径，避免把研究假说提前写成产品事实。

进入商业化阶段，叙事要从“技术为何可能”转向“客户为何采用”。企业必须把抽象能力翻译成明确场景：它解决谁的什么问题，如何进入现有流程，实施成本由谁承担，错误怎样控制，客户为什么现在就要改变。此时，技术领先仍然重要，但可信的交付计划、试点数据、责任机制和组织能力开始成为叙事主体。愿景要逐步让位于证据。

到了规模扩散阶段，企业面对的已不只是单个客户，而是一个可能尚未成形的市场类别和生态系统。此时的叙事要进一步转向“标准与共同繁荣”：合作伙伴如何获得收益，上下游怎样分工，接口与规则能否稳定，监管者如何判断公共价值和风险，早期案例是否能够跨组织复制。企业不再只是解释自己的产品，还在帮助市场形成一套共同语言，使不同参与者知道自己在新系统中的位置。

这三个阶段可以概括为叙事的三次换挡：研发期出售可信的可能性，商业化期交付可验证的用途，扩散期建立可共同参与的秩序。它们是逐层叠加。一个成熟的技术企业既不能丢掉最初的使命，也不能永远依赖使命。

八、同一个技术，需要面向不同利益相关者完成四次翻译

技术叙事不仅随阶段变化，也必须随对象变化。政府、投资者、客户和合作伙伴关心的并不是同一件事。

政府首先关心公共价值、产业安全、就业、治理和风险。面向政府，企业要说明技术与政策目标的关系，以及如何承担合规、伦理和社会责任。

投资者关心市场空间、增长速度、竞争壁垒、资本效率和退出可能，企业需要说明未来收益如何从技术优势中产生。

客户关心的是效果、成本、可靠性、兼容性和责任，宏大趋势必须被翻译成具体的业务结果。

合作伙伴则关心彼此能力是否互补、接口是否开放、利益怎样分配，以及企业会不会在生态形成后直接进入伙伴的市场。

但对象适配不等于为四类受众编造四套故事。真正稳健的叙事应当拥有一个不变的“因果内核”，再形成不同的翻译层。这个内核包括：技术解决什么基本问题，价值通过什么机制产生，企业凭什么能够交付，以及哪些条件尚未完成。如果对政府说的是产业基础设施，对投资者说的是高利润封闭平台，对合作伙伴却说永远不进入应用层，三套承诺终究会在公开信息中发生碰撞。

所以，企业叙事管理的难点不是传播一致，而是“内核一致、表达适配”。不同利益相关者可以看到不同的价值切面，却应当能够拼合成同一幅图。

叙事之所以能够动员资源，正因为它降低了陌生技术的理解成本，并为外部主体提供了行动理由。它使投资者愿意把资金投向尚未形成现金流的机会，使政府有理由配置政策与试点，使人才相信加入企业能够参与一项重要事业，使合作伙伴愿意提前建设接口，也使客户愿意承担第一次采用的转换成本。已有创业研究把这种过程称为“文化创业”：企业通过故事塑造身份、获得合法性，并打开资本和市场机会。对高技术企业的研究也显示，叙事中的身份建构、因果展开与社会语境嵌入，会影响企业获得资源的能力。

但叙事动员的并不只是资源，也包括承诺。每一次融资演示、政策申报、客户签约和伙伴招募，都在外部世界留下对企业未来行为的预期。叙事越成功，动员的资源越多，需要偿还的承诺也越大。

可以把这种尚未由事实兑现的承诺称为“叙事债务”。适度的叙事债务是创新必要的融资方式：如果必须等到一切都被证明，任何真正的新技术都无法起步。危险在于，企业不断用更大的新承诺偿还旧承诺，却没有同步增加产品证据、商业行动和组织能力。此时，叙事不再降低不确定性，而是在累积信用风险。

九、可信度来自“叙事—产品—行动”的动态一致

技术企业的可信度，并不要求早期承诺全部精确实现。真正的新兴技术不可能没有试错、延迟和方向调整。利益相关者判断的重点，是企业的叙事、产品性能和商业行动之间是否保持可解释的一致性。

企业说自己重视安全，是否真的推迟过不成熟的发布？声称建立开放生态，是否给合作伙伴留下接口与收益空间？承诺帮助客户提高经营结果，考核指标是否仍然只是调用量？宣称技术即将规模化，交付团队、售后服务与质量系统是否同步建设？这些行动比口号更能决定叙事可信度。

因此，叙事不是对行动的描述，而是一种对行动的约束。一个强叙事会帮助企业集中资源，决定什么该做、什么不该做；一个与行动脱节的叙事则会制造组织内部的双重现实：外部继续讲未来，内部却知道产品与能力无法支撑承诺。时间越长，员工、客户和伙伴越可能成为最先识别裂缝的人。

当承诺没有兑现时，最差的修复方式是继续提高音量，把所有质疑都解释成外界不理解技术。

真正有效的叙事修复至少包含五个动作：

承认结果与承诺之间的具体差距；

解释哪些假设被事实推翻；

收窄或重构原来的承诺；

用产品、治理与资源配置的真实改变支撑新叙事；

最后设定可以被外部验证的下一阶段里程碑。

修复不是换一个更动听的故事，而是重新建立“说法与做法”的连接。有时，企业需要把“颠覆整个行业”降级为“先解决一条高价值流程”；把“完全自主”改为“人在关键节点负责”；把“平台无所不包”改为清楚界定与伙伴的边界。承诺变小未必意味着战略失败。恰当的降叙事，反而可能把企业从不可兑现的愿景中释放出来，重新获得务实合法性。

这也揭示了创新叙事研究真正值得关注的对象：不是某一篇演讲或某一套文案，而是“叙事—资源—行动—反馈—再叙事”的循环。企业用叙事动员资源，资源支持技术与商业行动，行动产生证据，证据又迫使叙事调整。能够管理这个循环的企业，不只是更会讲故事，而是更会在不确定性中组织集体行动。

十、泡沫为什么总在扩散之前出现

如果技术的长期价值要等待互补投资完成，资本却必须在今天投入，那么期望曲线与兑现曲线之间几乎必然出现错位。

技术出现后，最先被证明的是可能性；最晚被证明的是社会价值。资本市场擅长为可能性定价，而且会在竞争中把遥远的收益提前折现。媒体、创业者和投资者使用同一套语言相互强化：市场规模越大，基础设施投入越合理；投入越大，技术革命看起来越不可逆；越不可逆，估值又越高。

卡洛塔·佩雷斯把技术革命区分为“安装期”和“展开期”。在安装期，金融资本推动基础设施和试验快速扩张，也容易形成狂热与泡沫；泡沫破裂后，过度承诺和脆弱融资被清算，但已经铺设的网络、培养的人才和形成的组织经验可能留下，成为后来更广泛部署的基础。

这并不意味着泡沫是无害的，也不意味着任何泡沫最终都能留下黄金时代。泡沫会造成资源错配、财富转移和真实损失，许多公司与投资者不会等到长期价值出现。更重要的是，基础设施只有在后续需求、制度和应用能够接续时才有价值；没有展开期，安装期留下的也可能只是昂贵的遗迹。

但这一框架能帮助我们避免一个常见误判：资产价格下跌不等于技术无效，技术有效也不等于当下价格合理。

英国铁路狂热、电气化、互联网和今天的人工智能，在具体历史上差异巨大，却共享一个结构性矛盾：社会必须在收益完全可见之前建设基础设施，而市场又很难准确判断应该建设多少、由谁获利、何时兑现。

于是，叙事成为融资工具。它把未来的社会价值翻译成今天的资本承诺。问题不在于是否需要故事，而在于故事是否随阶段换挡。

萌芽期的叙事可以强调可能性；扩散期的叙事必须解释采用摩擦；兑现期的叙事必须接受结果审计。到了兑现期仍然只谈愿景，故事就从协调工具变成遮蔽物。

十一、人工智能已经被采用了吗

从个人体验看，答案似乎毫无疑问。人们用大模型写邮件、做摘要、编程、翻译、搜索资料、生成图片。企业购买模型服务，员工即使没有得到正式授权，也会在工作中使用免费或个人账户。调用量、访问量和Token消耗快速增加，形成一种强烈的“已经扩散”感。

但按照前面的六级台阶，知晓、试用和采用不等于嵌入、复制与兑现。

个人可以在几分钟内采用一个聊天工具，组织却不能在几分钟内改变数据权限、质量责任、绩效指标和工作交接。一个员工用AI把报告初稿写得更快，不代表部门交付周期缩短；客服回答速度提高，不代表客户问题真正解决；程序员生成更多代码，不代表系统更稳定；研究人员阅读更多论文，不代表实验成功率提高。

这里存在三种采用幻觉。

第一种是“活跃幻觉”：只要使用人数和调用量增长，就认为价值同步增长。实际上，使用量是供给侧最容易计量的单位，却不是客户最终购买的结果。

第二种是“任务幻觉”：只要某项任务提速，就认为岗位和流程已经被重构。任务只是组织价值链的局部。节省下来的时间可能被会议、校对、等待审批和新增工作重新吸收。

第三种是“平均幻觉”：只要某个场景出现显著收益，就把它外推到所有行业、岗位和人群。技术效果往往高度异质：新人和熟练者不同，标准化任务和开放任务不同，有高质量数据与没有数据的组织不同。

一项针对五千多名客服人员的研究发现，生成式AI助手使每小时解决问题的数量平均提高约14%至15%，而收益主要集中在经验较少、技能较低的员工。这是很有价值的证据：AI可能把优秀员工的隐性经验提炼出来，并传递给新人。但它也提醒我们，AI不是给所有人平均增加同样的生产率。对高手而言，模型可能没有增加多少新知识；在判断复杂、错误代价高的任务中，校验成本还可能抵消速度收益。

十二、省下2.8%的时间，为什么没有进入工资和利润

丹麦的一项研究把生成式AI使用调查与雇主—雇员行政数据连接起来，覆盖多个容易受到AI影响的职业。研究发现，使用者报告平均节省了约2.8%的工作时间，但在研究覆盖的早期阶段，并未观察到工资或记录工时的显著变化。这个结果说明人工智能在任务层面出现了节省，但组织层面和分配层面尚未同步改变。

为什么会这样？

首先，省下的时间没有明确归属。员工快半小时完成任务后，是多完成一项高价值工作，还是被新的低价值事务填满？如果组织没有重新定义优先级，时间只会回流到旧系统。

其次，绩效指标仍按旧流程设计。许多岗位以工时、响应数量、文档数量或可见忙碌程度衡量，而不是以问题解决、决策质量和周期缩短衡量。技术提高了真实能力，KPI却可能奖励旧行为。

再次，产出受到其他瓶颈限制。报告写得更快，但仍要等待三层审批；代码生成更快，但测试、部署和安全审查没有改变；医生整理信息更快，但诊疗责任与支付方式不变。局部提速遇到系统瓶颈，最终吞吐量不会同比提高。

最后，收益分配需要重新谈判。即使劳动生产率提高，工资、利润和价格如何调整也不会自动决定。谁提供模型、谁拥有数据、谁承担错误、谁控制客户关系，都会影响价值归属。

这就是生产率时滞的组织版本。布林约尔松、罗克和赛弗森把人工智能的现代生产率悖论归因于多种可能，其中尤其强调实施时滞与互补创新。企业需要在流程、技能和组织结构上进行大量无形投资；这些投资在早期表现为成本，却未必被统计为未来资本，于是生产率曲线可能先平后升，形成所谓“生产率J曲线”。

电力提供了一个常被引用的类比。把蒸汽机替换为电动机，并不会自动释放电力的全部价值。工厂需要根据分布式动力重新安排机器、物流和生产节奏。新研究也提醒我们，不宜把电气化的收益一概写成“沉寂几十年后突然出现”；不同地区、行业和企业规模的收益速度并不相同。但有一点仍然成立：技术收益与资本深化、组织变化经常相伴发生。

所以，人工智能生产力释放的真正问题不是“模型还能提高多少分”，而是“组织能否围绕它重新设计”。

十三、互补资产才是扩散的隐藏主角

技术叙事把聚光灯投向新发明，创新扩散史却一再显示，最后决定价值归属的往往是互补资产。

戴维·蒂斯在讨论企业如何从技术创新中获利时指出，仅仅拥有一项领先技术并不保证能够捕获其价值；制造、营销、分销、服务等互补资产，可能决定谁真正获利。在人工智能时代，这个概念需要进一步扩展。

企业AI的互补资产包括高质量数据、身份与权限系统、业务流程入口、专业知识、客户关系、评估体系、合规能力和承担责任的组织。科研中的AI还需要算力、实验设备、自动化实验室、可重复数据、跨学科团队和稳定预算。医疗AI需要临床证据、医生信任、隐私保护、支付机制和责任边界。

这些资产大多不像模型发布那样引人注目。它们慢、贵、具体，而且很难通过一次演示证明。但它们决定了技术能否从“会回答”变成“能行动”，从“能行动”变成“可承担责任的行动”。

这也解释了平台与垂直应用之间不断迁移的边界。

在扩散早期，垂直应用可以利用通用模型迅速进入一个场景，靠更好的界面和工作流赢得用户。但基础模型会持续增加功能，平台可能直接进入应用层。如果一家公司的差异仅仅是把通用模型包进一个界面，那么一次模型升级就可能抹去它的优势。

可持续的垂直价值通常来自模型之外：专有且合法的数据、深入关键流程的入口、可靠评估、行业责任、客户信任和持续反馈。基础模型越强，这些互补资产反而越重要，因为纯粹的模型能力越来越容易获得，真正稀缺的是把能力转化为稳定结果的组织位置。

远洋时代也是如此。决定长期航海优势的，不只是船体或帆装，而是造船、维修、港口、领航、贸易、信用、保险、军事保护和知识网络共同构成的生态。任何单项技术都可能被学习、模仿或替代；系统性的互补资产却需要长期积累。

创新扩散不是把同一份红利平均分配给所有参与者，而是在扩散过程中重新划分产业边界与价值归属。

十四、技术叙事扩散必须接受六个问题

既然叙事能够动员资本、人才和组织，它就不能只接受传播效果的检验。一个故事被更多人相信，并不等于它更接近事实。判断一项创新叙事，至少要问清六个问题。

第一，层级问题：它承诺改变的是能力、任务、流程、组织结果，还是宏观增长？这五个层级必须分开。模型在测试中能力提高，不等于员工完成任务同幅提速；任务提速不等于流程吞吐提高；流程改善不等于利润增加；少数企业获益更不等于全社会生产率上升。

第二，采用问题：证据停在哪一级？注册、访问、Token、日活、付费、留存、流程嵌入和财务结果代表不同阶段。不能用前一级的繁荣替代后一级的证明。

第三，机制问题：结果通过什么因果链产生？数据从哪里来，AI建议如何进入行动，谁拥有批准权，错误如何被发现，节省的时间如何重新分配？说不清机制，就无法判断结果是可复制的，还是依赖少数人的偶然成功。

第四，互补资产问题：除了技术本身，还缺什么？如果组织没有数据、流程、技能、评估和责任机制，追加模型预算未必解决问题。许多所谓“技术失败”，本质上是互补投资没有发生；许多所谓“技术胜利”，价值却被拥有互补资产的另一方捕获。

第五，分配问题：谁承担成本，谁获得收益？新技术可能提高总产出，却同时加剧企业之间、劳动者之间和地区之间的分化。头部企业有资本、数据和人才，更容易率先采用；中小企业既面临模仿压力，也可能承受更高转换成本。新人可能从AI获得更多帮助，某些中间技能却可能被挤压。只讲总量、不讲分配，会削弱技术的社会合法性。

第六，反证问题：什么证据出现时，我们愿意承认故事需要修改？如果任何失败都被解释为“投入还不够”，任何延迟都被解释为“革命需要时间”，叙事就变成不可证伪的信仰。好的叙事必须预先规定里程碑、期限和反证指标。

这六个问题是为了保护真正有价值的创新。缺乏审计的叙事会把所有技术推向同一种命运：早期被过度承诺，中期被错误投资，后期连真实价值也被怀疑。

十五、从“国家工程”到“社会能力”

郑和船队与人工智能之间当然存在巨大差异。一个是十五世纪的国家远航体系，一个是由计算、数据、软件、资本和全球网络共同推动的现代技术集群。历史不能证明AI必然重复任何过去，也不能给出泡沫何时破裂、生产率何时跃升的时间表。

郑和远航提醒我们，国家动员能够把资源迅速集中到技术前沿，却不自动产生分散、持续和自我强化的扩散。人工智能今天同样需要“壮举”：基础研究、芯片、算力、能源、大模型和公共基础设施都可能需要巨额投入。但一项技术要成为社会能力，还必须完成另一种更缓慢的工程。

它要进入成千上万家企业，适应彼此不同的数据与流程；它要让普通员工而不是少数专家能够稳定使用；它要建立可比较的质量标准，让责任与收益能够追踪；它要形成教育、职业和组织制度，使知识可以累积；它还要在效率、就业、公平、安全和人的自主性之间形成新的社会契约。

这种技术创新扩散能力本身就是国家竞争力。

一个国家论文和专利很多，不等于产业扩散能力强；一个国家拥有领先模型，不等于所有企业都能从中受益；一个国家应用数量庞大，也不等于形成了可信、可持续的价值闭环。真正的创新系统要同时具备研发、国内推广、全球分发和治理能力。

有时，一项并非最尖端的技术，因为成本低、足够好、兼容性强、覆盖广，反而能形成更深的社会影响。二维码支付就是一个直观例子：技术的先进程度不是唯一变量，能否被基础设施、商户、消费者和监管共同接住，同样关键。

十六、真正的技术革命，在壮举之后开始

我们可以再次回到六百多年前的海面。

船队启航时，一切最容易被看见的东西都在那里：巨大的船、密集的桅帆、整齐的编队、来自帝国的命令和资源。它足以让同时代的人震撼，也足以让后世不断讲述。

但扩散所需要的关键变量，大多不在那幅壮丽画面里。它们隐藏在下一次航行是否仍有需求，维修经验是否被记录，知识是否能够传给更多人，港口与信用是否继续发展，收益是否回流到改进，政治与财政是否允许系统保持开放。壮举发生在镜头中央，制度却在镜头之外。

今天的WAIC，也让我们看到一支正在成形的“中国人工智能舰队”：模型、芯片、智能体和机器人是新的巨舰。更值得注意的是，29个国家的代表在上海签署《关于成立世界人工智能合作组织的协定》，成为创始成员国。这一总部设在上海的政府间国际组织，意味着中国不仅在“造船”，也开始与伙伴共同讨论航线、规则与秩序。

如果说郑和下西洋留下的问题是，宏大船队能否转化为持续航行的海洋系统，那么今天真正值得观察的，同样不是中国人工智能舰队拥有多少“巨舰”，而是它能否把技术能力变成可采用的产品、可持续的合作和不断扩展的共同网络。而真正的技术革命，恰恰从壮举结束之后才开始。

它必须让人们看见尚未到来的可能性，否则没有人愿意为长期互补投资承担成本；它也必须让人们看见实现可能性的条件，否则资本会把愿景当成结果，组织会把采购当成转型，员工会把使用当成生产率。

这个故事既要讲发明者，也要讲维修者；既要讲模型，也要讲数据与流程；既要讲领先，也要讲采用；既要讲总量收益，也要讲成本与分配；既要允许社会提前行动，也要允许事实推翻承诺。

伟大的发明为何会停在壮举？

因为技术不会自动为自己创造需求，不会自动重组组织，不会自动建立责任，不会自动把节省的时间变成利润，也不会自动把一次成功变成持续学习。完成这些工作的，是围绕技术形成的制度、市场、知识网络和共同叙事。

当最先进的能力变成最普通的工具，当少数人的试验变成多数人的稳定实践，当使用量变成可以审计的结果，当故事不再替代证据而是组织证据、推动行动，一项创新才真正完成了扩散。

到那时，我们衡量一场革命的方式，也许不再是它拥有多少“巨舰”，而是它是否留下了一片能够持续航行的海。

参考资料

该文章灵感来源于谈毅教授AI+产业、管理创新DBA课程《郑和下西洋》案例。

[1] Everett M. Rogers, Diffusion of Innovations, 5th Edition, Free Press, 2003.

[2] Timothy F. Bresnahan & Manuel Trajtenberg, “General Purpose Technologies ‘Engines of Growth?’”, NBER Working Paper 4148, 1992/1995.

[3] Robert J. Shiller, “Narrative Economics”, NBER Working Paper 23075, 2017.

[4] David J. Teece, “Profiting from Technological Innovation: Implications for Integration, Collaboration, Licensing and Public Policy”, Research Policy, 1986.

[5] Erik Brynjolfsson, Daniel Rock & Chad Syverson, “Artificial Intelligence and the Modern Productivity Paradox: A Clash of Expectations and Statistics”, NBER Working Paper 24001, 2017.

[6] Erik Brynjolfsson, Daniel Rock & Chad Syverson, “The Productivity J-Curve”, NBER Working Paper 25148, 2018/2021.

[7] Erik Brynjolfsson, Danielle Li & Lindsey R. Raymond, “Generative AI at Work”, The Quarterly Journal of Economics, 2025.

[8] Anders Humlum & Emilie Vestergaard, “Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI” (earlier circulated as “Large Language Models, Small Labor Market Effects”), NBER Working Paper 33777, 2025, revised 2026.

[9] Martin Fiszbein, Jeanne Lafortune, Ethan G. Lewis & José Tessada, “Powering Up Productivity: The Effects of Electrification on U.S. Manufacturing”, NBER Working Paper 28076, revised 2024.

[10] Carlota Perez, Technological Revolutions and Financial Capital: The Dynamics of Bubbles and Golden Ages, Edward Elgar, 2002.

[11] Liu Yingsheng, “An Open Knowledge System for Navigational Science: Zheng He’s Maritime Expeditions and Sino-Foreign Overseas Exchange”, China and Asia, 2019.

[12] Tansen Sen, “The Impact of Zheng He’s Expeditions on Indian Ocean Interactions”, Bulletin of the School of Oriental and African Studies, 2017.

[13] Liu Guanglin, “The Cessation of Zheng He’s Voyages and the Beginning of Private Sailings: Fiscal Competition between Emperors and Bureaucrats”, Journal of Chinese History, 2024.

[14] Michael Lounsbury & Mary Ann Glynn, “Cultural Entrepreneurship: Stories, Legitimacy, and the Acquisition of Resources”, Strategic Management Journal, 2001.

[15] Martin L. Martens, Jennifer E. Jennings & P. Devereaux Jennings, “Do the Stories They Tell Get Them the Money They Need? The Role of Entrepreneurial Narratives in Resource Acquisition”, Academy of Management Journal, 2007.

[16] Chad Navis & Mary Ann Glynn, “How New Market Categories Emerge: Temporal Dynamics of Legitimacy, Identity, and Entrepreneurship in Satellite Radio, 1990–2005”, Administrative Science Quarterly, 2010.

[17] Chad Navis & Mary Ann Glynn, “Legitimate Distinctiveness and the Entrepreneurial Identity: Influence on Investor Judgments of New Venture Plausibility”, Academy of Management Review, 2011.

[18] Shanghai Municipal People’s Government, “WAIC 2026: Must-see Exhibits”, July 17, 2026.

— 完 —