读《全球科技通史》：用能量与信息主线洞察技术趋势

1. 科技史的正确打开方式：为什么要读一本“通史”

做技术这行，时间久了都会遇到一种尴尬：手里的工具越来越新，但视野反而越来越窄。今天追大模型，明天追边缘计算，后天又出来个新框架，每个都学一点，每个都浅尝辄止，最后陷入一种“技术焦虑”的循环。我身边不少朋友都有这个困惑，包括我自己也曾经历过一段“只盯着眼前一亩三分地”的时期，直到我认真读完吴军的《全球科技通史》，才对“技术趋势”这件事有了完全不同的理解。

这本书不是一本简单的编年体科技史，它的核心价值在于提供了一个“上帝视角”——把人类上万年的科技演进放在能量和信息两条主线上重新梳理。你就能看懂一个最基本的问题：技术是怎么从“偶然的发明”变成“必然的趋势”的，以及我们此刻正在经历的AI浪潮、新能源变革，在历史长河中到底处于什么位置。

如果你是个技术从业者、产品经理、创业者，或者只是对“未来会怎样”充满好奇的普通读者，这本书都值得精读。它不是那种读完就忘的科普读物，而是一套可以反复套用的思维框架。这篇文章我整理了全书的主要内容和核心观点，并且结合我自己这几年的行业观察，聊聊怎么把这套历史思维用到实际的趋势判断里。全文没有任何“剧透式”的结论，更多的是一套方法论，希望能给你一些启发。

2. 全书的骨架：能量和信息，两条贯穿万年的主线

《全球科技通史》最让我佩服的地方，是把纷繁复杂的科技史压缩成两条极其清晰的主线。吴军没有按照通常的“古代—近代—现代”来划分章节，而是用“能量”和“信息”这两个维度，把所有关键节点重新串联起来。理解了这个纲，后面所有的细节就都挂得住了。

2.1 能量：人类文明的底层动力

人类的一切活动，本质上都是在做能量的转换。吃饭是摄取化学能，烧柴是释放热能，发电是把机械能变成电能。吴军在书里提出一个很扎心的观点：人类文明的进步，就是能量获取和利用效率的不断跃迁。

第一次大跃迁是火的利用。这个不用多说，熟食让人类大脑获得了更多营养，为智力发展奠定了基础。第二次是农业革命，本质上是对太阳能更高效的利用——通过驯化作物，单位土地面积转化的能量远超采集狩猎。第三次是蒸汽机和化石能源，人类不再只依赖“当年”的太阳能（植物），而是开始消耗“远古”的太阳能（煤炭、石油），能量密度有了几个数量级的提升。第四次就是我们正在经历的能源革命：核能、光伏、风电，本质上还是在寻找更清洁、更高效的能量来源。

读完这部分，你会理解一个判断趋势的重要原则：凡是能显著提升能量获取或利用效率的技术，最终都会成为基础设施级的趋势，只是时间早晚的问题。光伏为什么能从“骗补”变成“主流”？不是政策变了，而是光电转换效率曲线终于爬过了经济性拐点。能量这条主线，能帮你过滤掉大量噪音。

2.2 信息：人类协作的编码系统

如果说能量是文明的燃料，信息就是文明的神经网络。吴军对信息这条主线的梳理特别精彩，从语言、文字、造纸术、印刷术，到电报、电话、无线电、互联网，再到今天的AI，说到底都是在做同一件事：更低成本、更高带宽地传递信息。

就拿文字来说，它的出现让人可以把经验“存储”在体外，不再依赖人脑记忆。印刷术则让信息可以被低成本“复制”，知识从此不再是少数人的特权。电报和电话是第一次把信息传递的速度从“物理速度”提升到“光速”，彻底改变了商业和战争的组织形态。而互联网相当于把全球的电脑连成一张网，信息的分发成本趋近于零。

到了当下，AI大模型本质上又往前走了一步：它不只是传递信息，而是能“生成”信息。你可以把AI理解为一种“信息转换器”，输入一段需求，输出一套方案。按照书里的框架，这依然是信息这条主线上的延续——信息的生产成本正在从“人力创作”向“算力生成”迁移。这个视角，比单纯讨论“AI会不会取代工作”要深刻得多。

2.3 两条主线的交汇：科技革命的发生机制

能量和信息不是平行的，它们在历史上有好几次关键的交汇，每一次交汇都引爆了颠覆性的革命。

最典型的例子是工业革命。蒸汽机需要燃烧煤炭获得能量，但要让蒸汽机的效率持续提升，就需要精确控制温度、压力和转速——这靠什么？靠测量和信息反馈。瓦特改良蒸汽机时加入的离心调速器，本质上就是一个简单的信息闭环系统。能量技术提出了需求，信息技术给出了解决方案，两者叠加，才成就了工业文明。

再比如大航海时代，远洋航行需要更精确的计时（经度测量），这推动了精密钟表制造。而精密机械加工能力，后来又反哺了蒸汽机的气缸制造。这就是一个典型的“能量-信息”正反馈循环：能量需求催生信息工具，信息工具再反哺能量系统。

读完这本书再回头看现在的AI热潮，你会发现类似的逻辑正在重演。新能源车需要海量的路况数据、电池状态数据做优化，AI提供了处理这些数据的能力；而AI的训练和推理又消耗巨量电力，反过来催生更高效的能源技术。两条主线互相咬合着往前走，这就是大趋势的本质特征——它不是一个孤立的点，而是一个系统性的闭环。

3. 几个颠覆认知的核心观点，值得反复琢磨

《全球科技通史》里有好几个观点，我在读的时候明显感觉到“头脑一震”。这些观点不是说教，而是基于大量历史事实的提炼，对做行业判断尤其有用。

3.1 技术发展是“叠加式”的，不是“替代式”的

大多数人对技术演进的直觉是“新的替代旧的”：汽车替代马车，电灯替代油灯，智能手机替代功能机。但吴军在书里反复强调，真实的历史更多是“叠加”——新技术不是完全消灭旧技术，而是把旧技术纳入自己的体系里，重新排列组合。

举个例子，有了汽车，马车并没有完全消失，而是变成了马术运动、景区交通工具这类细分场景。有了电商，线下零售没有消失，而是转型成体验式业态。更典型的是，有了电子支付，现金并没有彻底消失，只是在社会中的角色变了。每一次技术革命，本质上都像一次“操作系统升级”：旧应用（旧产业）不会被删除，而是被新的运行时（新技术底座）重新兼容和翻译。

这个观点用在趋势判断上，能有效避免“非黑即白”的误判。很多人看到AI能写文案了，就说“文案行业完了”；看到AI会画图了，就说“设计师要失业了”。但按照“叠加式”的逻辑，更可能出现的情况是：文案和设计师的工作内容被重构，而不是整个职业消失。懂AI工具的人会变得更强，不会用的人才会被淘汰。这个判断，我自己的行业观察也反复验证过。

3.2 科技与商业的节奏：为什么“早一步是先烈，早半步是先锋”

书里有一个非常务实的分析框架：一项技术从实验室走向市场，必然要经历“技术成熟度”和“成本可及性”的双重考验。很多技术不是不够“前沿”，而是死在了“太超前”上。

吴军用晶体管、激光、互联网这些技术的早期历史做了解析。晶体管发明于1947年，但真正大规模商用是十几年之后；激光发明于1960年，早期到处找应用场景，直到CD光盘和光纤通信出现才迎来爆发。这些技术的共性特点是：基础原理早就验证了，但受限于材料、加工、成本等因素，商业化之路漫长而曲折。

书里对创新扩散规律的描述，和经典的“Gartner技术成熟度曲线”有异曲同工之妙：一个技术出来，先是被过度炒作，然后跌入低谷期，最后在稳定期找到真实落地场景。问题在于，你在哪个阶段入局？太早，容易变成“教育市场”的牺牲品；太晚，市场格局已定，机会窗口关闭。真正的高手是“半步逻辑”：在技术曲线即将爬出低谷、但绝大多数人还没意识到的时候进入。

我见过不少团队做AI产品，2021年就冲进去了，当时技术不成熟、成本高、用户没需求，烧了两年钱默默退场。同样的方向，2023年初再入场，借着大模型的东风，反而活得很好。同一个技术方向，入场时点不同，结局天差地别。书里这段内容，值得每个想追热点的人先读三遍。

3.3 文明的高度取决于“可重复性”和“可累积性”

吴军在书里提出一个耐人寻味的对比：为什么中国古代有很多举世瞩目的技术发明，但没能孕育出近代科学体系？他的答案是“可重复性和可累积性”的缺失。

举个例子，中国古代工匠能造出精美的青铜器、青花瓷，但这些技艺很大程度上依赖师徒传承的“手感”，缺乏一套标准化的度量体系、记录语言和验证方法。一个顶级工匠去世了，他的绝活可能就随之失传。而西方从伽利略开始，强调实验的“可重复性”——任何人按照相同的步骤，都应该得到相同的结果。只有可重复，才能被验证；只有可累积，才能在前人基础上迭代。科学的本质，不是某个天才的灵光一闪，而是一套能让个体智慧“涌现”为群体智慧的制度化方法。

用现代行业的话说，这就是“提炼方法论”和“建设基础设施”的价值。一个团队靠某个大牛撑着，风险极高；但如果把流程标准化、工具化、文档化，知识的复利效应就产生了。做技术管理的朋友应该深有体会：项目里最值钱的不是某段代码，而是让新成员能快速上手的能力。这套逻辑，放到公司管理、社会组织层面也同样成立。

3.4 科技史不是“伟人史”，而是“合力史”

很多科普读物喜欢讲“英雄故事”：牛顿因为一个苹果发现万有引力，爱迪生因为灵感发明电灯。但书里明确指出，这是对历史的简化甚至误读。每一项重大技术突破，几乎都是多个科学家/工程师在相近时间点各自独立完成的。

微积分的发明，牛顿和莱布尼茨之争；进化论，达尔文和华莱士几乎是同时提出；电话的专利，贝尔和格雷的申请只差了几个小时；半导体的物理基础，好几支团队在不同国家同步推进。这说明什么？技术的突破是“时代的合力”，不是个别天才的孤勇。当基础理论、实验条件、产业需求都准备好了，那个“临门一脚”的人总会出现的。

这个观点对投资人特别有启发：判断一个技术趋势能不能成，与其纠结“哪个团队最厉害”，不如去分析“时代条件是否已经具备”。需求是否真实存在？供应链是否成熟？人才是否充裕？成本是否可接受？如果这些条件都具备，就算这个团队做不成，也会有别的团队做成——趋势是必然的，赢家是偶然的。

4. 把历史规律用起来：从“读书”到“判断趋势”的方法论

前面的内容如果只是“知识”，那下面这些就是我多年来结合书的框架、在实际行业观察中摸索出的一些“动作”。这也是我认为这本书最有价值的地方：它不只是一本历史书，更是一套“趋势判断”的操作手册。

4.1 识别“能量-信息”交汇点，找到下一波红利

我的实操方法是这样的：遇到任何一个新技术概念，先问两个问题——它是否显著提升了能量效率？它是否显著降低了信息成本？如果两个答案都是否，多半是伪风口；如果至少一个是肯定的，就值得跟踪。

拿大模型举例。它的训练和推理过程需要海量算力，消耗巨量电力，这是“能量”成本；但它生成文本、代码、图片的效率，相比人类创作者有数量级的提升，这是“信息”成本的大幅下降。一个技术同时踩中了两条主线的关键节点，它的势能必然是巨大的，剩下的只是时间问题。

再来看一个反例。前几年火热的各种“元宇宙”项目，说要构建虚拟世界，它能降低信息成本吗？部分可以（比如远程会议的场景），但它的能量效率几乎没有提升，消费的还是更大规模的渲染算力。所以我当时就对这类项目持谨慎态度——不是说方向不对，而是“能量-信息”的杠杆不够大，很难成为基建级趋势。果然，潮水退去，裸泳者浮出水面。

4.2 周期定位法：一项技术现在处于曲线的哪个位置？

我给自己设计了一个简单的判断矩阵，分为四种状态：

这套框架不是我发明的，本质上是结合了书里对多个技术演进历史的概括。你只要读一遍蒸汽机、电力、汽车、半导体的历史，就能发现它们都走过类似的阶段。历史不会简单重复，但周期的韵律感是惊人的相似。

我自己的经验是：最能创造超额回报的窗口期，恰恰是“低谷期”转向“成熟期”的过渡段。这个时候大多数人都已经失望离场，但坚持下来的人会发现技术成本在快速下降、应用场景在慢慢涌现。我入局AI领域时就是这个状态，身边人觉得“机会不大”，但我看到的是“基础设施成本即将被打下来”——后来确实如此。

4.3 避开“能力陷阱”：一项技术不是越先进越好，而是越“合身”越好

书里关于“可累积性”的论述，让我反思了一个常见的错误：很多人（包括我自己早期）喜欢追“最新技术”，不自觉地认为“越新越好”“越难越好”。但历史经验恰恰相反，占据主流地位的往往不是最先进的技术，而是与现有体系兼容性最好的技术。

QWERTY键盘不是最高效的键盘布局，但它是“习惯了”的布局；胶片在数字摄影出现后还存续了十几年，因为产业链太庞大了；ARM芯片在性能上不如同代X86桌面芯片，但它功耗低，完美适配移动设备的“能量约束”。一项技术能不能普及，取决于它嵌入现有系统的“适配成本”。适配成本低，推广快；适配成本高，再先进也得熬时间。

这个思维对做技术方案选型很有帮助。给企业推荐方案时，我会优先考虑客户团队能驾驭的技术栈，而不是技术栈本身最“炫酷”的那个。再好的技术，如果团队学习成本过高、维护困难，最后大概率烂尾。真正的趋势不是“最优秀技术胜出”，而是“总成本最低的技术胜出”。这个“总成本”，包括学习成本、迁移成本、维护成本和风险成本。

4.4 用“叠加视角”做产品设计，而不是“替代视角”

前文提到“叠加式”演进是关键，这个视角落到产品设计层面特别有意思。

拿内容创作领域来说，AI生成技术出现后，很多团队的第一反应是“我们要做一个替代作者的方案”。这个思路大概率失败，因为人类创作者的价值不只是“产出速度”，还有个人风格、情感共鸣、品牌信任度这些维度。更好的思路是“叠加式重构”：用AI做初稿、做素材收集、做多语言翻译，人类做最终决策和风格打磨。这样既提升了效率，又保留了人类不可替代的价值。

我在自己的项目中反复应用过这个原则。比如做一个行业分析报告，过去要花三天收集数据、整理资料。现在我先用AI做信息聚类和初稿生成，然后集中精力做深度分析和趋势判断——AI帮我解决了“信息成本”问题，我把精力聚焦在需要“人类判断力”的地方。产出质量提升了一个量级，而交付周期缩短到过去的三分之一。这不是“替代人”，而是“人加机器”，协同效应远超单干。

5. 几个容易踩的坑：读科技史要避免的误区

读书和应用之间，往往隔着一层“认知陷阱”。我在多次复读和实践这本书的框架之后，总结了几个特别容易踩的坑，写出来提醒大家。

5.1 把“相关性”当“因果性”

科技史最大的阅读误区，是把两个同时发生的事件强行建立因果关系。书里写得很清楚：很多看似“先后的技术”，其实只是“同步出现”的伴生现象，背后是同一个时代土壤。

比如说“智能手机催生了移动互联网”，这个表述有一定道理，但不完全准确。智能手机的普及和移动互联网的爆发，底层都是“芯片成本下降+无线通信带宽提升”这两个共同因素。没有智能手机，移动互联网也会以别的形态出现（比如平板、可穿戴设备）。理解了这层“深层原因”，你就能在技术判断上更加从容：某个现象一时表现差，不代表趋势反转，可能只是技术迭代的节奏问题。

实操建议：看到一个技术火了，别急着找“直接因果”，先往上追溯两三层：是硬件成本降了吗？是算法突破了吗？是政策倾斜了吗？还是用户习惯被什么催化了？找到真正驱动趋势的那个底层变量，你才能判断这个趋势的健康度和持久度。

5.2 用今天的“行业分类”框定历史的“技术边界”

另一个常见误区：把古代的技术按现代的行业分类来理解。比如，古人不会觉得“印刷术”属于“传媒行业”，也不会觉得“马镫”属于“军事装备产业”。技术原本是通用的能力，只是随着分工细化，才被贴上了行业标签。

有一句话特别有启发：任何一项基础技术的诞生，其影响从来不会局限在一个行业内部，它会横向渗透到所有领域。蒸汽机不只为纺织业服务，它重塑了矿业、交通、冶金；电力不只为照明服务，它催生了电动机械、通信、家电；AI不会只为内容创作服务，它在医疗、金融、制造、教育、法律各个领域都会重新“洗牌”。

所以做趋势判断的时候，别把自己锁在“本行业”里。我经常建议朋友阅读科技新闻时，至少多扫几个“无关领域”——生物科技的进展可能对医疗行业产生深远影响，但AI、材料科学的新突破，同样会对医疗行业产生颠覆性影响。跨界信息带来的“边缘突破”，往往比行业内部的“内卷式创新”更具爆发力，也更难被行业从业者察觉。

5.3 把“技术潜力”等同于“技术普及”

还有一个很常见的认知偏差：觉得一项技术如果潜力巨大，它就一定很快普及。但历史上大量案例表明，“技术潜力”和“技术普及”之间，隔着大量的制度成本、文化成本和组织成本。

书里有一个特别尖锐的例子：电报技术发明后，为什么花了二三十年才真正大规模商用？不是因为技术上做不到，而是因为当时的商业模式、法律框架、社会习惯都还没有准备好。线缆到底归谁管？信息费怎么收？跨区域的信息保密问题怎么解决？这些都是“非技术问题”，但它们直接决定了技术落地的速度。

放到当前：我经常听到“AI效率这么高，为什么很多企业还是不用？”这个问题。答案就在上述框架里——技术潜力是够的，但企业的流程改造、人才培训、风险合规都还没跟上。AI是趋势，但它的普及速率会慢于最乐观者的预期，也会快于最悲观者的想象。做趋势判断时，要给“非技术要素”留出足够的时间。

5.4 低估“已有系统”的惯性

最后一点，是我自己吃过亏的地方：容易低估旧系统的惯性。按照“叠加式演进”的理论，新技术不是“一键替换”旧系统，而是要“嵌入”旧系统慢慢改造。但旧系统有巨大的沉没成本、习惯黏性和既得利益结构，改造的速度往往比预想中慢得多。

举个例子，我做一个数字化转型项目时，最初觉得只要引入一套新的云原生架构、把旧流程自动化，团队效率就能立刻提升。结果发现，最大的阻力不在技术，而在团队的既有工作习惯、跨部门协同流程、管理层的考核指标——这些都是“旧系统”的一部分。后来我调整了策略，不搞“一夜革命”，改做“渐进式渗透”：先把耗时但机械的环节自动化，让团队尝到甜头；再逐步推进更深的流程重构。项目最终成功了，但时间比最初的预期多了一倍。

趋势的判断也同理：想象一下技术成熟的时间点，再人为叠加一倍的时间，可能才是现实中大规模普及的时间点。这不是悲观，而是对复杂系统的基本敬畏。

6. 读完全书，我沉淀下来的一句话方法论

如果把《全球科技通史》浓缩成一句话，我会说：技术不是孤立的灵感，而是能量与信息结构演化的必然结果；趋势不是靠预测，而是靠识别“底层变量的时机”。

我个人的体会是，读完这本书之后，我不再那么焦虑于“某个新技术会不会颠覆我”，因为历史反复证明，新技术通常是“赋能”而不是“灭绝”。同时，我也不再轻易相信“新概念火了谁不追谁就要被杀”，因为大部分火热的概念都处于周期的泡沫期，真正值得下重注的，反而是那些已经度过低谷、开始走出“隐蔽的上升曲线”的技术。

如果你也想建立起这种“历史纵深”的行业视野，我的建议是：把《全球科技通史》放在手边，不必从头到尾赶进度，而是当作工具书。遇到某个新概念、新技术的时候，翻一下历史上类似的技术是怎么走的，你就能多一分从容和清醒。

书里还有一个细节让我印象很深：吴军提到，人类文明的“加速度”正在变快——从旧石器到农业革命花了几万年，从农业到工业花了上千年，从工业到信息花了百年，而信息革命之后的每一项关键突破，间隔都在缩短。我们的时代节奏正在加快，但这恰恰意味着，那些能看懂历史的人，会在加速的变化中获得更大的时间红利。

至于把这本书读完以后怎么用，我觉得没有什么标准答案。我自己的习惯是，每隔半年翻一遍，每次都有新收获——因为行业的厚度在增长，你回望历史的时候，角度和深度也在变化。

最后分享一个真正实操层面的小技巧：在你的团队里发起一个“科技史读书会”，不用多人，三五个就可以，一个月选一个历史节点（比如“印刷术的全球传播”“晶体管的关键竞争”“芯片制造的第一台光刻机诞生记”），讨论它对今天行业格局的投射。我们团队做过几期之后，最大的变化不是“知识量增加”，而是大家在讨论技术方案时，会不自觉地带上“历史坐标感”——这个技术现在处于什么阶段？我们能做什么？我们该等到什么时候再动手？这比任何培训都管用。