科技趋势观察入门：从数据到判断

去年底，我翻了一份关于全球智能手机出货量的季度报告。2023年全年出货量约11.7亿台，比2022年少了3.2%。但同一时期，折叠屏手机的出货量却从约1300万台涨到了约1800万台。两个数字放在一起，就能看出一个简单的趋势：整体市场在收缩，但某个细分品类在逆势增长。观察科技趋势，第一步不是找答案，而是找这种“矛盾”——总量和局部的差异，往往就是趋势的起点。

很多人把趋势观察等同于看新闻标题，这容易走偏。新闻讲的是事件，趋势讲的是方向。事件是离散的，今天是某公司发布新芯片，明天是某实验室发了一篇论文。要判断方向，至少需要三个时间点的同口径数据。比如观察AI芯片的算力增长，拿2020年、2022年、2024年三代的旗舰产品做对比，单位功耗下的算力大致每两年翻一倍。这个倍数不是从单次发布里读出来的，是从连续数据里算出来的。没有连续数据，就只能叫猜测。

数据本身也有脾气。不同来源的数据，口径经常打架。比如统计“AI专利数量”，世界知识产权组织的口径侧重PCT国际申请，而各国专利局公布的是本国受理量。2022年，WIPO收到的AI相关PCT申请约3.5万件，而中国国家知识产权局公布的AI发明专利授权量是8.7万件。数字差了一倍多，不是谁在造假，是统计范围不同。做观察笔记时，我习惯在每条数据后面标注来源、时间和口径。这三个信息缺一个，这个数据就暂时不能用。

有了干净的数据，下一步是看走势。走势不是简单的涨或跌，要区分三种形态：线性增长、指数增长、周期性波动。线性增长常见于成熟市场，比如全球PC出货量，近十年基本在2.5亿到3亿台之间波动，没有大起大落。指数增长出现在技术扩散早期，比如2010年到2015年的移动支付交易额，每年增速都在50%以上。周期性波动则像半导体行业的库存周期，大约每三到四年一个轮回。把走势归入哪一类，决定了你后面能不能做预测，以及预测的置信度有多高。

预测是观察的延伸，但不是必须的终点。很多趋势观察做到“描述清楚正在发生什么”就已经很有价值。如果非要往前走一步，我常用的方法是找先行指标。比如要判断云计算市场的走势，与其盯着各家厂商的营收，不如看服务器芯片的出货量——后者通常领先前者一到两个季度。2023年第三季度，数据中心GPU出货量环比增长了约20%，随后两个季度，主要云厂商的营收增速果然出现了回升。先行指标不一定每次都对，但它提供了一个可验证的观察窗口。

观察中最大的敌人是噪声。每天都有“重大突破”“颠覆性技术”的标题，但大部分在两年后连影子都找不到。过滤噪声有一个笨办法：看这项技术有没有进入供应链。实验室里的钙钛矿太阳能电池效率从2009年的3.8%提到了2023年的26.1%，但全球钙钛矿组件的实际出货量在2023年还不到1GW，而晶硅组件是超过400GW。效率数据很漂亮，但供应链数据告诉你，它还没到规模化的拐点。趋势观察要盯的是后者。

写观察笔记这几年，我慢慢形成一个习惯：每季度只跟踪三到五个指标，不贪多。指标选定了，就固定口径、固定来源、固定记录格式。时间一长，这些数据自己会说话。2024年初，我回看自己2022年记下的几条关于AI推理成本的笔记，发现单位token的推理成本在18个月里下降了约90%。这个数字不是从哪篇报告里抄的，是从连续记录里长出来的。趋势不在热搜里，在你不间断的记录里。