结论：八条判断、三种风险、最该盯的指标

我们确实处在奇点之中：2024 年初到 2026 年中，按 Epoch 趋势率推算的有效算力增长了 2.64 个 OOM（年化 1.20 OOM/年）；对照 Leopold 2024 年的预测区间，按其原文四年窗口口径约为中枢的 0.96 倍，按三年窗口口径约为 0.72 倍（两种口径并存的理由见 §3.1.1）；同一段时间里，METR 的 50% 时间跨度从约 18 分钟走到 14.5 小时以上，ARC-AGI 的尺子寿命从 6 年缩到 1.4 年再缩到 5 个月。趋势是真的。

5.1 方法论的结算

本书继承了 Leopold 的方法，但在两个地方修了他的账本——两处修正都使结论更保守，而不是更乐观。

第一处是刻度与诊断。他从未定义「1 个 OOM 等于多少智能」，用的是「学龄前→高中生→博士」的类比。本书用四把尺子（MMLU、METR、ARC-AGI、Chollet 效率比 η）建立跨基准的示意性换算（1 个 OOM 有效算力 ≈ 12–13 个 ECI 点 ≈ METR 时间跨度 ×4.1——该系数为示意性量级锚点，复现数据待补，见已知限制三），并给出饱和诊断：所谓「收益递减」，相当程度上是尺子饱和造成的错觉。MMLU 上每 OOM 的回报下降约 2 至 3 倍（§3.1.2 给出复算过程）；而在未饱和的 ECI 与 METR 上回报基本持平甚至微升。这一衰减是二到三倍量级，不是一个数量级。需要说明：ECI 的线性刻度是被规定而非被发现的（§3.1.2），这一换算的贡献在诊断与比较，不在为 AGI 落点提供独立的增量信息。

第二处是换参数。他的加法记账（物理算力 + 算法效率 + unhobbling）成立的前提有三条：数据已经存在、错误无代价、部署边际成本为零。物理 AI 三条全部不成立。所以本书在 Part 3 后半程换了一整套参数：把「9」（可靠性）设为主变量，把数据从「被发现的」改成「被制造的」，并引入 Wright's Law 处理成本曲线。

也因此，必须把本书的置信度说在前面。这套推理链是串联的：趋势外推 → 系数校准 → 刻度换算 → 阈值设定 → 时间落点。串联结构的整体置信度是各环之积——即使每环给 80%，五环相乘也只剩 33%（80% 为示意赋值，33% 是参数化演示而非测量；各环节误差相关，真实置信度只会更低）。真正耐用的不是本书给出的年份，而是账本本身；它可以每季度用公开数据更新一次，而年份会随之移动。ARC-AGI-1 的教训应当被反复引用：o3 那一跳把拟合的 R² 打到 0.71，范式转变会让任何外推瞬间失效——它可能让年份提前，也可能让年份推后。

5.2 八条判断

判断一（方向性观察，置信度：中高）：能力仍在快速提升——这一方向判断的置信度为「中高」；但本书不给出具体年份落点，理由有三：三条路径的内部拟合优度高（R² 0.96–0.99），但这衡量的是「三到六个点是否落在一条直线上」，不是外推可靠性；三条路径共用同一条横轴（1.20 OOM/年），不构成相互独立的验证；拟合的横轴零点与逐点数据未随文公开（见已知限制三），第三方无法复现。按 §3.1.7 的串联置信度分解，任何年份区间的整体置信度约 33%，低于可作为判断交付的门槛。保留的可验证内容是观测口径：必须区分 50% 与 80%。以 METR 官方目前最可靠的一代读数为例——Claude Opus 4.5 的 50% 时间跨度为 4 小时 49 分（95% CI 1 小时 49 分至 20 小时 25 分）——50% 口径只对应约 0.3 个九，而任何真实交付场景至少要 2–3 个九，因此要看 80% 那条线（指标①）。此处不采用 Opus 4.6 的 14.5 小时与 Mythos Preview 的 ≥16 小时：按 §3.1.2 ② 的裁定，这两点已被排除出本书的全部拟合与外推（前者与前代在统计上无法区分，后者是仪器触顶报告而非测量值）。50% 与 80% 的区分论证本身不依赖具体点值，故不受该排除影响。至于 ASI：§3.1.4 已声明本书不做 ASI 时间线预测——η_act=1000 的外推读数应读作「现有方法不足以支撑 ASI 时间线预测」的量化演示，而不是一条判断。 【绑定指标：① METR 80% 时间跨度；② ARC-AGI-3 RHAE（官方验证口径）。见前置记分卡。】

判断二（置信度：方向为高，幅度与时点为低）：算力的配方必须换，这是未来四年产业投资流向的第一性变化。按 Leopold 原配方走到 2030 年，单一训练集群需要约 133 GW、5.05 万亿美元 capex——133 GW 约等于美国平均发电功率的 27%，在当前融资结构与电网交付能力下经济上不可行（该论证依赖 Epoch 的 $38B/GW 单点估计；与 Leopold 自己的口径按每 GW 计相差约 3.8 倍（须按每 GW 计；直接拿两个总额相除是错的，两者 GW 分母不同）。幅度结论对 $38B/GW 这一单点参数高度敏感）。同样的 +4.08 OOM，把来源重新分配到算法效率与推理时算力之后，最大集群降到 14 GW、0.5 万亿。含义很直接：增量投资的主要流向不是更大的训练集群，而是推理基础设施——两者的互联要求、地理分布、折旧周期与供应商格局都不同。 【绑定指标：③ 训练／推理支出比；⑤ 交期与排队通电时长。见前置记分卡。】 另需并读 §5.2.1 的替代解释一：若 2026 年的资本开支主要由寡头先占（锁定已通电场地、CoWoS 产能、HBM 配额、燃机排期）驱动而非由需求预期驱动，本条的全部数字不变，但投资含义反转——赢家将是锁住要素的人，而不是把配方换对的人。

判断三（置信度：中高）：推理需求的翻转，把芯片层的机会从「英伟达一家」扩散成一条卡位链。按 Deloitte 口径，推理占 AI 算力的比重从 2023 年的三分之一、2025 年的一半，走到 2026 年的约三分之二。它之所以改变格局，是因为它换掉了采购判据本身：训练买的是「能不能上牌桌」，推理买的是「每美元每瓦能跑出多少 token」——而 CUDA 护城河对前者的保护力远强于后者。三条相互独立的支撑指向同一个方向：token 总消耗量在 2026 到 2030 年间将增长 24 倍，而 CoWoS 产能已被英伟达大比例锁定，通用 GPU 的物理供给上限低于推理需求的增长曲线；推理成本已从每百万 token 20 美元降至 0.07 美元，单位价格塌缩约 2.5 个数量级（近三百倍）之后，专用架构的经济性区间被打开；买方在主动构建替代品，云厂商自研 ASIC 2026 年预计增长 44.6%，远超 GPU 的 16.1%。资本也已经完成定价——英伟达以约 200 亿美元规模授权 Groq 的推理技术并接收其核心团队，Cerebras 上市首日盘中市值一度接近 800 亿，Etched 走出隐身时带着超过 10 亿美元在手订单。 【绑定指标：④ 推理市场非英伟达份额的年度变化。见前置记分卡。】

所以这一条的准确表述是稀释，不是崩塌。英伟达在训练市场的地位在可见的五年内不会动摇，但 80%–88% 的份额放在一个 2030 年可能达 1.5 万亿美元/年的加速器池子上不可持续。机会分布在四个位置：ASIC 的设计伙伴（博通 AI 半导体收入同比增长 143%，定制芯片在 AI 芯片市场的份额已从约 21% 走向 28%）、被瓶颈重新定价的存储（HBM 主导权在韩国，SK 海力士约占 58%（2026 年 Q1，收入口径，Counterpoint；较 2025 年 Q1 的 69% 明显下滑），产能已售罄至 2026 年全年）、绕开内存墙的专用推理芯片（Cerebras 与 Groq 的 SRAM 路线、Etched 与 Taalas 的模型固化路线、d-Matrix 等存内计算路线）、以及封闭市场里的国产替代（2025 年中国 AI 加速卡出货约 400 万张，国产厂商合计 165 万张、份额首破四成，英伟达在华份额从制裁前的约 95% 降至 55%）。但必须给这条判断配一个对称的风险，因为专用化的收益和风险来自同一处：ASIC 不能重编程——如果 Transformer 不再是主流架构，这类芯片的效率优势会在一夜之间归零，它连一个降级运行的模式都没有。因此这一层的正确配置方式不是挑一个赢家，而是把「推理份额从英伟达流出」当作 beta，把具体的技术路线当作期权。

判断四（置信度：高）：约束不在发电，在通电时间（time-to-power）。美国不缺发电装机，缺的是把电送到机柜的能力：变压器交期已拉长到 128–144 周（约 30–33 个月），部分大容量订单延至约 4 年；燃气轮机等待期约五年，2024 年新建高压输电线路只有 DOE 最优路径所需的六分之一。后果已经可见——Sightline 追踪的 2026 年 12 GW 数据中心产能中真正开工的只有 5 GW；Digital Realty 与 Stack 在硅谷建成的数据中心处于完工却无法通电的状态，电网升级要等到 2028 年。电气设备占数据中心总成本不足 10%，却构成 100% 的瓶颈。在 2026 年，「已经通电的场地」是一种买不到的资产。 【绑定指标：⑤ 主变压器与燃机交期、排队通电时长。见前置记分卡。】

观察五（由判断降格；解释性归纳，不适用置信度标注）：能拿到超额收益的似乎只有四类公司，而它们的壁垒类型完全不同。收租者（生态转换成本与产能稀缺）、分发者（用户存量与默认位置）、嵌入者（数据引力、合规责任与切换代价）、换轨者（时间与人才，尚无收入护城河）。输家的画像同样一致：收入建立在信息不对称之上、定价绑定人头、功能可被一次模型升级覆盖、获客依赖被 AI 改写的渠道——四条中占两条就应该重新审视。Chegg 用 39 个月走完柯达用十年走完的路，速度本身是新变量。需要说明：本条是对既有案例的归纳而非因果模型（见已知限制的范围说明），不构成对未来的预测工具，故由判断降格为观察。 【无可绑定的触发阈值，故保持为「观察」，不进入判断链。若日后取得失败样本对照的随机抽样（见指标⑨），可考虑重新提为判断。】

判断六（置信度：中）：应用层的存活是乘法，不是加法。分发 × 专有数据 × 毛利结构 × 工作流嵌入深度，四项中任何一项归零，整条归零。2023–2024 年市场为「能力增量」付钱，加法项主导，百家争鸣；2025–2026 年市场开始为「存活项」付钱，乘法项主导，死一大片。在应用层最成熟的编程赛道里，格局不是二八，是一九；而在成熟度更低的赛道里，头部尚未产生，中位数已经在死。证据分两层：§1.1.4.8 对 9 家 2025 年关停的 AI 公司做四因子回溯打分，9 家全部至少两项为零、0 家四项俱全；另有一条不经过本书打分的聚合证据——第三方清盘报告显示 AI 类失败中占主导的形态是「Wrappers & Apps」，正是四项因子同时接近零的那一类。这使本条的必要方向获得小样本支持，但充分方向（四项俱全者存活）仍缺存活样本的基线比率。置信度维持在「中」而非上调，有三个理由：n = 9、样本非随机抽取、打分为回溯做出；利率周期作为应用层死亡率的竞争解释至今未被分离（§1.1.4.3，另见 §5.2.1 替代解释三）；以及本条断言的是经济上的存活条件而非实际的存活结果——「定价权从席位数转向结果数」这一推论需要组织采纳、合约可计量与责任可归属三者同时成立，而本书对这三者都没有证据，其间的时滞本书未量化。 【绑定指标：⑨ 清盘样本中四因子俱全者的占比。见前置记分卡。】

判断七（置信度：低至中，按 §3.1.7 串联记账）：物理 AI 的时间线方差几乎全部来自「9 的兑换率」这一个未知数。成本曲线大概率会自己走完——按 Wright's Law，基准情景（学习率 15%）下售价从 2026 年的约 10 万美元降至 2 万美元区间的窗口为 2034–2038 年，乐观情景（20%）为 2032–2035 年，极乐观情景（25%）为 2030–2033 年；可靠性曲线不会自己走完。我们不知道多一个 9 需要多投多少数据，甚至不知道兑换率是不是常数。2026 年的真实位置是 L2.1：单场景多任务、有人盯着可试点，1 个 9。经济悬崖在 1 个 9 和 2 个 9 之间，不在 4 个 9——接管成本从每台每年 6000 美元掉到 600 美元。而 L2 到 L3 的断层不是难度递增，是可接管性消失：即使成本明天就降到 5000 美元，L3 也不会到来。任何把家庭机器人画在工业机器人延长线上的路线图，都跳过了这一步。本判断依赖数据飞轮、成本曲线与可靠性曲线等多个前置环节串联成立，联合置信度低于各环节的置信度。本条不给出依赖 §3.3.6 门槛列的解锁窗口年份与局部次序——该列按声明公式无法复现，见 §3.3.6 口径说明。 【绑定指标：⑦ 新任务所需演示条数的年度下降斜率；⑧ 单一客户重复采购 100 台的案例数。见前置记分卡。】 另需并读 §5.2.1 的替代解释四：国防采购绕开本条所依赖的 §3.3.6 全部三个变量（2 年回本判据、单台价值容忍度、可接管性定义），而按 §3.3.7 飞轮由台数驱动的结论，一个不看 V/P 的采购方恰恰最有能力单独推动前两轮飞轮。若第一波百万台级部署来自国防，本条窗口需重算。

判断八（分层结构，拆为 8a 与 8b——统一标注会掩盖一处矛盾：判断八的能力曲线一支同样取决于「9 的兑换率」这个未知数，与判断七同源）。8a 分发形态，置信度高：这是一条分析性命题，由物理 AI 的边际分发成本不为零直接推出，不依赖任何未知参数。8b 时点，置信度低：与判断七同源，联合置信度不高于判断七。物理 AI 不会有一个统一的「ChatGPT 时刻」，而是两条并行爬坡的曲线先后触顶。能力曲线（通用策略、跨场景泛化）的开发者段已经到达——工具链层的 ChatGPT 时刻正在发生；终端用户段的能力阈值取决于 2029–2033 年的判决窗口。普及曲线则遵循完全不同的物理约束：软件分发的边际成本可忽略，而物理 AI 的每一个用户都需要一台硬件，产能有硬上限。因此对终端普及更准确的度量不是「ChatGPT 时刻」，而是「Model T 时刻」——售价进入 2–3 万美元区间、年出货进入千万台量级。本条可证伪：若 2033 年底前仍未出现售价 2–3 万美元且年出货达百万台量级的机型，判断八即被证伪。 【绑定指标：8a 无需指标（分析性命题）；8b 绑定 ⑦ 新任务所需演示条数的年度下降斜率、⑧ 单一客户重复采购 100 台的案例数。见前置记分卡。】

框架说明（非判断）：两条曲线无严格先后——能力可能先于产能突破，也可能反过来，终端爆发由后到的那条决定。投资含义随之分层而非对立：能力阈值前后，超额收益集中在模型层（但物理 AI 的数据—硬件耦合与开源生态使「唯一赢家」假设存疑）；普及阈值前后，重心移向产能、供应链与分销的制造层；垂直整合者横跨两层。同样需要提示：判断八由能力曲线与普及曲线的多个分项串联而成，联合置信度低于各分项的置信度，分解方法见 §3.1.7。

5.2.1 四条替代解释，与本书不采纳它们的理由

上面八条判断的每一条，都可以由一个与本书不同的机制生成同样的观测数据。把这四条写出来，是因为其中两条不改变本书的任何一个数字却会反转本书的投资含义——这类替代解释比任何单个数据错误都更值得读者警惕。

替代解释一：2026 年的资本开支激增可能由寡头先占驱动，而非由需求预期驱动。本书通篇把 7250 亿美元 capex 读作对未来需求的定价。但同一批观测可以由另一个机制生成：稀缺要素——已通电场地、CoWoS 产能、HBM 配额、燃机排期——是可被锁定且不可复制的，因此即使每一家对需求的预期都很温和，抢占这些要素本身仍然是理性的，因为让对手拿不到的价值独立于自己用得上多少。本书自己提供了这个解释所需的全部要素：「已经通电的场地是一种买不到的资产」、「英伟达已预订台积电 2026–2027 年扩产的过半份额」、「供应商已连续多年售罄」——本书把它们当作瓶颈的证据，而没有当作先占动机的证据。本书不采纳它作为主解释，理由是闭环外收入（Google Cloud +82%、AWS +37%、Azure +43%）确实在高速增长，纯先占解释无法说明这一栏。但必须记录它对判断二与 §5.3 的两处含义：若先占是主要动机，「闭环外收入增速低于 capex 增速」就不是失衡信号而是先占的正常代价，重定价的触发点会显著后移；而赢家会是锁住要素的人，不是把配方换对的人。指标⑥ 是分辨这两者的观测点。

替代解释二：ARC 尺子寿命递减可能主要反映出题速度或脚手架工程投入，而非模型能力。本书原本只需分离「模型变快」与「Chollet 出题变快」两种解释，2026 年 7 月的 harness 结果又加进第三种。三种解释本书一种也未排除，因此该证据在 §3.1.2 ③ 只作「不承担证据功能的观察」。

替代解释三：应用层死亡率上升可能主要由利率周期驱动，而非由模型能力上移驱动。§1.1.4.3 已写出这条竞争解释并要求「在它被排除之前，相关结论应打折使用」。判断六的措辞已含这条限定，其置信度维持在「中」而非因 §1.1.4.8 的失败样本对照上调，正是因为该对照的样本全部来自 2025 年、无法分离利率与能力两个机制。需要同时指出一处本书内部的张力：Part 4 引子写「高利率从一个被预期即将结束的状态，变成了一个持续存在的状态」，这实际上强化了本书在 Part 1 承诺要打折的那个竞争解释。两处应并读。

替代解释四：物理 AI 的第一波规模化可能由国防采购解锁，而非由 §3.3.6 的商业场景账本解锁。本书只在 Part 2 第五层用一句话提过国防采购是「不受消费周期影响的需求来源」，此后再未出现。但国防采购恰好绕开 §3.3.6 模型的全部三个变量：它不按「2 年回本」判据采购，它对单台价值的容忍度高一个数量级，且它对「可接管性」的定义与商业场景完全不同。而按 §3.3.7 的结论，飞轮由台数驱动、不由单台价值驱动——这意味着一个不看 V/P 的采购方，恰恰是最有能力单独把累计产量推过前两轮飞轮的那一类买家。若第一波百万台级部署来自国防，§3.3.7 的飞轮起点、§3.3.8 的数据回流地理与判断七的窗口全部需要重算。本书不采纳它作为基准情景，理由是缺乏可核的国防人形机器人采购量数据；但这是一条本书未能覆盖的路径，而非一条本书已经排除的路径。顺带指出同构的一处：§3.3.6 对中国非市场化部署所加的限定（政策驱动的示范园区与国企采购可在 V/P 不达标时先行落地）与本条是同一个机制，且同样有削弱「中国造机器人、美国先用机器人」这一结论的潜力。

5.3 三种风险

三条风险线不是并列的清单，它们的可预测性递减，而破坏力递增。

泡沫是内生的，看财报就能提前看见。判准只有一条：付款义务落在闭环内还是闭环外。英伟达投 OpenAI、英伟达为 OpenAI 的数据中心债务担保、英伟达与 SK 的相互业务，都在闭环内，不构成独立需求证据；唯一有效的需求证据是企业客户付给云厂商的账单——而那一栏是真的在涨。所以本书的判断不是「需求是假的」，是两条曲线的斜率不匹配：闭环外收入在以两位数到八十几个百分点增长，资本开支在以三年翻倍的速度增长，缺口由债务、表外结构和供应商融资填补。中断路径不需要任何一步是灾难：收入增速低于 capex 增速 → 折旧口径被修正或表外承诺被并表 → 信贷重定价 → 新增 capex 停摆。它由会计和信贷触发，不由技术触发。§4.2.4 记录的韩国案例正是这条风险线的一次真实兑现（韩国同时处于闭环内的 SK 生态与闭环外的出口市场两侧），虽不进入判断链，仍建议并读。

战争是外生的。2026 年最重要的结构变化不是任何一个模型的发布，而是模型本身被两个国家同时重新分类为战略管制物项。管制的对象已经从「能训练的能力」转向「已训练出的能力」，而后者不可回收——锁定权重买到的是几个月，不是拒止。更值得记的是它对物理 AI 的含义：机器人的身体在管制线的一侧，大脑在另一侧，「整机」这个产品形态本身就变成了政治问题。本书认为这是 2027–2030 年物理 AI 商业化最大的非技术性风险。

黑天鹅是涌现的，只能看事故。ExploitGym 事件（单一事件、未经独立复现，按本书证据分档属 C 档）给出的最重要一条提示是：攻击与部署的可靠性要求是相反的。部署需要「9」——价值 = 能力 × 可靠性，是乘法；攻击只需要成功一次，它不需要「9」，只需要能力。所以「AI 已经能造成真实的第三方伤害」与「AI 还不能可靠地干活」可以同时成立，而且可能持续数年同时成立。Leopold 的「100x 速度」论断在该事件中获得一个方向一致的单点支撑，出现在破坏侧而不是创造侧——这个先后顺序不是偶然，但单点不足以验证其量级。

5.4 最该盯的指标

年份会移动，指标不会。以下九个指标各附触发阈值，任何一条触及阈值即应触发对上述判断的重估，而非等到年度复盘：

① METR 的 80% 时间跨度（不是 50%）——唯一把「能干多久」和「够不够可靠」乘在一起的指标。触发阈值：80% 口径突破 24 小时且连续两个季度确认，判断一的方向性观察上调为判断；若 2027 年底仍低于 8 小时，原 2027–2028 区间的撤回被追认为正确。 前置条件：METR 官方已声明「以当前任务集，16 小时以上的测量不可靠」（228 项任务中仅 5 项超过 16 小时），且 Opus 4.6 的 50% 读数区间为 6 至 98 小时。因此「80% 口径突破 24 小时」这一阈值在现有任务集下可能不可测。本指标的触发判定应先等待 METR 公布扩充后的任务集与新方法；在此之前，任何 16 小时以上的读数都只应记为「触及仪器上限」，不得用于比较或外推——这是 METR 自己的表态，不是本书的加码。

② ARC-AGI-3 的 RHAE，且必须注明评测切分与验证状态。它仍是唯一干净的 Chollet 效率读数，但「出现第三个数据点且较上一点提升超过 30%」这个朴素阈值可能已被触发，而触发它的不是模型能力：两个独立的脚手架（harness）方案已把 ARC-AGI-3 读数推到 96%–99%（均为自报、未经 ARC Prize 验证），而经 ARC Prize 验证的基座模型最高读数为 Claude Opus 5 的 30.16%（2026-07-24，High 档，Public Demo environments）——同一把尺子上同时存在相差约三倍的两组读数（详见 §3.1.2 ③）。修订后的阈值分两条：（a）在 ARC Prize 官方验证的半私有集口径下出现第三个数据点、且较上一点提升超过 30%，则效率叙事成立，本条上调；（b）若提升只出现在未验证的 harness 口径，则记为脚手架工程进展，不计入能力读数，但应据此下调「尺子寿命递减」这条观察的证据地位。若 2027 年中官方口径仍无新数据点或读数持平，反方权重上调。区分这两条，是本指标现在最重要的功能。

③ 训练算力与推理算力的支出比——它直接告诉你配方换到了哪一步。触发阈值：推理支出占比连续两个季度超过训练支出，「配方换挡」由预测转为事实。

④ 推理市场里非英伟达份额的年度变化（自研 ASIC + 专用推理芯片合计）——判断三的直接读数，也是「稀释还是崩塌」这个问题唯一的仲裁者。触发阈值：年度份额变化超过 ±5 个百分点即触发判断三重估；正向超过 10 个百分点则「稀释」路径基本确认。

⑤ 主变压器与燃气轮机的报价交期，以及主要数据中心集群的排队通电时长——中间层交付速度的直接读数。触发阈值：交期较 2025 年基准（约 18–24 个月）缩短 30% 以上，中间层瓶颈叙事减弱；延长 50% 以上，供电约束升格为第一约束，相关窗口顺延。

⑥ 闭环外收入增速与资本开支增速的差——泡沫路径的第一步，也是唯一不需要预测就能观测的一步。触发阈值：缺口连续两个季度扩大且超过 40 个百分点，泡沫路径概率上调；收敛至 20 个百分点以内，路径风险降级。

⑦ 学会一个新任务所需的演示条数，其年度下降斜率——物理 scaling law 的代理变量。触发阈值：年度下降不足半个量级（不到 3 倍），2029–2033 的判决窗口趋向否定答案；下降超过一个量级且连续两年成立，泛化验证提前确认。

⑧ 单一客户重复采购超过 100 台的案例数——机器人从「试点即营销」转向真实付费部署的第一个硬信号。触发阈值：年度新增 ≥3 起且来自不同行业，普及曲线启动确认；2028 年底仍为零，普及窗口整体后移。

⑨ 清盘样本中「四因子俱全」企业的占比（为判断六设立）——判断六（应用层存活是乘法）此前只归纳自存活且被定价的样本，§1.1.4.8 已补一次 n = 9 的有限对照，但那不是随机抽样，因此需要一个能持续结算的指标。口径：从 SimpleClosure 或 Carta 的年度清盘名录中随机抽取样本（不得用媒体汇总，媒体汇总系统性偏向失败故事可读性强的公司），逐家按分发、专有数据、毛利结构、工作流嵌入深度四项二值打分，统计四项俱全者的占比。打分须由不知晓本书结论的第三方执行，或至少在不看死因陈述的前提下先行打分，以避免 §1.1.4.8 自陈的回溯确认偏差。触发阈值：在 n ≥ 50 的随机清盘样本中，四项俱全者占比超过 15% → 乘法法则被实质削弱，判断六下调；低于 5%，且同期存活样本的四项俱全者占比显著更高（即充分方向亦获支持）→ 判断六上调为「中高」。反向提示：若两侧占比接近，说明四因子对存活没有区分力，判断六应退回观察层，与观察五同列。

5.5 收束

我们不是在逼近奇点，而是已经处在奇点之中。接下来 3–5 年的方向判断，按确定性分层：

确定性最高的是物理层的约束而非物理层的回报——通电时间（time-to-power）、变压器与燃机交期、CoWoS 与 HBM 的产能分配，这几条无论 AI 需求曲线怎么走都会咬住，且已被 2026 年的实测反复确认。

配方切换的判断需要拆开：方向——增量投资从集中式训练集群转向分布式推理基础设施——是方向判断中确定性最高的一条（仅次于上段的物理层约束），其约束论证（133 GW / $5.05T 在当前融资结构与电网交付能力下经济上不可行）独立于任何趋势外推，是本书最值得关注的一条；但幅度与时点依赖 capex 增速假设，如 §3.1.5 自述，那是全文确定性最低的一层。

确定性最低的、也是最常被误读为本书结论的，是时间线与回报。AGI 落点区间的整体置信度按示意参数分解约 33%（§3.1.7；参数化演示而非测量，且各环节误差相关，真实值只会更低），ASI 方向约 3% 的读数是「方法不足以支撑预测」的量化表达（§3.1.4），物理 AI 的 $20k 售价落点在学习率 15%–25% 的区间内中枢可移动约 4 年、全区间跨 2030–2038（§3.3.7 附）。这三个数字都是本书自己算出来的，它们不支持「极度看好」这种无条件表述。

因此本书的立场是条件式的：若 §5.4 的九个指标按预期读数演进，则全产业链的配置逻辑成立；而其中任何一个指标——尤其是指标⑥（闭环外收入增速与资本开支增速的差）——转向，都应触发对上述判断的重估，而不是等待技术曲线给出信号。技术可以一切正常，钱先停。

两类不确定性必须计入仓位：其一是 AI 革命自身衍生的网络安全风险——能力越强，攻击面越大，且按 §3.4.3 的推论，破坏的门槛在能力曲线上、创造的门槛在可靠性曲线上，两条曲线的斜率相差一个数量级；其二是黑天鹅与地缘政治——这条产业链的若干关键卡点（能源电力、制造、芯片）高度集中于少数厂商与地理节点，任何一处中断都会沿链条放大。

奇点不是一个可以旁观的事件，而是一个必须按条件定价的环境。本书交付的因此不是一份关于它何时到来的判断，而是一套在它到来快于或慢于预期时都能继续用的记账方法——五条判准定方向，九个指标定何时重估。年份会随数据移动，账本不会。