《发电机与计算机》· 深读 + 术语小抄 + 对 Akke 的启发

保罗·大卫 1990《The Dynamo and the Computer》—— 为什么新技术普及了，效率却没提升？（加注版：术语都用大白话解释了）

原文：Paul A. David, 1990, 美国经济评论 ｜ 整理 2026-06-28

一句话：一项真正重要的新技术，从出现到见效往往要等几十年——因为你得先为它「重新设计整套做事方式」，而不是把它接在旧结构上接着用。「用了 AI 却没感到提升」，多半就是把 AI 接在了旧组织上。

📒 术语小抄（先扫一眼，下文出现就不卡了）
论文里的经济学词
效率 / 生产率 productivity
同样这些人、这些设备，能多产出多少东西。是衡量「投入变产出」划不划算的核心数字。
索洛悖论 Solow paradox
经济学家索洛 1987 年的吐槽：「电脑时代到处可见，唯独在生产率统计里看不见。」= 技术明明在飞奔、效率数字却不动的那个怪现象。本文就是来解释它的。
通用机器 General-Purpose Technology, GPT
一种用途极广、能像零件一样装进各行各业的底层技术（蒸汽机、电、电脑、现在的 AI 都是）。特点：① 到处都能用 ② 自己会不断变强变便宜 ③ 会逼出一大堆「配套的新发明」。（缩写 GPT 跟那个 GPT 撞名纯属巧合 😅）
群组驱动 / 单元驱动 group drive / unit drive
工厂用电的两种方式，全文最关键的对比。群组驱动＝偷懒：只把带动主轴的蒸汽机换成电机，布局照旧。单元驱动＝革命：每台机器自带小电机、拆掉主轴、按生产流程重排工厂。详见下文第 2 节那张图。
互补性发明 co-invention
新技术要见效，得先配套发明一堆「怎么用好它」的新做法（新厂房设计、新管理、新流程）。这些配套发明又慢又分散——这才是几十年延迟的真正来源。
无形收益 intangibles
质量更好、体验更顺、更安全、多出的新服务——这些真实好处很难记进账本，所以「数字没涨 ≠ 没价值」。
生产率 J 曲线 productivity J-curve
采用一项大技术后，效率往往先往下掉（你在花钱学习、改流程、新旧并行），过一阵才往上翘——形状像字母 J。短期下滑是常态，不是失败信号。
下文 Akke 例子里的词
route-B / 潜在触达
关注的人一发新视频（20 分钟内）就自动去点赞 + 评论，把已经聊过的潜在客户再勾一次。无影云电脑常驻自动跑。
Dashboard（后台） vs 直连 DB
Dashboard = 网页操作后台；「直连 DB」= 运营用 Claude Code 直接查数据库、本机发私信，跳过后台。后者就是「为 AI 重新设计的流程」。
心跳 / 判活
看一个自动程序是不是真在干活，不看「窗口开没开」，看它有没有按时往数据库写「我还活着」的时间戳（心跳）。
MEMORY.md / 熵增
团队给 Claude 的共享记忆索引文件，设了大小上限+过期就删。熵增 = 东西越堆越乱的自然趋势；给记忆设上限就是主动对抗它。

1怪事：电脑越来越多，效率却没提上去

1980 年代芯片、电脑一波波涌现，公司也花大价钱买，可统计出来的效率增长却慢得让人失望。经济学家本来习惯把「效率提升」当成「技术进步」的标志，如今技术明明在飞奔，这个数字却几乎不动——这就是索洛悖论。

「我们到处都看得见计算机，唯独在生产率统计里看不见。」—— 索洛

大卫的态度是：别急着下「技术没用」的结论。把时间尺度拉长，对照一百年前「电」是怎么普及的，你会发现今天这点「怪」一点都不新鲜。

更深一层：效率其实会「先降后升」（J 曲线）

为什么短期看不到？因为采用一项大技术的头几年是在交学费：旧设备还没拆、新设备又买了（双份成本）、人在学新流程（效率暂时更低）、还要重排组织。产出要等这些都磨合完才上来。所以曲线长这样：

效率
 │                               ╭──────  ← 红利期（回报集中爆发）
 │                          ╭────╯
 │  ──╮                ╭────╯
 │    ╰──╮        ╭────╯
 │       ╰────────╯  ← 谷底：双份成本+学习+重排，数字反而难看
 └─────────────────────────────────────▶ 时间
     采用                重新设计              见效
关键：谷底不是「技术失败」，是「还没熬到重新设计完成」。在谷底放弃 = 永远拿不到右边那段。

2最关键一步：光通上电没用，得为电「重新设计工厂」

电力对工厂的改造，是个被一再拖延、绝不会自动发生的过程。第一座发电站 1881 年开业，可工厂电气化要到 1920 年代才成熟拉动效率——整整晚了四十年。为什么？因为老板有本现实账：为蒸汽/水力造的老厂房还好用，凭什么花大钱全拆重建？于是出现两种做法：

❌ 群组驱动（偷懒的旧办法）

     一台大电机
          │
 ══════╪══════  ← 头顶主轴
  │   │   │   │    ← 皮带
 [机][机][机][机]  ← 机器只能
                    围着轴排
  • 只把带动主轴的蒸汽机换成电机，布局流程全没动
  • 旧主轴、皮带、甚至旧蒸汽机都还留着
  • = 既添新设备、又养旧设备，成本不降反升
  • 产出没相应增加 → 效率「看着没涨」
    👉 这就是统计数字迟迟不动的原因

✅ 单元驱动（真正的革命）

 [机]🔌 [机]🔌 [机]🔌
   每台自带小电机
        ↓
 物料 ▸▸▸ 按流程自由排 ▸▸▸ 成品
 (没主轴/皮带，想怎么摆怎么摆)
  • 每台机器配自己的电机，拆掉头顶主轴和皮带
  • 厂房能盖更轻、改单层平房；机器按生产流程排，物料顺一条线流
  • 单台检修不必全厂停工；电机调速 → 质量更稳
  • 没了满天飞的皮带 → 车间更亮更安全

核心洞察：工厂的效率提升，不只是因为有了电，而是因为工厂被重新设计了。而且——单元驱动的好处工程师早就「想明白」了，但「想明白」和「全行业做到」是两回事：要落实到千千万万座新厂，得先培养一大批懂新打法的厂房设计师和电气工程师。这种本领高度分散、靠一座座厂慢慢攒，自然就慢。这就是四十年延迟的真正来源（＝互补性发明的代价）。

3两条时间线对照：你会发现我们和当年站在同一位置

1900 年的人离爱迪生发明电灯（1879）、离第一座发电站（1881），差不多就等于 1990 年的我们离第一批存储芯片和微处理器（1969/1970）一样远。看电的人和看电脑的人，站在各自技术曲线上几乎同一个点。

电（发电机）电脑对应阶段
1879 电灯 / 1881 发电站1969/1970 存储芯片 / 微处理器技术诞生
1899：全美仅 3% 家庭有电灯1980s：电脑铺开但渗透仍浅早期，普及率极低
1914 电价大降才真有劲头互联网/云/AI 把成本压下来成本拐点
1920s：回报集中爆发（装电机越多的行业效率涨越快，约一半增长光这一项就能解释）?（也许正在发生 / 还在路上）红利期

4还有一半原因：好处没被算进统计

除了铺得慢，还有个原因藏在「统计」本身：一项新技术刚出现时，很多好处压根没被当时的账本记下来（＝无形收益）。发电机当年也是如此：

被漏掉的好处具体是什么
灯更好了电灯比煤气灯更亮、更省心、更不易失火——可这些很难变成账本上的「产出」
多了新服务电车、地铁让出行更快、能住更舒服的郊区通勤——几乎没被统计进去
机器更稳了能调速的电机不打滑，做出来的东西质量更稳定，成本却没怎么增加
车间更好了天窗采光 + 拆掉乱飞的皮带 → 更亮、更干净、更安全

深一层：今天的国民经济统计（GDP/生产率）天生擅长数「有价格的实物」、不擅长数「质量/多样性/省下的时间/免费的东西」。而 AI 创造的价值恰恰大量落在后者——所以「数字没体现」很可能只是「没量到」，不是「没发生」。

5但电脑 ≠ 发电机：三点关键不同（别照搬类比）

维度电信息 / 电脑含义
上手难度拉根线、装个灯泡把界面做顺手、让人真用好，难太多电脑的「互补性发明」更重
东西本身性质单一、能计量、用不到就丢很难加总、复制几乎不花钱、又很难丢弃 → 越堆越多、信息过载价值更难量、也更容易被淹没
更新动力厂房会老化，逼你重建系统能将就着一直用、不会自己淘汰 → 惯性极强、难推倒重来组织更容易「躺在旧系统上不动」

大卫强调：这些不同反而印证了同一个道理——任何新技术都得先迈过一道坎（让普通人真用上、并用出效果），统计数字才看得见它的好处。

6对你（和 Akke）的启发

① 你其实已经在做「单元驱动」——这篇是给你的正向背书
Akke 最关键的一个选择：5 个运营不走 Dashboard（旧后台）、直接用 Claude Code 查库 + 本机发私信，这恰恰就是论文说的「为新技术重新设计流程」，而不是「在旧后台上贴个 AI 按钮」。云电脑自驱、cron 定时派单、监控池实时化，全是在拆「中央传动轴」。方向比大多数「给每人发个 AI 工具就说转型完成」的公司，深一层。
② 「看着对、其实没生效」是这周末反复踩的坑——文章给了它更深的名字
这周末你根治的：窗口开着≠进程活、部署绿≠效果到位、动作做了≠库里有记录、发送成功≠真送达、捞 0 七天其实是程序没开。论文层面这都是同一件事：表面采用 ≠ 真正生效。当年工厂「通上电了」但没重排，跟「部署了但没核终态」是一个病。你把判活标准从「看窗口」改成「看数据库心跳」，本质就是在对抗这个幻觉——值得当铁律守住。
③ route-B 的「捞 0 空窗」就是你的 J 曲线谷底
第 1 节那条 J 曲线，对 Akke 不是抽象比喻：route-B 经历过「7 天捞 0」「数据全 NULL」「号被软封停发 2 天」。这些正是谷底——双份成本（新旧通道并行）、学习成本（一个个坑踩通）、组织重排（运营改用新流程）。当时若因为「数字难看」下了「这套没用」的结论，就永远拿不到右边那段红利。论文给你的纪律：短期没见效 ≠ 没用；但好处不会自己掉下来，得主动改流程去拿——耐心攒数据 + 持续堵闭环，两件都不能少。
④ 「看不见的好处」——给你的指标焦虑松绑一点
你花很大力气把一切做成可量化（时效看板、技术账单、漏斗五跳），很好。但论文提醒：质量、体验、回复变快这些价值常落在统计之外。两层建议：a) 一个数字短期不动，先别慌，问问真红利是不是落在没被测的地方；b) 你做的「漏斗五跳口径」「每个数说人话」恰恰是在把隐形好处显形——这件事比它看起来更值钱。
⑤ 信息系统的「惯性陷阱」——你已经在主动对抗
第 5 节那条：厂房会老化逼你重建，但信息系统能将就着一直用、不会自己淘汰，惯性极强；信息还越堆越多造成过载。对照你：交接文档 / 记忆 / 看板在飞快增长。你给 MEMORY.md 设的大小上限 + 过期就删纪律，正是在对抗这种「信息只进不出」的熵增——继续守住，别让知识库变成下一根「舍不得拆的旧主轴」。

给你一个可直接用的自检：我的组织是「群组驱动」还是「单元驱动」？

逐条对一下，左边越多 = 越在「群组驱动」（AI 接旧组织），右边越多 = 越「单元驱动」

❌ AI 只是塞进原有岗位，流程没变
✅ 为 AI 重新设计了岗位/流程
❌ 还留着一套旧审批/旧后台「以防万一」
✅ 旧通道该砍就砍，不双份养
❌ 交接/沟通/传话环节没减少
✅ 中间传话、审批、交接明显变短
❌ 用「部署了/上了 AI」当成果
✅ 用「下游产出指标」验成果
❌ 数字没动就怀疑技术没用
✅ 分得清「J 曲线谷底」和「真没用」

收尾一句：这篇文章本质在说——真正的杠杆不在「用了 AI」，而在「敢为 AI 重新设计流程、并熬过那段数字不动的空窗期」。 你在 Akke 干的恰好是这件难而对的事；这周末根治的一堆「看着对其实没生效」，就是在为那个延迟兑现的红利清障。

基于《The Dynamo and the Computer》(Paul A. David, 1990) 整理 · 术语为大白话加注、J 曲线/互补性发明等为延伸补充 · 启发部分结合 Akke 当前实践 · 2026-06-28