AI 的「电气化」：基础构件、繁荣世界与创业切入点
电改变世界，靠的不是「发明了电」，而是电灯之后出现的一整层中间构件（电动机、变压器、电表、保险丝、插座），以及围绕它们重做的生产组织。本页用电力史拆解 AI 从「被发明」到「改变各行各业」之间正在出现的那一层构件，推演构件成熟后的世界，最后回答：今天的创业者该从哪里切入。
只想看结论：直接跳到「十三、创业者的切入点」。
一、电的历史真正说明了什么
先修正两个常见误读：第一个被电改变的行业不是照明而是通信，电报（1844）比电灯早 35 年，靠电池就能跑；印制电路板是 1940 年代电子学的产物，属于下一轮技术，不属于电气化本身。修正之后，电力史给出的是三条规律和一套构件判定标准，而不是一张零件清单。
规律一：第一个载体永远摩擦最小
电报占了驿站的位置，电灯占了煤气灯的位置，爱迪生定价直接对标煤气账单。它们被选中，是因为不需要改变任何既有结构。爱迪生真正建的是珍珠街电站那一整套系统：发电、配电、电表、保险丝、灯座、并联布线、按量计费。电灯只是让人愿意为电网付钱的理由。
对应：聊天框占了搜索和写作辅助的位置，它的真实作用是让全世界愿意为算力和模型付钱，把「电网」建起来。
规律二：构件把通用能力转成「值钱的做功」
电机把电变成运动（当时经济中绝大部分做功是机械做功）；电热丝把电变成热；电解槽把电变成化学，1886 年霍尔-埃鲁法让铝从贵金属变成日用品；变压器把电变成另一种形态的电；继电器让电去控制电。
判定基础构件的四条标准：不依赖应用行业；接口标准化到普通工匠能组装；能大批量低成本复制；接通的是经济中价值密度高的那类做功。
规律三：构件成熟 ≠ 世界改变
实用电机 1888 年就有了，美国制造业生产率却到 1920 年代才跃升（Paul David, 1990）。前三十年工厂只是把中央蒸汽机换成一台中央大电机，屋顶天轴和皮带原封不动；直到每台机床装上自己的电机、工厂按工艺流重新布局、一代老厂长退休，收益才释放出来。
反过来：电机 1830 年代就被发明了，没有电网时只是玩具。2023 年的智能体框架就是「没有电网的电机」。
美国制造业电气化进程与家庭通电率，1900–1930
二、两条时间线对照：我们在哪一点
六个阶段按电力史的顺序排列，每列上方为电、下方为 AI。对照结果：AI 大约处在 1888–1895 年。电灯已普及，感应电机刚问世还不可靠，交直流之争正酣，电表刚出现，制度构件刚萌芽，工厂仍是集中驱动。
| 1888–1895 的电 | 2026 的 AI |
|---|---|
| 电灯已经普及 | 聊天界面人人会用 |
| 感应电机刚被发明，还不可靠、不量产 | Agent 在软件领域进入生产，其他领域成功率仍不稳定 |
| 交直流之争正酣 | 协议、开源与闭源、云端与端侧的标准未定 |
| 电表刚出现 | Token 计费成立，按结果计价在客服等领域刚形成规模 |
| UL 刚成立，NEC 尚未出台 | Agent 认证与责任险公司刚出现（2026），没有公认规范 |
| 工厂仍是集中驱动：换了电机，天轴皮带还在 | 企业在旧流程上加一个 AI 环节，而不是围绕 AI 重排流程 |
三、构件全景概念图：电力系统 ↔ AI 系统
每个节点上行是电力原件，下行是 AI 对应物。实线为能力与控制流向，虚线为反馈或制度约束。实线加粗框是价值节点；虚线框的「验证器」与「学习闭环」是电力史没有对应物的 AI 独有构件，因为电压天然恒定、用电不会让电变好，而 AI 两者都不成立。
四、16 个构件的成熟度评估
1 = 概念或演示，2 = 早期可用但形态未定，3 = 可用但需逐场景手工适配，4 = 工程化成熟、有事实标准，5 = 商品化、普通工匠可直接组装。最弱的几块（记忆、编排、学习闭环、制度）正是电池、电路板、伺服环、UL 的位置。
五、逐一拆解：每个构件解决什么、现在长什么样、缺什么
六、AI 的「电动机」不是一个构件，而是一对
电机之所以关键，是因为它接通了经济中价值最大的那类做功。按同样标准看 AI，答案是「执行器 + 验证器」。只有执行没有验证，没人敢放手，这是 2023 年演示多、落地少的原因；只有验证没有执行，活还是人在干。两者都便宜的领域最先完成电气化。
七、类比失效的四个地方：AI 独有、电没有的构件
1. 非确定性
电的输出由物理定律保证，发电厂不会偶尔发出一段「编造的电」；AI 的输出是概率的、异质的、可能错的。
因此需要验证层。它不是可选组件，而是和模型同等重要的核心构件。
2. 携带信息与意图
一度电没有「身份」，但一个 Agent 的操作有「谁授权、代表谁、能做什么」的问题。
因此需要 Agent 身份、委托授权、溯源、水印。这更接近互联网的 PKI / OAuth 体系，而非电力系统。
3. AI 能改进 AI
用电不会让电变好，但执行器和验证器产生的信号会让模型变强，相当于「发电机造出更好的发电机」。
因此不能照搬电力 40 年的扩散节奏，数据飞轮、RL 环境、合成数据成为独立构件。
4. 风险是系统性的
电的风险是局部的（一处火灾、一次触电）；同一个模型却会在所有部署点犯同一种错，一次提示注入可以被无限复制。
因此制度构件在 AI 这一轮更关键、需要更早出现。电要求重新布局工厂，AI 要求重新布局决策和责任。
还有一条经济性差异：AI 构件几乎全是软件，扩散快，商品化也快。电机厂商赚的是正常的制造业利润，电气化最大的受益者是用电重组了生产方式的人。AI 的护城河同样不在通用构件本身，而在行业数据、验证信号、分发渠道和流程重构。
八、构件之后：会繁荣的 AI 载体（AI 的「电器」）
电器的共同点：把若干构件打包进一个外壳，只交付一种结果，使用者不需要懂电，接口标准化，按结果而非按度电定价。电器史还有三个细节：早期电器是拧在灯泡座上取电的；电器没有减少家务时间，而是抬高了生活标准（Ruth Cowan）；最成功的电器开辟新类别（冰箱、收音机），而不是替代旧物（电熨斗）。
生产侧
工业设备生活侧
家用电器系统侧
电车 · 电话 · 广播繁荣的顺序：按「验证器是否就位 × 被压抑需求规模」排
| 波次 | 载体 | 共同点 / 等待的构件 |
|---|---|---|
| 第一波 · 已发生 | 软件生产线、内容工厂、陪伴载体、客服与销售辅助 | 执行器成熟；验证要么廉价（代码），要么被降低了要求（内容、陪伴） |
| 第二波 · 构件就位中 | 知识后台数字工人、私人导师、研究机器、窄域个人代理、自动驾驶规模化 | 需要行业验证器、权限构件和初步的制度构件 |
| 第三波 · 依赖最弱构件 | 通用个人代理、健康决策层、自动实验室、智能体市场、家用机器人 | 等待记忆、身份、责任归属、具身执行器成熟 |
会赢的载体
- 卖结果，不卖对话：成功的 AI 载体不让用户写提示词。
- 自带验证器：能自己判断「做对了没有」，才能放手运行。
- 插进既有流程，不要求用户先改变：早期靠「灯座适配器」存活。
- 释放被压抑需求，而不只是替代现有工作。
会失败的载体
- 只是聊天框外面套一层行业皮肤。
- 要求用户学习新的交互方式。
- 没有验证机制，错了也不知道。
- 替代的是本来就不贵的东西。
九、价值会落在哪：电力史的分配结果
| 电气时代角色 | 获利模式 | AI 时代对应 | 判断 |
|---|---|---|---|
| 标准制定者（电压、插座、规范） | 几乎不直接赚钱，但决定格局 | 协议与开源运行时的作者（MCP 一类） | 影响力大于利润 |
| 电力公司（发电侧） | 稳定但受监管、利润率受限 | 基础模型厂商 | 目前利润丰厚是因为还没被商品化，长期向公用事业回归 |
| 设备制造商（GE、西门子、西屋） | 最大的产业利润：造电机、电器、配电设备 | 绑定行业的执行器、验证器、记忆、风控构件与垂直应用 | 注意：AI 的通用构件是薄软件，只有绑定行业资产的才守得住 |
| 重组了生产方式的行业（福特流水线） | 最大的社会财富 | 围绕 Agent 重新设计业务、直接交付结果的公司 | 需要跨过「单元驱动」时刻 |
AI 的「单元驱动」时刻：每一个工作单元配一个有记忆、有权限、有验证的专属 Agent，组织结构、岗位设计、流程因此重排。
十、判断工具：任何一个 AI 项目处在哪一层
三个问题都有清楚答案的，是电器；只回答了第一个的，还是电灯。逐题点选。
十一、二阶效应：载体繁荣之后真正改变的是什么
电器时代最大的变化不是电器本身，而是电器引发的结构改变：郊区化、女性进入劳动力市场、超市与冷链、摩天楼。AI 载体繁荣的二阶效应大概率落在这几处：
十二、构件成熟之后：一个和今天明显不同的繁荣世界
1930 年代的人回看 1870 年代，觉得荒诞的不是「前人点蜡烛」，而是没有冰箱只能吃腌肉、几百个工人挤在一栋楼里共用一根蒸汽机天轴、普通家庭一辈子听不到一场交响乐。同理，当执行器与验证器、记忆、反馈闭环、协议、责任体系都成熟并隐入幕后，未来的人回看 2026 年，大概会觉得这几件事荒诞：人要学几百个 App 的菜单；大量受过高等教育的人每天把大部分时间花在开会、写周报、对齐表格上，充当「人肉导线」；一万个基础不同的孩子按同一个进度听同一堂课。
今天的世界 vs AI 电气化完成后的世界
| 维度 | 2026 年（蒸汽向电气过渡期） | 构件成熟之后 |
|---|---|---|
| 人与技术 | 人学习软件菜单、学写提示词，人伺候工具 | 界面按需生成、用完即消散；按意图交付结果 |
| 组织形态 | 金字塔科层制，中层充当「人肉天轴与皮带」 | 少数把关人 + 大量闭环数字工人，一人公司与三五人公司成为常态 |
| 工作与分配 | 按岗位与坐班时长发固定工资 | 按验证通过的结果，以及判断、审美、担责结算 |
| 商业与交易 | 靠投流与话术争夺人类注意力，赚信息差 | 买方代理与卖方代理静默撮合，信息差收窄，品质与履约决定胜负 |
| 教育与医疗 | 大班齐步走；病了才去医院排队 | 人人有一对一导师；连续生理数据与干预把慢病拦在早期 |
| 科学与制造 | 手工试错，标品千篇一律 | 自动实验室闭环试错；按需定制的成本接近标品 |
| 最稀缺的资源 | 信息整理、工具熟练度、标准化知识 | 提出真问题、一锤定音的验证与审美、签字担责、面对面的真实连接 |
十三、创业者的切入点：在构件图谱里找「会越来越值钱」的那一块
形态上像一家 AI 原生的服务公司，资产上是一套行业验证器。前者解决第一天的现金流与「插得进灯座」，后者解决护城河：模型每升级一代，你的执行成本就再降一截，而验证器和结果数据不会被模型升级抹平，反而更值钱。
1. 推理：模型变强时，什么变便宜，什么不变
把前面十二节压成三步：
- 执行在变便宜。执行器（工具调用、代码沙箱、界面操作）成熟度已到 3–4，下一代模型会继续压低成本。建立在「模型今天做不到」之上的产品会被下一代模型直接吃掉。
- 通用构件守不住。AI 构件是薄软件，通用的编排框架、向量库、提示词路由会被开源或被模型厂原生吸收（函数调用、MCP 都是先例）。能守住的构件必须绑定某个行业的数据与规则。
- 卡点在验证和责任。成熟度最低的是验证器（业务领域 1–2）、学习闭环、记忆、制度构件。它们恰好是模型升级解决不了的部分：模型不知道你这个行业什么叫「做对了」，也不能替你承担责任。
① 按结果计价已形成规模：Intercom 的 Fin 按每次确认解决收费 0.99 美元，年化收入从 100 万增长到 1 亿美元以上，并提供最高 100 万美元的效果担保；Genpact 以「低于客户现有单张发票成本」承保应付账款结果，称 2026 年签约总合同额将超 10 亿美元。
② 验证器成了独立市场：RL 环境 2026 年中年收入约 10 亿美元量级（SemiAnalysis 估算，转引）；业内共识是「验证器质量就是产品」；Patronus 先做软件与金融，原因正是这两个领域可验证。
③ 责任空位开始被填：Klaimee、Mount（YC 2026 春季批次）、Harbor（2026-10 种子轮 1000 万美元）提供 Agent 认证与责任险，因为传统网络险与职业责任险正在把 AI 排除在外。
以上主要是美国市场案例，国内市场需另行核对。
2. 先排除：四个死区
聊天框套行业皮肤
不改变任何业务状态、没有验证机制、错误靠用户肉眼挑。这是在造电灯，下一代模型或大厂的一个功能就能覆盖。
水平通用构件
通用编排框架、通用向量库、通用路由。扩散快、开源快，随时被模型厂原生吸收，独立捕获利润很难。
要求客户先拆天轴
必须先改组织、先建数据中台、先改员工习惯才能用的产品，会死在第一个采购周期。早期电器靠拧在灯座上存活。
替代本来就不贵的事
把便宜的人工动作再省 30%，天花板很低。电熨斗利润薄，冰箱和收音机才是繁荣主体。
3. 机会地图：14 个候选方向
横轴是构件就位度（越靠右越能马上做），纵轴是可防御性（模型升级、大厂进入后还能不能守住），气泡大小是被压抑需求的规模。点击气泡或右侧列表查看详情。
4. 推荐路径：以服务形态切入，以验证器为资产
此前的回答把「领域验证器」和「AI 原生服务公司」列成两个并列方向，其实它们是同一件事的两面：服务公司是进入形态，验证器是沉淀下来的资产。把它们串起来，就是一个三段式飞轮。
按结果接单，人做验证器
选一个高频、规则复杂、结果可核对的工作流。用「少数行业把关人 + Agent」交付结果，嵌入客户现有入口（企微、邮箱、表格、现有系统）。定价锚定客户现有的单位成本并低于它，参照 Genpact 的每张发票定价。
要盯：每单人工复核分钟数、首次交付通过率、现金流。
沉淀规则、反例、仿真
把专家的每一次驳回与修改结构化记录下来，能写成规则的写成规则，能做成仿真的做成仿真，剩下的设计成只需点「通过 / 驳回」的审核界面。无人修改交付率上升，毛利随之上升，开始有底气给出履约担保，参照 Intercom 的效果担保。
要盯：验证器覆盖率、无人修改交付率、单位结果毛利。
三个出口，选一到两个
产品化卖给同行，占「设备制造商」的位置；做成 RL 环境和评测卖给模型厂，占「卖验证信号给发电厂」的位置；做成行业认证或承保依据，占「UL」的位置。此时你同时拥有现金流业务和一块不会被模型升级抹平的资产。
要盯：外部客户数、验证器被调用量、续约率。
5. 五个方向详解
6. 从终局倒推：繁荣世界里的新物种，今天的前身是什么
| 第十二节里的新物种 | 今天的前身 | 对应切入点 | 时点 |
|---|---|---|---|
| 液态软件（用完即弃） | 编程智能体 | 按需软件工厂、垂直业务系统定制 | 现在 |
| 微型巨人组织 | 按结果计价的 AI 客服、应付账款外包 | AI 原生结果服务公司 + 垂直验证器 | 现在 |
| 责任铅封与 AI 保险 | Klaimee、Mount、Harbor 等 Agent 认证与责任险 | 强监管行业的 Agent 风控、审计与承保 | 现在 |
| 自动驾驶实验室 | RL 环境与评测公司 | 行业 RL 环境与评测（卖给模型厂） | 1–3 年 |
| 人人有一对一导师 | 口语、编程、数学类 AI 陪练 | 结果可检验科目的窄域私人导师 | 1–3 年 |
| 24 小时数字免疫系统 | 连续血糖仪、睡眠环 + 人工健康管理 | 院外慢病与康复管家（避开诊断开药） | 1–3 年 |
| 个人行政损耗归零 | 邮件与日程助手 | 寄生在现有入口里的窄域个人代理 | 1–3 年 |
| 智能体静默市场 | Agent 支付与身份协议试点 | Agent 身份、授权与交易风控 | 3 年以上 |
| 家用与工业具身机器人 | 自动驾驶、仓储机器人 | 具身整机（资本门槛高）或垂直场景数据 | 3 年以上 |
7. 按你手里已有的资源选
| 你手里有什么 | 首选切入点 | 第一步 |
|---|---|---|
| 行业经验与客户关系（代账、理赔、合规、教培、陪伴服务、代运营等从业者） | AI 原生结果服务 + 垂直验证器 | 挑一个你最清楚「什么叫做对了」的工作流，写下 10 个验收检查点，先用人 + Agent 交付 10 单。 |
| 工程能力，没有行业资源 | 找一位行业合伙人；或做行业 RL 环境、Agent 风控审计层 | 不要从通用框架开始。先选定一个行业，向该行业的专家买「验收标准」。 |
| 教研与内容能力 | 结果可检验科目的窄域私人导师 | 先建「学员卡点账本」和即时检验题库，再接模型；验证器比讲解更重要。 |
| 医疗、硬件或照护资源 | 院外慢病、康复、照护管家 | 以可穿戴数据为探针，做低风险持续陪护层，诊断决策留给医生。 |
| 大额资本与硬件团队 | 具身执行器、行业仿真 | 这是第三波的赛道，普通创业者不建议首选。 |
8. 要盯的六个指标
无人修改交付率
交付物不经人工修改就被客户接受的比例。它是你的「电机效率」。
每单人工复核分钟数
决定毛利与规模上限。验证器做得好，这个数字会持续下降。
验证器覆盖率
全部验收检查点中，能被规则、数据或仿真自动判定的比例。
结果回流率
动作执行后，真实业务结果（成交、回款、通过、留存）被收回系统的比例。
单位结果毛利
每一个交付结果的价格减去模型成本与人工成本。模型升级应当让它上升。
第 180 天续约与扩单
检验复利：客户用得越久，你的系统是否越懂他、越难被替换。
9. 五条硬标尺：给你的项目打分
每条按「不满足 / 部分满足 / 满足」点选，满分 10 分。打完分后会提示最弱的一条该怎么补。