科技趋势观察：从数据走势到合理预测

2021年初，我盯过一阵VR头显的出货量。当时季度同比增速冲到80%以上，身边不少声音说“元年来了”。但把时间轴拉长到2016年，发现那几年也出现过两次类似的脉冲，随后都回落了。那次经历让我意识到，看科技趋势最怕的不是没数据，而是只盯住一小段数据。后来我给自己定了个规矩：任何趋势判断，先找一条至少跨三年的基准线。

找基准线，不是找一条漂亮的增长曲线。恰恰相反，是要看这条线在低谷时是什么样。比如观察国内工业机器人产量，2023年一季度同比增速转负，如果只看那个季度，很容易得出“制造业智能化退潮”的结论。但把2019年至今的数据铺开，会发现2020年二季度也出现过类似的下探，随后在2021年反弹到40%以上。走势的波动本身不说明问题，波动发生的频率和恢复周期才是信息。我习惯把这类数据放进同一张表里，标出每次下探的持续时间和回升幅度，慢慢就能分辨哪些是噪音，哪些是结构变化。

有了基准线，下一步是拆走势。拆走势的意思是，别把“科技”当成一个整体。2024年上半年，国内AI相关融资事件数量同比下降约三成，但同期AI应用层的融资占比从15%升到28%。如果只看总数，结论是“资本冷了”；拆开看，钱在往离收入更近的地方挪。这个拆法对观察很有用：总量数据告诉你温度，结构数据告诉你方向。我通常会按三层拆——底层算力与基础设施、中间模型与工具链、上层应用与场景。每层的数据来源不同，更新频率也不同，混在一起看容易误判。

拆完走势，才轮到预测。预测这个词容易让人紧张，好像非要说出一个具体数字。我的做法是给区间，不给点。比如2023年底看2024年国内智能算力规模，当时公开的规划口径和实际落地口径差了大约20%。我就把预测写成“同比增长40%到60%”，而不是“增长50%”。后来实际落在中间偏下，但这个区间帮我提前判断了哪些环节可能供给过剩。预测的价值不在于准，而在于让你提前想好：如果落在区间上沿，该关注什么；落在下沿，又该关注什么。

观察做得久了，会发现一个反直觉的事：数据越丰富，越容易过度拟合。2022年我跟踪过一阵消费级AR眼镜的线上销量，每周都拉数据，结果被促销节点的短期波动带偏了两次。后来改成月度数据加季度校准，反而看得更清楚。科技趋势的观察周期，往往比我们以为的要长。硬件看两到三年，软件看一到两年，底层技术看五到十年。用错周期，就像拿秒表测马拉松，数字很精确，结论没意义。

还有一个习惯，我坚持了四年：每次做完判断，隔三个月回看一次，把当时的数据、推理和结论写在一起。回看时会发现，大部分错误不是出在数据上，而是出在把相关性当因果。比如某段时间芯片出货量和某类应用下载量同步上升，很容易写成“芯片增长驱动应用爆发”，但实际可能是同一个下游需求在拉动两端。这种回看记录攒到十几份之后，对“预测”这件事会谨慎很多，也更清楚哪些信号值得跟，哪些只是巧合。

说到底，科技趋势观察不是算命，更像是一种校准。校准你对周期的感知，对结构的拆解，对自身偏差的警觉。这套方法不保证你看对，但能让你在看错的时候，知道自己错在哪一步。对做观察笔记的人来说，这比一个准确的预测更有用。