五道門：為什麼 AI 在工廠門口停滯不前
簡而言之： 高盛剛剛繪製了 AI 軟體成功與其實體世界部署之間的五個障礙。軟體已經感受到痛苦——在六個月內，美國頂尖軟體股票的市值蒸發了 8000 億美元，因為定價權力從「每席位」崩潰到「每結果」。但真正的故事是當 AI 嘗試進入 99.5% 的 GDP 時會發生什麼，這部分不是軟體。劇透：這不是技術問題。這是物理、人的問題，以及認證問題。這是五個門檻的框架，以及如何對照它來審核你自己的行業。
我是James，水星科技解決方案的執行長。 香港 — 2026年7月16日
高盛的投資銀行團隊 — 不是研究，銀行業 — 剛剛發布了一份30頁的報告，名為為實體經濟駕馭人工智慧這很重要，因為研究分析師是為市場寫作的。銀行家是為寫支票的執行長寫作的。當銀行家產出研究時，這是一張他們認為資金實際流向的地圖。
而這張地圖顯示：人工智慧即將面臨一堵牆。五堵牆。
0.5% 與 99.5%
這是大多數人忽略的坐標系統。
軟體 — SaaS、雲端，所有這些 — 佔全球GDP的比例不到0.5%。其餘的99.5%是製造業、能源、物流、建築、農業。實體的東西。原子，而不是位元。
人工智慧已征服0.5%。現在它想要99.5%。
而99.5%的人不在乎你的API。
零門檻：軟體的金絲雀時刻
在我們談論工廠之前，先看看軟體目前的情況。IGV指數——一籃子美國頂尖軟體股票——在2026年上半年下跌了17%。從2025年10月的高峰來看，已經下跌了26%。前10大軟體公司損失了近8000億美元的市值。
不是收入。期望。市場正在重新定價軟體在AI世界中的價值。
這就是原因。SaaS過去是按座位收費。登錄，付款。AI改變了計算方式：為什麼要為登錄付費，當AI代理可以完成工作？問題從「有多少人使用這個？」轉變為「你交付了什麼結果？」
定價權力正在從「銷售的功能」轉移到「交付的結果」。
高盛的布萊恩·凱恩稱軟體為「AI 經濟的礦井中的金絲雀」。在舊礦井中，金絲雀首先死去——警告礦工有毒氣體的存在。軟體正在首先死亡，警告其他行業即將發生的變化。
如果你正在購買軟體，請注意這一點：按座位計費的模式正在退出。基於結果的定價模式正在進入。如果你在軟體行業，你的商業模式有過期的日期。
真正的瓶頸：人力和電力
AI 進入實體行業之前會遇到兩道牆，然後才是技術牆。
首先：人力。報告估計美國電力行業到 2030 年需要 500,000 名新工人。培訓一名電工需要 3-4 年。到 2024 年，美國整個能源行業畢業了 45,000 名學徒。需求：每年 65,000 名。而這還不包括即將退休的電工。
這種諷刺是殘酷的。每個人都在擔心 AI 取代白領工作。華爾街真正的焦慮是？電工、焊工和管道工不夠。資本加速。晶片迭代。訓練人類沒有捷徑。
第二：權力。德克薩斯州阿比林 — 人口12萬 — 現在消耗的電力與人口90萬的舊金山相當。為什麼？資料中心。微軟、Meta和甲骨文正在建設擁有自我發電能力的「島嶼資料中心」，因為電網無法跟上需求。微軟簽署了一項為期20年的協議，以重啟三哩島。亞馬遜正在投資小型模組化反應堆。
過去只使用電力的公司現在必須產生電力。這就是人工智慧已經改變遊戲物理的程度。
五個關卡框架
高盛稱這些為「工業 AI 部署需求」。我稱它們為 五個關卡 — 因為每一個都是一個檢查點，會淘汰無法通過的 AI 專案。
關卡 1：物理限制
AI 在模擬中優化得非常出色。然後它遇到了現實。
材料有公差。熱量的行為與模型不同。濕度、灰塵、震動 — 現實世界與訓練環境不匹配。一個理論上完美的設計在接觸到真實的工廠地面時就會失敗。
這道門需要一些大多數 AI 團隊所缺乏的東西：了解行業物理的專業人士和模型的限制。不是資料科學家。也不是領域專家。能夠在這兩個世界之間翻譯的人。
門 2：私有數據
ChatGPT 可以撰寫你的電子郵件，但無法優化你的生產線。為什麼？因為它從未見過你的數據。
物理 AI 的有價值訓練數據存在於工廠、供應鏈和質量控制日誌中。它不在互聯網上。不在 Common Crawl 中。一家擁有十年客戶反饋、退貨數據和合身投訴的牛仔布製造商擁有一些基礎模型無法訪問的東西。
這就是為什麼廉價模型無法摧毀護城河。廉價模型是商品。專有數據才是護城河。
第 3 門：邊緣部署
工廠 AI 無法在雲端運行。延遲、連接性、可靠性——生產線不能因為 AWS us-east-1 的問題而暫停。
模型必須在本地運行：在機器、控制器、嵌入式系統上。這完全改變了工程問題。你不是在調用 API。你是在硬體上部署推論，而這些硬體從未為此設計。
第 4 門：可認證性
在軟體中，幻覺浪費了代幣。在航空、能源或汽車領域，幻覺會致人於死。
這一門是最難的。傳統認證要求你 解釋 為什麼系統做出某個決策——以證明它是可預測和可驗證的。AI 是一個黑箱。即使是它的建造者也不總是能解釋為什麼它輸出的結果是這樣的。
在高風險產業中，"它有效"是不夠的。"我們可以證明它在所有條件下都有效"才是標準。而我們尚未擁有在安全關鍵環境中認證黑箱系統的框架。
這不是技術障礙，而是監管和方法論的障礙。這也是為什麼人工智慧將首先進入低風險的實體應用，而高風險的應用則最後進入的原因。
第5道閘：工作流程嵌入
工廠擁有數十年累積的設備、流程和制度知識。你不能關閉生產線來"安裝人工智慧"。你必須在飛機飛行時更換引擎。
這就是"以200英里每小時換輪胎"的問題。人工智慧必須在不破壞現有運作的情況下整合進現有工作流程。那些在這方面成功的組織不會替換系統——而是逐步增強它們，一次一個工作流程。
中國成本差距
報告中包含了一個高盛所稱的"中國成本差距"的部分。在OpenRouter——最大的第三方人工智慧模型平台上——中國模型現在佔據了40-50%的令牌消耗，從2024年底的單位數字上升。中國的推理成本僅為美國前沿模型的一小部分。
但高盛補充了一個關鍵的警告：代幣份額並不是收入份額。
便宜的模型降低了進入門檻。它們並不建立壁壘。當模型變成便宜的基礎設施——像電力、像帶寬——價值就會向上游轉移。轉向數據。轉向工作流程整合。轉向知道哪些問題值得解決的行業專業知識。
障礙不在於接觸人工智慧。障礙在於知道該如何使用它。
普羅米修斯信號
報告中有一家公司引起了我的注意。普羅米修斯——由傑夫·貝佐斯創立——旨在建立一個「人工智慧通用工程師」。設計噴氣引擎、藥物分子、複雜物理系統的軟體。它在2026年6月籌集了120億美元，估值達410億美元。
想想這意味著什麼。人工智慧的雄心已經從寫電子郵件轉向發明實體事物。目標不再是自動化，而是壓縮整個工程和發明週期。
如果這樣有效，五個門就變成五個機會。如果不行，它們仍然是五個牆壁。
審核您的位置
高盛的框架作為診斷工具非常有用。將您的行業放進去：
| 門 | 問題 | |------|----------| | 實體限制 | 當理論遇到您的現實時，什麼會壞掉？ | | 私有數據 | 您知道什麼是任何基礎模型未見過的？ | | 邊緣部署 | AI 必須在哪裡運行，而雲端無法到達？ | | 認證性 | 什麼認證阻礙了您和部署之間的距離？ | | 工作流程嵌入 | 如果您觸碰它，哪個現有流程會中斷？ |
您清除的門越多，您的護城河就越強。一兩個？您只是個功能，而不是平台。
如果您在評估 AI 供應商，請問他們這五個問題。如果他們對所有五個都有答案，他們正在構建一些持久的東西。如果他們在「認證性」或「邊緣部署」上變得模糊，他們是在向一個需要系統的問題銷售軟體。
AI 革命並沒有放緩。它只是離開了軟體世界，進入了實體世界。而實體世界並不在乎您的炒作週期。
水星科技解決方案：加速數位化。
