杰文斯悖论推理法

这是什么

杰文斯悖论推理法，说穿了就是一套"在 AI 时代怎么找对机会、又怎么验证你的产品会不会被淹死"的方法。大多数人找 AI 机会的姿势是"正向"的——问"AI 能做什么？"然后照着去找场景。这个姿势的致命毛病是：所有机会最后都指向模型本身，而模型会越来越强、越来越通用，于是你找到的机会迟早被更好的模型一脚抹平。

这套方法反着来，它问一个完全不同的问题：当智能变得越便宜、越普及，什么需求会被激发得越多？ 它建立在一个反直觉的洞察上——效率提升不会减少需求，反而会激发出过去根本无力开展的海量新需求（这就是"杰文斯悖论"）。方法分两层：先用杰文斯悖论选方向（哪些领域的需求会随智能丰裕而爆发），再用一个"船 vs 木桩"的比喻验产品（你做的这个具体东西，会随模型变强而膨胀成"船"，还是被模型能力的水位淹没成"木桩"）。

来历与出处

这套方法由邱懿武提出（收录在 InnoLab 方法库认知引擎，编号 CG19，原创方法），来源是邱懿武的两篇文章——《从杰文斯悖论看 AI 时代的六大结构性机遇》和《你做的 AI 产品，是木桩还是船？》（略懂 AI，2026）。

它借用的"杰文斯悖论"本身是个真实的经济学典故：19 世纪经济学家威廉·杰文斯发现，蒸汽机让煤的使用效率大幅提升后，人们对煤的总需求不降反升——因为效率一高，人们发现了上千种过去"用不起煤"的事，现在都能干了。邱懿武把这个百年前的洞察，搬到了 AI 时代：AI 不会降低人类对智能服务的需求，它只会揭示——在人类文明进程中，绝大多数人从未获得过足够的智能服务。 他的核心信念非常锋利："结论是被动的——你不决定机会在哪，是被压抑的需求决定机会在哪。套壳不是问题，套在木桩上才是问题；套在船上，就是战略。"

解决什么真实问题

最典型的场景是：你想做个 AI 产品，或者你已经做了一个还挺赚钱的 AI 产品，但你心里没底——下一轮模型升级后，它还有存在的必要吗？你看着 OpenAI、各家大模型每隔几个月就把能力翻一倍，你不知道自己辛辛苦苦搭的东西，到底是会被这股浪潮托起来，还是被它淹没。

几类人特别需要它。一是要判断一个 AI 赛道值不值得投入的人（选战场）。二是要评估一个具体 AI 产品形态能不能活过下一轮模型升级的人（验形态——船还是木桩）。三是团队在争论"我们的护城河是不是模型本身"时，用它来定位真正的壁垒到底在模型层之内还是之外。

它要破除三个常见的错误思维：正向思维陷阱（问"AI 能做什么"，结果机会全指向模型层，最终被更好的模型抹平）、替代焦虑（以为 AI 变强=某些工作消失=需求减少，忽略了杰文斯悖论里"效率提升反而激发更多需求"）、技术驱动幻觉（把机会锚定在"我有 AI 能力"上，而不是锚定在"因智能稀缺而被压抑的需求"上）。

核心思想

这套方法有两个核心比喻，缺一不可。

第一个是"结论是被动的"。 意思是：你不要主动想"我能做什么"，而要被动地问"什么东西因为太贵、太少、太稀缺，而被长期压抑了？"——然后等成本降到临界点，那个被压抑的需求就会自然爆发。你的工作不是创造需求，而是识别压抑，然后在临界点到来时刚好站在那里。历史一遍遍验证了这一点：电力革命最大的机会不是"更快的马"，而是因电力丰裕第一次能做的事（工厂解绑、郊区化、整个现代经济）；互联网革命最大的机会不是"更快的报纸"，而是信息免费后才可能的电商、搜索、社交。每一次革命，最大的机会都不是"用新资源做旧事"，而是"因新资源的丰裕，第一次具备实现可能的事"。

第二个是"船 vs 木桩"。 这是用来验具体产品的。想象一条河，水位（模型能力）每三个月就涨一次。如果你的产品是打进河里的一根木桩——它的价值来自"填补当前模型的某个能力缺口"——那么水位一旦漫过桩顶，木桩就被淹没了。注意，不是木桩变差了，是水位涨上来了。但如果你的产品是一条船——它的价值来自"模型之上积累的独特资产"（锁定的用户、沉淀的场景数据、搭起的生态）——那么水位越涨，船浮得越高，模型越强，你的资产杠杆越大。

邱懿武用这个比喻讲透了一句被滥用的话："套壳"：套壳不是问题，套在木桩上才是问题；套在船上，就是战略。 淘宝是物流支付基础设施上的壳、微信是通信基础设施上的壳——没人骂它们套壳，因为壳内沉淀了无法被带走的用户、数据、网络效应。

把两层合起来，就是一个四步推理：① 压抑扫描（什么需求因智能稀缺被长期压抑）→ ② 杰文斯检验（AI 越强，这需求是变大还是变小）→ ③ 船 vs 木桩（你的产品价值随模型变强是增加还是缩减）→ ④ 壁垒定位（你的独特资产在模型层之外的哪里）。四关全过，就是 S 级的结构性机会。

完整案例

走一遍（示例）：评估"AI 教育辅导"这个机会。

Step 1 压抑扫描：一对一高质量教育辅导，长期只有富人负担得起（私教时薪 50–200 美元），全球数十亿学生从未获得过个性化辅导。压抑陈述——"个性化教育辅导被压缩到只有顶层 5% 的学生能获得。"

Step 2 杰文斯检验：做个思想实验——假设 AI 辅导能力提升 10 倍，需求是变大还是变小？答案是变大——更多学生会发现"原来我可以这样学"，需求爆发。✅ 通过。

Step 3 船 vs 木桩：这是最关键的一步。同样做"AI 教育辅导"，可以是木桩，也可以是船——

• ❌ 木桩型："帮学生解答题目"。这个价值来自填补模型缺口，模型一变强直接就能做，不需要你这个专用工具。
• ✅ 船型："沉淀了学生的学习路径数据、知识薄弱点图谱、个性化学习风格"。这个价值来自模型之上的独特资产积累，模型越强，这些数据资产的杠杆越大。

Step 4 壁垒定位：壁垒落在交付架构 + 数据积累（学习行为数据 → 个性化路径 → 飞轮）+ 文化深度。这些都在模型层之外，更好的模型抹不平。✅

结论：S 级机会。但必须做成"船"——价值要落在数据积累和个性化路径上，不能落在"AI 辅导"这个动作本身上。

这个案例最值得品的地方是：方向（AI 教育辅导）是对的，但同一个方向，做成木桩就是死路，做成船才是战略。这正是这套方法的精髓——选对战场（杰文斯）还不够，还得选对形态（船 vs 木桩）。 方向对、形态错，照样沉。

常见误解与边界

第一个陷阱，是把"模型层能力"当成壁垒。"我们有独家的 AI 模型，所以有壁垒"——错。模型层终将商品化，独家模型的优势是暂时的。正确的追问是："当所有人都有同样强的模型时，你的壁垒在哪？"

第二个陷阱，是忽略"压抑量"的大小。发现一个"AI 能做得更好"的场景，就以为是机会——但不是所有被压抑的需求都有足够大的市场，有些需求被压抑，纯粹是因为它本来就小众。要量化："全球有多少人从未获得过这个服务？"

第三个陷阱，是混淆"杰文斯受益"和"杰文斯替代"。"AI 能做 X 了，所以 X 的需求会爆发"——要区分：是"X 的需求爆发"（受益，比如 AI 诊断越强、人们越愿意多咨询健康问题），还是"对 X 的需求转移到了别处甚至消失"（替代，比如 AI 提示词能力越强，用户越不需要学 Prompt 工程）？前者是船，后者是木桩。

最关键的一个陷阱（AI 时代核心提醒），是把"现在的木桩"误当"永久的船"。当下产品很赚钱，就认定它能长青——但在模型能力季度级跃升的时代，水位每三个月涨一次。可怕的不是做了木桩，而是做了木桩却误以为自己造的是船。 所以每轮模型升级后，都要重做一次"船 vs 木桩"检验，确认你的价值仍来自模型之上的独特资产，而不是正在被模型原生覆盖的缺口。木桩也能赚钱，但赚的是时间差的钱；船赚的是积累的钱。

一句话记住它

别问"AI 能做什么"，要问"什么需求因智能稀缺被压抑、会随智能变便宜而爆发"——套壳不是问题，套在木桩上才是问题，套在船上就是战略。