一、潮汐和浪花——一个看世界的视角

第一个值得拿出来的框架，是把世界上所有变化分成两类：快变量和慢变量。

浪花，就是快变量。海面上一拨一拨打过来，声势浩大，动静十足。今天这家公司发了新模型，明天那家推了新 Agent，后天国家出了新文件。浪花的特点是它们会抢走你的全部注意力。你站在海边盯着看一个小时，会觉得海在剧烈变化。

潮汐，就是慢变量。以几乎看不见的速度，一厘米一厘米改变海岸线的形状。技术革命、人口结构、全球化进程、能源转型——这些才是真正塑造未来的力量。

问题是，浪花会自己跳到你眼前，潮汐不会。所以我们每天花 3 小时刷新闻刷热搜，却几乎没有时间去读一份关于人口结构或某个新技术长期趋势的深度报告。

这个视角叫 [[大局观-海拔三千米经济学]]，出自《大局观》（credit 见文末）。这个比喻是——我们平时活在海平面，周围全是高楼大厦车水马龙。上珠峰太难，但爬到海拔三千米，往上能看到云外的雪峰，往下能看到一整片星罗棋布的城镇。视角切换之后，原先让你焦虑的事就会自动排序。贸易摩擦只是树枝，国际关系才是大树；股价涨跌只是浪花，技术革命才是洋流。

这套视角对产品人尤其重要。过去三年，多少产品团队把季度目标订在"追上最新一代模型"或"接入本月最火 Agent 框架"上？回头看，那些每个月换一次技术栈的团队，大部分既没跟上技术，也没交付产品。因为他们追的是浪花，不是潮汐。

二、1840 年的一次集体踩坑

第二个判断更扎心：在每一轮技术革命的早期，都伴随着大量的资产价格泡沫。

最经典的案例，是 1840 年代英国的"铁路狂热"。

当时所有人都知道铁路是未来——它能把内陆的煤炭运到港口，把工厂的商品运往全国。贵族、商人、市民、甚至家庭主妇，都把积蓄拿出来买铁路公司的股票。短短几年里，英国注册的铁路公司数量暴涨到上千家。最后结果是，大部分公司破产，无数人血本无归。等这批公司倒干净之后，真正的铁路巨头才诞生——因为这时候基础设施已经铺好，做生意的成本已经足够低。

2000 年的互联网泡沫是同一个剧本。纳斯达克从 2000 年 3 月的 5048 点跌到 2002 年的 1114 点，缩水 78%。无数带着 ".com" 后缀的公司烧光钱死掉。等这波过去，基础设施（带宽、域名、浏览器、第一代网民）沉淀下来，谷歌、亚马逊、eBay 才开始真正崛起。亚马逊当时股价也从 113 美元跌到 5.5 美元——贝佐斯那时候说了一句「股票不等于公司」，业务各项指标都在改善，股价还在跌。

有一句话配得上贴在每个产品经理的屏幕边上：每一轮技术革命，都是"前人栽树，后人乘凉"。

现在再看 2026 年 AI 这一轮的数据。OpenAI 单季融 1220 亿美元，Anthropic 300 亿，xAI 200 亿，Waymo 160 亿——这四家合计 1880 亿美元，占 Q1 2026 全球 VC 总额的 65%。资本往四家头部公司极度集中，其余 95% 接入 AI 的企业拿不出量化回报。Alpine Macro 的量化策略师 Henry Wu 给了一个冷静判断：「我们很可能正处于泡沫形成的早期阶段。」

泡沫的后期特征是什么？Henry Wu 补充道：「市场往往伴随着反复的、剧烈的回调，每一次回调都促使空头们高呼'顶部已到'，但紧随其后的 V 型复苏又迫使这些早期怀疑论者缴械投降，直至市场弥漫着'这次不一样'的论调。」

"这次不一样"——这五个字是泡沫破裂的背景音。

三、守树策略——一个反英雄主义的策略

如果泡沫早晚要破，普通人怎么办？有一个反英雄主义的答案：守株待兔。

这不是消极。是有意识的战略耐心。

「不要用你的业务，去挑战别人的专业。要用你的专业，去拥抱新技术的红利。」

你是医生，就好好看病。等 AI 跑过来帮你更高效地看片子、做诊断。你是老师，就好好教书育人，等 AI 过来帮你改作业、生成个性化练习题。你是内容创作者，就好好做内容，等 AI 过来帮你生图、剪视频。

这个策略背后有一个容易被忽视的逻辑：新技术真正改变世界的方式，从来不是把每个领域都推倒重来，而是以接口形式接入现有专业。X 光机没有取代医生，CT 没有取代医生，MRI 没有取代医生——这些技术每一代都"更颠覆"，但最后都是成了医生手里的工具。真正赚到红利的，是在每个时代都能把最新工具接进自己工作流的那个医生，不是改行去做 X 光机销售的医生。

这就浮现出一个值得命名的现象，姑且叫它**「风口反收割」**：你本以为要去收割风口，结果被风口反过来收割了时间、金钱、注意力，连自己真正的长板都荒废了。过去三年，你认识多少人：放下自己十年专业，去学 Prompt 工程、学 AI 绘画、学大模型微调，一年后什么都没做成，回头发现原本的专业领域也已经被甩开了？

被风口反收割的人，比被 AI 替代的人还多。

四、选择题选手 vs 解答题选手

还有另一个扎心的分类，可能是全场最狠的一刀。

我们从小是在"寻找标准答案"的教育里长大的。面前有几百家外卖店，A 餐厅便宜两块、B 餐厅好评多 100 条、C 餐厅送饮料，花 30 分钟反复对比终于下单——这就是"最优解思维"。结果是，送到的时候一看，同事那份好像更好吃。

赫伯特·西蒙说过，人是**"有限理性"**的——不可能掌握全部信息，只能在有限的信息和时间里找那个"够好了"的选项。那个 80 分的满足解。

选择题选手执着于找标准答案。题目一出来就想知道"哪个对"。一旦发现没答案，就瘫痪。

解答题选手承认没有标准答案。面前放着一堆原始素材，自己切、自己试、自己迭代。

2010 年有个小产品叫 Burbn，打卡、制定计划、分享照片，一股脑塞了几十个功能。上线后没人用，只有一个"给照片加滤镜"的小功能用的人还挺多。创始人一咬牙砍掉 90% 的功能，剩下的那个产品就是 Instagram。它不是最优解，但它是从真实反馈里长出来的满足解。

AI 时代最怕的姿势，是站在外卖点餐的心态面前看技术路线。"Claude 和 GPT 哪个好？""LangChain 和 CrewAI 哪个强？""微调和 RAG 哪个更值得学？"——这些问题都默认有标准答案。但真实世界里，这类问题的答案永远是"看你要解决什么"。解答题选手先把自己要解决的问题搞清楚，再去挑工具。选择题选手先把所有工具研究一遍，再问自己"那我要解决什么呢？"——等他想清楚，时代已经换了两代。

五、把手弄脏——从显微镜里看到需求

所以问题就变成了：不追风口，那我追什么？

答案是三个字：把手弄脏。

过去二三十年，中国经济吃了两个巨型红利——人口红利让你能以低成本造出东西，流量红利让你能以低成本获客。靠一个模式甚至一个点子就赚到钱的时代，是红利期的特产。

现在红利没了。赚钱回归到又苦又累的细节里。

最好用的例子是银发经济。一提到银发经济，大多数人脑子里蹦出来的画面是"平台"——把老人和养老服务连起来。但真正的机会不在平台，在**"一个 80 岁的老人晚上起夜时会遇到什么"**。

一个叫"适老化改造"的行业正在悄悄起来。做的事很具体：把卫生间的门槛拆掉让轮椅能进；把瓷砖换成有特殊纹理的防滑地砖；按照老人的身高和臂长，在马桶和淋浴区墙上装支撑扶手；把刺眼白色顶灯换成光线柔和但亮度够的暖色灯光。每一单都要上门测量、设计、施工，赚的是慢钱、小钱。

但这个市场，正在爆发。

对产品人的启示很直接：过去的产品思维是"规模先于需求"——先想怎么复制一万份，再想第一份里放什么。今天的产品思维是"显微镜先于放大镜"——先把一个具体用户在某个具体场景里的痛点挖到底，再想怎么在这基础上复制。

这个切换的分水岭，其实就是潮汐的方向变了——从流量潮变成老龄化潮、从数量潮变成质量潮、从消费升级单向潮变成升级降级并存的双向潮（中国同时有 4 亿中等收入群体和 6 亿月收入 1000 元左右的群体）。潮汐方向不一样了，产品方法论不跟着换，就是拿上一代的地图找下一代的路。

六、盲区——这次真的一样吗

到这里为止，这个框架是自洽的。但一个好的分析必须自带反面论证。让我把最大的几个质疑摆出来。

质疑一：AI 的迭代速度跟铁路、互联网真的能对齐吗？

1840 年英国铁路狂热到 1870 年代铁路巨头成形，用了 30 年。2000 年互联网泡沫到 Google 真正成为商业帝国，用了 10 年。这两轮的共同特征是——基础设施物理沉淀需要时间。铁轨要铺、光纤要拉。

AI 不一样。它的"基础设施"是算力 + 数据 + 模型权重，可以在一个晚上从美国东海岸搬到中国。2023 年 3 月 GPT-4 发布，到 2026 年 4 月市面上已经有二十多个能力相近的替代模型。压缩到 3 年。

如果技术成熟期真的从 30 年压缩到 3 年，"守树待兔"策略里那个等待期就短得多。也意味着职业的重塑来得比这个框架暗示的更快。医生还能守，客服可能已经没树可守了。

质疑二：这次泡沫的结构跟 dot-com 不一样。

Alpine Macro 的观察是：目前 AI 相关的资本支出大多由企业内部现金流支持，而非大规模举债。杠杆在这轮泡沫里不是主要驱动力。OpenAI 的 240 亿美元 ARR、Anthropic 的 300 亿美元 ARR——这是 2000 年任何一家 dot-com 公司都拿不出来的真实收入。

结构不同，意味着就算有泡沫，破裂的形态也会不同。不会是 Nasdaq 式的 78% 崩盘，更可能是几家中小 AI 公司连环失血、头部公司继续吸钱的分化式回调。

质疑三：没有"专业领域"可守的年轻人怎么办？

这个策略暗含一个前提——你已经有十年专业积累。对 35 岁的中层这没问题。对 22 岁刚毕业的年轻人，守什么？零起点的新人没有存量可守，只有选择方向。这个群体反而可能是最适合追早期 AI 赛道的那群人——因为他们没有被上一代专业绑住的沉没成本。

原论述没回答这一题。这是这个框架的盲区。

七、"电影院策略"——看不清就站门口

针对看不清方向的情况，还有一个很小但很实用的策略，叫**"电影院策略"**。

如果你对某个机会既觉得不能完全错过，又不敢下重注——那就先站在门口的位置看一会儿。看到剧情好再买票入座。看到不对劲立刻走人。

具体到 AI 场景——你不必辞职去创业公司，但可以用周末时间跑两个 POC；你不必为公司买一整套企业版，但可以让一个小团队用闲置预算跑一个试点；你不必学一整套 LangChain 架构，但可以用 Claude Code 搭几个小工具解决自己工作流里的三五个真问题。

这个策略的本质是保持参与度，同时严格控制沉没成本。保持"如果时代真的变了我立刻能动"的肌肉记忆，但不赌注。

套用到产品决策上是同一个逻辑——你不必把整个产品押注到 AI 上，但要让团队在每个关键位置上都有一个"AI 占位人"，在 AI 真的成熟的那一天能立刻补位。

八、对产品人意味着什么

把这整套框架的信号折回到一个产品人的 2026 年：

第一，停止每周追新工具的惯性。 每天 15 分钟读一份人口结构或技术长期趋势的深度报告，比每天 3 小时刷 AI 推特有用一百倍。追浪花的人永远被动，懂潮汐的人才能主动。

第二，回到自己领域深挖。 如果你是做零售 PM，把 AI 当做接入工具，想清楚它能怎么切进你的选品、定价、会员这三个现有环节，而不是想"我要不要转去做 AI 产品经理"。用业务挑战专业是死路，用专业拥抱技术才是活路。

第三，从选择题选手变成解答题选手。 遇到技术选型问题，先把要解决的业务问题描述到每个人都能复述一遍。再选工具。前者没做完就选工具的项目，9 成都会返工。

第四，把手弄脏。 不要相信任何只在 PPT 上推演的 AI 产品策略。带着团队真的去用一次，做一个 100 人以内的小闭环跑通，再考虑扩。

第五，电影院策略。 不要 all in，也不要完全旁观。小额、多点、快速进出。

最后，一句话配得上做这场讨论的注脚：

历史的进步从来不是线性的，而是在试错与妥协中蹒跚前行。

线性是泡沫期的错觉。蹒跚才是长期的真相。

在这个错把蹒跚当线性、错把浪花当潮汐的时代，能把自己从"风口反收割"的循环里拔出来，就是一种了不起的胜利。

本期关键词

潮汐 vs 浪花（Tide vs Wave） —— 慢变量 vs 快变量的隐喻。潮汐是人口结构、技术革命、全球化这种真正塑造海岸线的东西。浪花是天天刷屏但一天就过的新闻热点。分不清这两者就会被每天的噪音牵着走。

海拔三千米经济学（3000m Economics） —— 出自《大局观》（credit 见文末）的视角词。不是海平面的琐碎，也不是珠峰的纯理论，而是能同时看见宏观大势和微观生活的中间视角。

风口反收割（Reverse Harvest） —— 本文提出的新概念。本意是去收割风口红利，结果反被风口收走了时间、金钱、注意力，原本的专业长板也荒废了。过去三年被这个模式伤害的人比被 AI 替代的人更多。

解答题选手 vs 选择题选手（Open Solver vs Multiple-choice Picker） —— 选择题选手执着于找标准答案。解答题选手承认没有标准答案，自己切、自己试、自己迭代。Instagram 的前身 Burbn 是典型的解答题解法——砍掉 90% 功能留下真实用户用的那个。

守树策略（Wait-by-Tree Strategy） —— 不追 AI 跑，而是守在自己专业领域里，等 AI 来找你。医生守诊断，老师守教学，创作者守内容。原话：「不要用业务挑战专业，要用专业拥抱技术红利。」

电影院策略（Cinema Strategy） —— 对不确定的机会，先买票进场但站在门口。保持参与度，严格控制沉没成本。

焦虑税（Anxiety Tax） —— 追风口的隐形成本。课程费、工具订阅费、项目沉没成本只是显性部分；隐性的是注意力被切碎、专业被稀释、信心被透支。

原文关键引用

「不要用你的业务，去挑战别人的专业。要用你的专业，去拥抱新技术的红利。」 —— 何帆

「每一轮技术革命，都是前人栽树，后人乘凉。」 —— 何帆

「历史的进步从来不是线性的，而是在试错与妥协中蹒跚前行。」 —— 何帆《大局观》

「人工智能的重要性可能被夸大。」 —— 何帆新版《大局观》原话

"We're very likely in the early stages of bubble formation." —— Alpine Macro 首席量化策略师 Henry Wu

引用

1. 何帆《越追 AI 风口，越容易被时代淘汰》B 站视频 —— 本期拆解原始视频
2. 何帆《大局观：真实世界中的经济学思维（新版）》2025 —— "海拔三千米经济学"、"人工智能的重要性可能被夸大"、"历史的进步从来不是线性的"等核心观点出处
3. 《2026，看清变量，保持耐心》虎嗅网 2026-01 —— 视频内容延伸文字版
4. Crunchbase《Q1 2026 Shatters Venture Funding Records》 —— Q1 2026 AI 占全球 VC 80% 数据来源
5. Remio《AI Venture Capital Surges to $242 Billion in Q1 2026》 —— 95% 企业零回报数据
6. 证券时报《2026 年全球市场前瞻：美股可能处于 AI 泡沫初期》 —— Alpine Macro Henry Wu 评论
7. 上海金融与发展实验室《杨川：AI 泡沫？英伟达估值分析报告》2026-01 —— 英伟达 22% 增长隐含泡沫度分析
8. 何帆 财新博客《在"慢变量"中寻找小趋势》 —— "快变量慢变量"框架首提

---

相关笔记

• [[大局观-海拔三千米经济学]]
• [[产品人-潮汐观]]
• [[AI泡沫-2026年数据]]
• [[风口反收割]]
• [[解答题选手]]