在2026码荟上，源码资本董事总经理张洵带来了题为“Accelerating Exponential Growth”（超越指数的增长）的分享。在他看来，AI 正站在一条即将变得垂直的指数曲线上，而人脑因为两百万年的进化，天生会低估这种累进式的爆发；与此同时，价值正以越来越极致的幂律，向极少数公司集中。

张洵从摩尔定律()的延续，讲到“通用方法加算力远胜人类雕花”的产业规律，再到贡献净增长的公司不足1%的幂律世界，以及对复利与长期主义的重新理解。他真正想回答的不是“AI 会不会来”，而是：在一个被低估的时代里，什么才是真正稀缺的能力——答案是，早一步看懂，并有足够的耐心，长期陪伴那极少数最优秀的公司。

主要观点：

• 每一个时点回头看都像到了极限；可只要拉长看，指数从未停下，而且后面比前面更陡。
• 人脑经过两百万年的优化，只对比例敏感、对绝对值迟钝——于是总在指数最该被重视时低估它。
• 更通用的方法，加上更大的算力，一次又一次远远胜过人类精巧的”雕花”。
• 这是一个越来越少赢家的世界——真正贡献财富净增长的，可能只有不到0.5%的公司。
• 在一个规律被证伪之前，先把它当作真理——一边怀疑，一边下注。
• 复利，也是一条指数曲线；它和摩尔定律一样，会被我们在早期严重低估。
• AI 时代给了我们最长的坡道、最湿的雪；剩下的只有一个问题——有没有耐心，把雪球一直滚下去？

以下是张洵分享内容的精编，有删减：

我今天分享的题目有点拗口——“超越指数的增长”。它说的是一件听起来简单、却极其反直觉的事：我们可能正站在一条指数曲线即将变得垂直的位置上，而我们的大脑，几乎注定会看轻它。

超越指数：一个被低估的 AI 时代

先看下面这张图：这是我在硅谷计算机历史博物馆拍到的摩尔定律可视图：横轴是时间，纵轴是单颗芯片上的晶体管数量——用它能比较好地反映单颗芯片的计算能力。

挑几个关键节点看：1971年，单颗芯片上大约是2300个晶体管；到1994年，过去23年增长了大约900倍，年化增速约35%。如果你是1994年一位很厉害的投资人、或者一位资深的半导体从业者，你几乎一定会得出一个结论：过去这23年已经是半导体、尤其是先进制程高速增长的23年了，未来很难再快了。

但接下来发生的是：从1994年到2010年的这16年，单颗芯片上的晶体管数量增长到了20亿个——那大约是当时英特尔旗舰芯片的水平，而英特尔正是那个年代全球最大的半导体公司。这16年的年化增速不降反升，达到了约54%。
最耐人寻味的是这张图本身。它的作者为了视觉效果，把2010年的点放在了整张图的最右上角——已经快要顶出看板了，仿佛增长到此见顶。可如果把这张图一路延长到2026年，在从串行计算进入并行计算()、再进入加速计算的时代之后，你会看到一件很冲击的事：2010年那个曾经“快要画不下”的顶点，又重新回到了曲线最底部、几乎贴地的位置。因为从2010到2026这16年，整个行业又获得了168倍的增长，年化约37.75%。

这就是指数最反直觉的地方：站在每一个时点回头看，都像是已经到了极限；可只要把尺度拉长，指数一直在延续，而且后面那一段，往往比前面更陡。

Anthropic()的CEO Dario Amodei有一个说法：AI 是一场海啸，而当它到来的时候，公众非常缺乏对”我们距离指数终点有多近”的认知。要注意，他说的”指数的终点”，不是指曲线的结束，而是指它从平台期进入垂直陡峭上升期的那个拐点。我们可能正站在这个拐点附近，而绝大多数人对此的感知，是严重不足的。

为什么人会系统性地低估它？这要回到我们这颗大脑的来历。

在过去200万年里，我们的祖先抬头看到的是太阳，低头面对的是猪、牛、羊这样的猎物。大脑早已为个位数、十几位数的加减法做足了优化——对狩猎和采集来说，这足够了。后来，两位德国科学家韦伯和费希纳提出了韦伯-费希纳定律()，卡尼曼在此基础上做了扩充、并因此获得诺贝尔经济学奖，核心的意思是：人脑对“比例”的感知，远远大于对“绝对值”的感知。 从100到200，我们会自动换算成“翻了一倍”，觉得很震撼；但从10100到10200，我们只换算成“多了1%”，几乎无感——尽管这两次增加的绝对量，是完全一样的。

这套感知系统帮祖先在狩猎和农耕时代活了下来，但它在今天会骗我们。因为技术不是线性的，是累进的——尤其在 AI 时代。累进到后期，每一个时间单位里增长所累积的效应，都会迅速超越它前面的全部。我们的直觉天生读不懂这条曲线，于是一次又一次地在它最该被认真对待的时刻，低估了它。

这种低估，在公司层面同样清晰可见。把当前市值最大的几家头部公司画在一张图上——横轴是成立至今的年份，纵轴是收入或ARR——会看出一条清晰的代际斜率：拉到同样的成立年限去比，移动互联网一代（Google、Meta）的成长曲线，明显比PC与软件一代（Apple、Microsoft）更陡。每一代的斜率，都在抬升。

而AI 这一代公司，又快了一个台阶。Anthropic上一次公开的ARR()是 45~46亿美金，到五、六月可能做到50~60亿美金；OpenAI目前的ARR大概也做到了30~40亿美金——而且这条曲线还在加速，它们正以不可想象的速度，冲向数百亿乃至千亿美金的量级。如果把它们当作 AI 时代的指数标尺，相对移动互联网，它们的二阶导、“超指数”效应会更加明显。这一代公司从零到规模化的斜率，是上一代不可想象的。

这种加速的背后，AI 的产业演进还反复呈现出另一个非常通用的规律。我用一串里程碑把它串起来。

1997年，深蓝下国际象棋——几代人精心整理的棋谱和定式，败给了一台能用更高算力做海量计算的机器。再到AlphaGo和AlphaZero，对比更值得玩味：AlphaGo还要学习人类棋谱，而AlphaZero之所以叫Zero，是因为它从零开始、完全不依赖人类数据，纯靠左右互搏自学——结果反而比AlphaGo更强。

再看机器翻译：旧的翻译系统靠语言学家拆句子、查短语库，常常闹笑话；Transformer出现后，一个不懂任何语法规则的神经网络，翻译质量碾压了所有语言学派。从ImageNet到AlexNet，再到语音识别，再到一举解开困扰生物学界五十年的蛋白质折叠难题的AlphaFold——它们都在讲同一个故事。

地平线创始人余凯也分享过一个角度类似的观点。他说，智能驾驶的本质，根本不是去学习人类驾驶——因为99%的人类司机其实不值得学习，转弯太猛、刹车太急。智能驾驶要做的，是抛弃人类的驾驶习惯，去逼近真正最有效的驾驶方式。这件事的内核，和AlphaZero、和特斯拉FSD在做的，完全一样。

这一连串事实，都在反复论证同一句话：更通用的方法，加上更大的算力，至少在人工智能这个领域，历史上一次又一次地、远远胜过人类各种精巧的“雕花”。

这句话对身处其中的人是有冲击力的。我印象很深，月之暗面创始人杨植麟在一次访谈里被问到：“谷歌那段经历，对你个人最大的帮助是什么？”他的回答是——它让我意识到，作为一个企业CEO，尤其是 AI 时代的CEO，要学会从具体的细节里解放出来，放弃雕花的工作。因为这个时代奖励的，是对通用方法和规模的押注，而不是局部的精雕细琢。

幂律：AI 时代，赢家越来越少

如果说前面讲的是“增长有多快”，那么接下来这件事关乎“增长最终归了谁”——而它同样反直觉。

价值的创造，遵循幂律。而且这个幂律，正在变得越来越极致。

过去30年，美国市场Top 1%的公司贡献了公开市场约80%的价值，中国市场Top 1%的公司贡献了约76%。换一种更有冲击力的画法：横轴是公司数量，纵轴是全球上市公司创造的总财富，基准线是美国国债收益率。根据 Bessembinder等人的实证研究，1990~2018年，全球上市公司创造的财富总额约45万亿美金，但拆开看——其中60.9%的公司没有跑赢国债、在破坏价值；37.8%的公司创造的收益，恰好抵消掉这部分损失；真正贡献了财富净增长的，只有大约1.3%的公司。

也就是说，几乎全部的净财富，是由一条极细的尾巴创造的，这是移动互联网时代的事实。

到了 AI 时代，这条尾巴大概率会变得更细——这部分是观点。如果从2023年（ChatGPT元年）算起，未来全球若新创造出两百万亿、三百万亿乃至五百万亿美金的财富，那条蓝色的分布曲线，可能会被推成一条更陡的红色曲线：大约80%的公司跑不过国债、在破坏价值，19.5%抵消，最终可能只有不到0.5%、甚至0.3%的公司，贡献几乎全部的净增长。

一个就在眼前的佐证：分享前一晚（5月29日）美股收盘后，美国市值前十大的公司已经全部是科技公司——除了熟知的“七姐妹”，还有台积电、美光和博通。而如果回溯历史，1880年、1920年、1940年、2000年，每隔一、二十年把全球市值前十的公司拉出来看一次，从来没有出现过这样清一色的图景。

可以直白地说，这是一个越来越少赢家的世界：极少数公司，贡献了绝大部分的财富增量。

当然，再有力的规律，也要诚实地面对它的边界。卡尔·波普尔在《科学发现的逻辑》里讲过：科学理论无法被证实，只能被证伪。摩尔定律本质上是对过去经验的拟合，它不是科学公理；牛顿力学在一定边界内成立，可一旦进入更微观的尺度，就不再适用。幂律、这种超指数的发展规律，大概率同样无法被证实、只能被证伪。

但有意思的恰恰在这里：在它被证伪之前，先把它当作真理，可能是这个时代更理性的决策方式。 就像Dario说的——我们相信scaling law会继续工作，我们每一次都在怀疑它，可每一次把训练量扩大十倍，它依然在工作。所以我们每天都带着一种敬畏，bet on scaling：一边怀疑，一边下注。这或许是应对这个幂律时代，更好的一种思维范式。

长期主义：穿越 AI 这条陡峭的曲线

如果把前面三件事放在一起看，会得到一个对任何长期投资者都很关键的结论：一方面，技术在超指数地加速，而人脑天生低估它；另一方面，价值在以越来越极致的幂律，向极少数公司集中。

那这两件事叠加在一起，意味着什么？它意味着：这个时代真正稀缺的能力，是在足够早期、在大多数人还低估它的时候，识别出那条细尾巴上的少数公司，并且有足够的耐心，长期地陪伴它们，穿越那条陡峭的曲线。

幂律听起来像是一个冷峻的故事——大部分公司都在毁灭价值。但换个角度，它恰恰是这个时代最大的机会所在：正因为价值如此集中，早一步看懂、并长期押对那极少数赢家的回报，是过去任何一个时代都不曾有过的。曲线越陡、赢家越少，越早进场、越有耐心的人，能拿到的就越多。

而长期，本身就是一种被严重低估的力量——这一点，巴菲特是最好的例证。有一组广为流传的数据：巴菲特99.6%的财富，是在他52岁之后才创造的；99.976%的财富，是在40岁之后；而99.9993%的财富，是在30岁之后。换句话说，他几乎全部的财富，都来自生命后半段——不是因为他后来才变聪明，而是因为复利需要时间，雪球需要一条足够长的坡道，才能滚到惊人的体量。复利，也是一条指数曲线；而它和摩尔定律一样，会被我们的直觉在早期严重低估。

这恰恰是源码十二年来一直在做的事。源码成立于2014年的春天，从那时起，我们做的始终是同一件事——在早期发现最优秀的公司，并长期陪伴它们成长。AI 时代没有改变这件事的本质，只是把它的赔率和难度同时放大了：曲线更陡，所以早一步看懂的价值更大；赢家更少，所以看错的代价也更高；而周期更长，所以耐心比以往任何时候都更值钱。

在这样一个时代里，我们越来越相信几件朴素的事：要尊重指数，不要用线性的直觉去丈量一个加速的世界；要押注通用的方向和长期的趋势，而不沉迷于局部的雕花；要承认幂律，把心力集中在那极少数真正重要的公司上，而不在平庸的机会里平均用力；同时，永远对规律保持敬畏，因为再强的趋势，也终有被证伪的那一天。

说到底，这是一场关于耐心的修行。巴菲特有一个著名的比喻：投资就像在一座很长很长的山顶上，开始滚一个小小的雪球，诀窍在于找到一条足够长的坡道，和足够湿的雪。

AI 时代给了我们这个时代最长的坡道、最湿的雪。剩下的问题只有一个：我们有没有足够的耐心，把那个雪球，一直滚下去。