SEMICONDUCTOR / AI INVESTING14 SEP 2026
半导体与AI投资 31｜不是越往后越难，是两个变量在动
关于 AI 会怎样一层层改造各行各业，流传最广的排法是这样的：先是内容，然后是软件，接着是组织决策，最后才是物理世界。越往后越值钱，也越难。
有判定程序的时候，AI 可以生成、自测、发现失败、修改、重测，一直到通过，全程不需要人。TOLERANCE 01 容错度·决定谁先用 | DECIDABLE 02 可判定性·决定走多远 | MISORDERED 03 三四层可能排反 |
这个排法直觉上很顺，我此前也是这么写的。但它有一个毛病：「难」不是一个可以测量的东西。
而一个不可测的变量，排出来的顺序就没法被证伪。说到底，它只是把「已经发生的先后」换个说法重新讲了一遍，并没有告诉你下一步会怎样。
所以这一篇要做的事很简单：把那个变量换掉，换成两个能查的。
SEMICONDUCTOR / 01
一、先换掉那个不可测的变量
我想用的判据是：这个行业有没有一个不依赖人的判定程序。
所谓判定程序，就是一个能独立回答「这次做得对不对」的检查器。它输出是或否，不需要品味，也不会有歧义。代码有编译器和单元测试，数学证明有形式化验证工具，一台设备有没有过热则是温度计说了算。
这个变量的好处在于它可以当场检验——你能不能把那个检查器写出来？写不出来，就是没有。
而它直接决定了一件事：AI 能不能自己迭代。
没有判定程序的时候，情况就完全反过来：每一次输出后面，都得站一个人。
SEMICONDUCTOR / 02
二、但一个变量不够，真正在动的是两个
如果只用「可判定性」来排，会立刻撞上一个反例。
内容层是最先被 AI 大规模使用的，而内容层恰恰没有判定程序。「这篇文案好不好」，没有任何检查器能回答。那它为什么反而先被用？
因为它错了不贵。
也就是说，这里其实有两个完全不同的变量，此前被混成了一个笼统的「难度」：一个是容错度，也就是错一次有多贵，它决定人们愿不愿意先用；另一个是可判定性，也就是有没有机器检查器，它决定 AI 自己能走多远。
关键在于，这两个维度并不共线。而一维的「越往后越难」把它们压成了一条线，信息就丢在这个地方。
SEMICONDUCTOR / 03
三、四层重排：第一层和第二层其实是错位的
把两个变量同时放上去看，四层的样子就变了：
内容层和软件层看起来都很早，但它们早得不一样。
内容层早，是因为人们容忍它不被判定；软件层早，是因为它真的可判定。
所以前者的天花板由人的审核能力决定，后者不由。这是两种完全不同的前景，而原来那个排法把它们排成了相邻的两级。
SEMICONDUCTOR / 04
四、更要紧的是，第三层和第四层可能排反了
传统排法把组织决策放在物理世界之前，理由是物理世界更难。
但按可判定性看，物理世界那一层的判定程序反而更硬。撞了就是撞了，良率是多少就是多少，温度超没超阈值，传感器说了算。
组织决策层没有这种东西。「这个审批批得对不对」「这条供应链决策好不好」，没有任何仪器能回答。
所以真正的差别不在难度，在障碍的性质：物理世界卡在代价太高、监管太严、硬件迭代太慢，这些都是非技术障碍；组织决策卡在根本没有判定程序，这是技术障碍。
而非技术障碍会随时间、资本和法规的演进慢慢松动，「没有判定程序」不会自己松动。
由此得到一个原来那个排法给不出的预测：一旦成本和监管这两道门被跨过，物理世界那一层的自动化深度，会比组织决策层更深、也更快，因为它有客观反馈，而组织决策层没有。
SEMICONDUCTOR / 05
五、组织决策层的那道关卡，是被人工造出来的
那组织决策层怎么办？
目前所有严肃的做法，其实都是同一件事：人先把判定程序造出来。
具体形态是给企业建一套本体（Ontology）。它不只描述有哪些对象和关系，更要规定什么关系是合法的、什么状态算异常、哪些动作在什么条件下才允许执行。Palantir 的核心产品就叫这个名字，它的做法是让模型看不到原始数据库、也写不了任意查询，只能操作本体里定义好的对象和一份白名单动作，写操作则默认先进入「待审」等人确认。
做完这一步之后，AI 就可以在这个人造的判定程序里自我迭代了——生成、评估、读失败、修改、重测。
但请注意这个链条的第一环。人先写规则，规则构成判定程序，AI 在判定程序内可以自我验收，而写规则这一步，仍然是人。
换句话说，自动化的边界正好落在判定程序的边界上。这不是巧合，是定义。
也正因如此，这一层有一个不常被讨论的经济特征：它是高固定成本结构。
建一套本体的工作量里，很大一块并不在「设计对象和关系」，而在把各个老系统里的脏数据清洗、去重、对齐到同一套语义上。据从业者的经验，这部分能占到整体工作量的一半以上，而它和每家客户的遗留系统一一对应，基本不可跨客户复用。
所以这里存在一个临界点：业务对象和流程的数量要多到一定程度，这套固定成本才摊得回来。在临界点之前，建这一层是负收益。
这件事对估市场规模有直接影响。这一层的市场，不由「有多少家企业」决定，而由「有多少家企业跨过了那个临界点」决定。这两个数可能差一个数量级。
SEMICONDUCTOR / 06
六、顺带一个反例，说明「确认」不只是技术问题
Costco 今年关掉了运营近十年的第三方导购平台 Costco Next，而它上一个财年第四季度的销售额还在同比增长近四成。
那个平台的模式是：由 Costco 筛选品牌、谈折扣，然后把会员送到品牌自己的网站上去下单。配送、客服、退货、保修，全部由品牌各自负责。
而会员每年付费买的，恰恰是「已经替你筛过、控过价、出了问题我兜底」。把确认责任让出去，等于把自己卖的东西掏空了。
反过来看，同一时期它在中国市场在推另一种第三方合作：与京东合作开设官方旗舰店，商品集中在一个入口，借当地成熟的支付与履约体系完成交易。
所以判据不是「自营还是第三方」，而是「确认责任在谁手上」。
确认这件事不只是 AI 的技术瓶颈，它本身可以是一门生意的定义。
这里要加一句限定。Costco 并没有公开解释关停的原因，所以「它是为了守住确认责任」只是一个解释，不是被证实的事实。另一种同样成立的解释是：那个业务就是不赚钱。而这两种解释的投资含义完全不同——前者说明管理层有纪律，后者只说明砍掉了一个小摊子。
SEMICONDUCTOR / 07
七、所以判断一家 AI 公司，该问什么
把两个变量合起来，问题就从「这家公司的模型强不强」变成四个可以查的：
第一，它进的那个场景，有没有判定程序？有的话 AI 能自己迭代；没有的话，每次输出后面都得站个人，人力成本会随用量线性增长。
第二，如果没有，是谁在造那个判定程序？造的人是不是它自己？造一次能覆盖多少次使用？
第三，错一次多贵？这决定客户愿意给多大的自主权，也决定销售周期有多长。
第四，临界点在哪？它的目标客户里，有多少家真的跨过了那个门槛？
最后这个问题最容易被跳过，也最致命。因为「潜在客户数」和「跨过临界点的客户数」，在 PPT 上长得一模一样。
SEMICONDUCTOR / 08
八、这篇怎么算错
| |
| 出现无判定程序领域的可靠自主迭代（不靠人审也能持续改善），第一节作废 |
| 若物理世界的自动化深度长期落后于组织决策层，且原因是技术而非成本与监管，第四节错 |
| 若本体类系统的建设成本被证明随客户规模亚线性下降，第五节的临界点论减弱 |
| 本文的四层划分为作者框架；本体建设的工作量分布、Palantir 的产品机制、以及 Costco 的案例，均来自公开报道与从业者的二手转述，本人未核一手财报与官方文档 |
SEMICONDUCTOR / 09
九、收口
旧的排法说，越往后越难。但「难」不可测，所以那句话其实什么也没排出来，它只是把已经发生的先后又说了一遍。
换成两个能查的变量之后，得到的是另一句话：
AI 先进入错得起的地方，然后在能判定的地方扎下去。
它的深度不由聪明程度决定，而由有没有人替它准备好一把尺子决定。
「尺子」这个说法要打个折扣：真实的判定程序往往不是一把现成的量具，而是一整套需要持续维护、还会随业务变化而失效的规则体系。这里只取它「能给出客观读数」的那一面。
而在没有尺子的地方，最贵的那道工序永远是：有人得看一眼，然后签字。