本文内容由 AI 生成
人类社会在面对“新事物”时，往往不是先把它当成一个普通工具来使用，
而是先把它视为一种可以下注的未来。
人们会围绕它构建故事，资本会围绕它设计交易，媒体会围绕它放大想象，
然后在一个并不短的时间尺度上，把这种未来感不断“金融化”。
查尔斯·麦基在《大癫狂：非同寻常的大众幻想与群众性疯狂》中，
系统梳理了几百年间各种集体非理性事件：
从郁金香狂热、密西西比计划到南海泡沫，
揭示了大众如何一再在相似机制下做出相似选择。
如果把书里的那些历史案例与今天的房地产、互联网、AI 放在一起看，
会发现它们并不是彼此无关的孤立事件，
而是同一套“技术（或资产）—叙事—资本—扩散—兑现”机制，在不同年代的重复演出。
这篇文章尝试做三件事：
一是用更长的时间轴，把不同世纪的典型浪潮串起来，让这种“重复性”变得可感；
二是讨论为什么普通人往往身处浪潮之中而难以及时识别；
三是回到 AI 本身，用时间线和现实落地情况，看看它现在大致走到了哪一步。
一、书中提供的视角：从个案变成模式
《大癫狂》的价值在于，它把许多看似荒诞的事件放在了一起：
17 世纪的郁金香狂潮，18 世纪的密西西比计划和南海泡沫，
以及各种宗教、炼金术和末日预言引发的群体行为。
单看其中任意一件，很容易觉得只是“那一代人太冲动”。
但当这些案例排成一列，我们看到的是一种反复出现的模式：
一种新事物或新叙事出现，带来巨大的不确定性。
社会精英或意见领袖围绕它编织未来、财富与安全感。
金融机制为这些预期提供交易工具，让更多人可以“参与未来”。
大众在信息不对称、群体情绪和环境压力下，集体进入其中。
最终，现实的兑现速度跟不上预期，价格和估值开始调整，少数人带着收益离场，多数人承担后果。
麦基关注的重点，不是哪个时代的人更“愚蠢”，
而是群体在面对不确定性时，会如何被叙事和利益结构共同塑形。
这套思路，给我们今天看 AI 提供了一种方法：
不要只盯着技术细节，而要问，
它是如何被叙事化、被金融化、被制度化的；
又是谁在这过程中获得主动权，谁成了被动角色。
二、每个世纪都有自己的浪潮：从 17 世纪到 21 世纪
如果按照时间顺序，每隔几十年看一次，
就能发现几乎每个长周期里，都会出现一两个“全民热点”。
17 世纪：郁金香与早期泡沫
17 世纪的荷兰郁金香狂热，常被视为最早的泡沫事件之一。
郁金香本来只是花卉，但在特定的贸易环境、审美风潮和身份竞争中，
它逐渐被赋予了稀缺、品位和社会象征的意义。
人们开始追逐的，不再是花本身，而是花所代表的价格上涨机会。
这种转变很关键。
一个东西只要被当成“未来还能更贵”的对象，
它就从商品变成了资产，从使用品变成了下注标的。
郁金香热的故事告诉我们，稀缺叙事本身就能制造金融属性；
而一旦大家都相信“还能继续涨”，价格就会被自己推动自己，直到接盘者减少，链条断裂。
18 世纪：密西西比计划与南海泡沫
18 世纪的法国“密西西比计划”和英国“南海公司”泡沫，
是《大癫狂》中着墨很多的案例。
两者都以殖民开发和海外贸易为名，号称掌握未来巨大利润来源，发行股票，
让普通民众可以分享“帝国扩张的红利”。
结果是股价在极短时间内暴涨，随后崩塌，留下广泛的社会震荡。
这里，海外殖民与贸易不完全是虚构，它确实存在收益空间。
但问题在于，收益被过早地、过度地转化为可以交易的“金融想象”，
远远超出了当时经济结构能支持的范围。
19 世纪：铁路与基础设施热
19 世纪的铁路建设，是一次典型的“技术革命+资本狂热”的组合。
铁路真正改变了运输、产业布局和城市结构，但同时也引发了大规模投机与泡沫。
大量资本涌入铁路公司，许多线路在缺乏充分需求分析的情况下被仓促建设，
股价先涨后跌，多次引发金融危机。
铁路的意义不容否认，但从资本视角来看，它也曾经历过一个“远超实际盈利能力的估值阶段”。
20 世纪：房地产与长期杠杆
20 世纪中后段开始，尤其在一些快速城市化国家，房地产逐渐成为家庭资产配置的核心。
城市土地稀缺、人口流入、信贷扩张、政策引导等因素叠加，
使房地产兼具居住、投资、抵押品和社会身份多重属性。
房价的上涨不再只是供需问题，而是整个金融体系、地方财政和居民预期共同驱动的结果。
这类资产的特殊性在于：
就算个体意识到泡沫存在，也很难完全不参与。
房地产因此成为一种“结构性强制下注”：
不进场，有现实生活层面的代价；进场，又不得不承受价格波动和周期风险。
21 世纪初：互联网与“真的革命，真的泡沫”
互联网泡沫发生在 1990 年代末到 2000 年左右。
万维网的普及、浏览器的出现、在线服务的兴起，让“互联网会改变一切”的叙事非常有说服力。
大量公司以“.com”为名上市，股价在短期内被炒至远高于自身盈利能力的水平。
泡沫破灭时，指数大幅回调，大量企业消失。
但和郁金香不同的是，互联网本身并没有消失。
搜索引擎、电商平台、社交网络、云计算基础设施最终成为新经济体系的支柱。
这个案例提醒我们：泡沫与真实变革可以同时存在。
泡沫不会否定技术，技术也不能豁免泡沫。
在这个长时间维度下，我们很容易看到：
几乎每个世纪，都会有一个或数个对象，成为“集体预期与金融机制”共同作用的焦点。
从郁金香到铁路，从海外公司到房地产，再到互联网，
它们共同构成了《大癫狂》那条跨世纪的主线：
大众幻想与群体性行为，在不断重复。
三、为什么很多人看不见浪潮：时间尺度与个人生命经验
从宏观历史图像看，浪潮很清晰；
但对个体而言，恰恰相反——大多数人并不容易意识到自己正站在浪潮之中。
一个重要原因是，经济和技术浪潮的完整周期往往以“几十年”为单位。
技术从萌芽到普及，从叙事到泡沫，
从泡沫到回落，再到沉淀为基础设施，通常要跨越至少一到两代人的时间。
而个人的职业生涯高度参与期，也就二三十年。
想要凭个人经历完整体会多轮循环，几乎是不可能的。
结果就是：
当一个人开始具备系统性认知和经济判断能力时，他往往已经处在某一浪潮的中段或后段。
这时，很多现象被视为“理所当然的背景”，而不是“值得警惕的周期”。例如：
出生在房价长期上涨时代的人，很难把上涨本身当作一个问题；
在互联网已经高度普及的环境中成长的人，很难直观意识到那曾经是一轮剧烈泡沫；
在 AI 工具已经广泛进入办公和生活场景的未来人看来，今天的热议可能只是历史开端的一部分。
正因为个人的时间窗口有限，
如果不主动去看历史材料、读类似《大癫狂》这样的书、对照不同周期，
就很难意识到：
“这不是第一次发生，也不会是最后一次发生”。
对很多人而言，浪潮更像是空气——存在，却不被具体地看见。
四、普通人为何更容易被卷入：信息、角色与制度环境
普通人相比专业研究者、政策制定者和金融机构，有几个天然的不利位置。
第一，信息与工具的不对称。
经济史学家、金融专业人士、决策者，可以接触到更系统的数据和理论，
例如关于长周期、金融化趋势、技术革命与资本关系的研究。
卡洛塔·佩雷斯在《技术革命与金融资本》中，
就明确提出了“技术突破—金融狂热—泡沫破裂—制度重构—黄金时代”的框架。
这些观点在专业圈内广为传播，但很少进入日常公共讨论。
第二，角色的差异。
政策制定者、企业高层和金融机构，往往处在“设计规则”或“选择参与方式”的一端；
普通人则更多是“给出响应”的一端。
比如某些产业鼓励政策、信贷投放方向、资本市场监管尺度，都会影响浪潮的形成与演化。
这些决定并不是由普通个体做出的。
第三，制度与社会环境的导向。
以房地产为例，它之所以能成为许多人“不得不参与”的赛道，
很大程度上是因为制度安排、金融结构和社会舆论共同强化了“一定要有房”的共识。
在这样的环境下，即便有人怀疑房价的合理性，也难以做出完全“旁观者”的选择。
因此，技术和资产浪潮往往不是单纯“自然发生”的，更不是完全“自下而上”的。
它们在很大程度上，是在制度允许、政策默许甚至在某些时期被鼓励的框架下展开的。
这并不意味着存在某种统一的阴谋，
而是说：在推动增长、调整结构、分配资源的过程中，
对“可被金融化的新事物”的容忍度，往往比表面上看起来要高。
在这样的环境中，普通人一方面缺少系统的历史视角，
一方面处在被动响应的位置，
于是更容易被情绪、舆论和身边人的选择带着走。
等意识到自己身在浪潮中，往往已经在车上了。
五、金融属性：为什么总是“先买未来，再被现实纠偏”
理解浪潮，离不开“金融属性”这三个字。
这里可以借用一些经济学和金融史上的思路，而不是只停留在情绪层面的抱怨。
从金融经济学角度看，资产价格往往不只是当前收益的函数，更是未来预期收益的折现。只要未来存在不确定性，预期就有被放大的空间。
长周期研究者（如熊彼特、佩雷斯）指出，技术革命往往伴随金融资本的活跃期。金融资本会把对新技术的期待，放大为一轮又一轮的投资与估值循环。
在这种框架下，泡沫不再被视为“偶发错误”，而是一种结构性特征：当新技术出现时，金融体系总会倾向于先行放大，再由现实来纠偏。
简单说，金融属性的核心不是“有人炒”，而是“可以提前交易未来”。只要一个对象满足：
能被讲成一个足够大的未来；
有对应的资产载体（股票、债券、期货、代币、份额等）；
有足够多的参与者愿意根据故事调整出价；
它就会自然地成为金融化的目标。
郁金香、海外公司、铁路、房子、互联网企业、乃至今天的 AI 基础设施和应用公司，都是如此。
这并不意味着金融一定是负面的。
佩雷斯就指出，金融狂热虽然会造成泡沫，但也会在导入期帮助新技术迅速铺开基础设施，
为后续“黄金时代”打好底子。
问题在于：谁在狂热期获利，谁在纠偏期承担成本，这往往是不均衡的。
六、把 AI 放回时间线：从萌芽到当前阶段
回到 AI 本身，如果按照时间顺序来梳理，
而不是只看最近一两年的热度，可以更清晰地看到它与历史浪潮的相似之处。
早期：学术和工业界的局部突破
人工智能作为研究方向，最早可以追溯到 20 世纪中叶，此后经历了多次“寒冬”和局部复兴。
真正开始引发广泛社会关注的，是深度学习在图像识别、语音识别和机器翻译上的突破，
尤其是 2010 年代后的几次关键竞赛和产品落地。
那时候，AI 更多还被看成“特定任务上的专家系统”，远未成为全民话题。
转折点：大模型与生成式 AI 出圈
真正的拐点发生在大型预训练模型出现之后，尤其是自然语言处理领域的大规模语言模型。
预训练+微调的范式、Transformer 架构的应用，
让通用模型具备了在开放领域生成文本、回答问题、辅助创作的能力。
2022 年之后，一些开放式的聊天模型产品进入大众视野，引发了全球范围内的讨论与试验。
从时间线上看，这一阶段对应的，是“叙事迅速扩散”的时期：
主流媒体大量报道“AI 对许多岗位的替代可能”；
科技公司高层不断强调 AI 将重塑几乎所有行业；
资本市场对算力、芯片、云服务、模型公司的估值明显抬升；
各类创业项目涌现，从写作辅助到代码补全，从客服机器人到营销自动化。
这有点像互联网在 1990 年代末期的状态：
技术确有突破，叙事迅速放大，市场愿意为“未来可能性”付较高溢价。
当前：从无边界想象走向分层与算账
如果用前面提到的周期框架来套，会发现 AI 现在更接近“狂热之后的结构分化期”：
1. 企业端正在收紧用量与成本控制
许多公司开始规范内部 AI 工具使用，设置预算、监控 token 消耗，
部分企业内部提出了“用在关键场景，而非全面覆盖”的原则。
这说明，AI 正从“试用期”进入“成本项”视角。
2. 行业落地出现明显主干与支线
公共报道和行业分析中，被反复提及的高价值落地方向，包括：
软件开发：代码补全、自动生成单元测试、重构辅助等，已经在开发者工具链中形成较稳定使用习惯。
客户服务与销售支持：智能客服、对话机器人、售前售后问答、FAQ 自动回复等，正在从简单脚本升级到基于大模型的对话系统。
内容与营销：文案生成、图片与视频辅助制作、广告投放方案建议等，在媒体、品牌和 MCN 等行业中大量使用。
知识管理与办公：会议记录整理、文档摘要、内部搜索问答、简单分析报告生成等，成为不少企业的“基础工具”。
与此同时，一些最初被寄予厚望的泛化场景，
比如“完全自动的 AI 老师”“全流程无人干预的自动驾驶”之类，
大多仍停留在局部试点或长周期研发阶段。
它们并非没有前景，而是短期内难以达到宣传中的那种“全面替代”水平。
3. 舆论开始出现“审慎”和“质疑”的声音
在教育领域，关于 AI 能否真正提高学习深度的讨论明显增多；
在人力资源和职场领域，也有人开始担心过度依赖 AI 工具会削弱人的能力。
这些讨论本质上是在做“效果与代价”的平衡，而不再是单向的热情。
4. 资本市场对 AI 相关资产的定价开始更加分化
一些基础设施类公司（如芯片、云算力、数据中心）的投入仍在增加，
而部分纯概念型公司则面临更严苛的业绩与盈利质疑。
这与互联网泡沫后“基础设施留下，概念公司出清”的走势，有一定相似性。
从这条时间线看，AI 已经明显不再处于“刚刚开始所有都可以想象”的阶段，
而是进入了“哪些能落地、哪些要被放弃”的阶段。
这并不是退潮，而是一轮浪潮在向深水区过渡。
七、落地场景：哪些已经相对明确，哪些还在摇摆
就目前公开信息和行业研究来看，AI 的应用落地大致可以分成几类：
1. 效率工具型场景
软件开发：辅助写代码、检查漏洞、生成测试、查文档，已经渗透到主流 IDE 和协作平台中。
办公自动化：摘要、翻译、写邮件草稿、整理会议纪要等，成为很多知识工作者的“后台助手”。
2. 服务与交互型场景
客服与咨询：更自然的对话机器人、更高的首问解决率、更高的并发处理能力，使这一类应用在银行、电商、电信等行业里不断扩张。
营销与推荐：个性化推荐、广告投放优化、用户行为分析，使企业能更高效地触达目标群体。
3. 内容生产与创意支持
- 文案、图片、视频的初稿生成与辅助修改，大幅降低了“从 0 到 1”的门槛，但“从 1 到 10”的精细化仍依赖人类专业者。
4. 行业垂直场景试点
- 医疗影像辅助诊断、法律文书初审、金融风控辅助分析、供应链预测等，都在不同程度上做了落地尝试，有的已进入商业化，有的还在验证阶段。
可以看到，AI 在“帮助人做事更快、更好”的方向上，已经有大量场景真正落地并创造价值。
但在“完全替代人”的方向上，仍然有很长的路。
很多最有声量的宣传，恰恰集中在那些最难短期实现全面替代的领域。
从浪潮角度看，这种情况非常典型——叙事会先指向“全局革命”，
现实则会在后续的落地过程中，慢慢收缩到“高价值局部”。
AI 正是在经历这样一种从“无边界”到“有边界”的收缩。
八、对 AI 的位置做一个冷静的判断
把历史的长镜头和 AI 的时间线叠在一起，可以得到一个相对冷静的判断：
AI 不是第一次出现的“全民热点”，也不会是最后一次。它延续的是一条从郁金香到互联网的长链条——新事物出现，预期被放大，金融属性被激活，群体进入，然后再由现实来筛选与分层。
AI 同时又是一个真实的技术进步，它确实在多个行业提高了效率、改变了工作方式、降低了部分门槛。把它简单归类为“骗局”或“泡沫”，都低估了它的技术含量和长期影响。
当前阶段的“降温”和“分化”，并不意味着浪潮结束，而是说明它开始进入成熟轨道：成本开始被重视，场景开始被筛选，估值开始被重新校准。
从普通人的视角看，这一切有点复杂：某些岗位和行业正在被重塑，某些技能的边际价值在下降，新的机会和风险同时出现。对很多人来说，最难的是两件事：
一边要在现实中学习和使用这些工具，避免被动落后；
一边要保持对浪潮机制的清醒认识，不把所有短期的叙事都当成不容置疑的必然。
九、展望未来：AI 之后，还会有别的浪潮
从更长远的角度看，AI 浪潮并不是一个终点，而是一个中继站。
在它之后，极有可能还会出现新的技术和资产，成为下一轮故事的主角：
也许是更成熟的机器人系统，也许是脑机接口，
也许是新型能源或生物技术，也许是我们现在还难以想象的组合。
那些未来的浪潮，极大概率也会遵循类似的轨迹：
新事物出现 → 预期放大 → 金融化 → 扩散 → 分化 → 沉淀为基础设施或长期资产。
从这个意义上说，AI 提供的，除了具体应用之外，还有一个更大的提醒：
技术变化和资本循环会不断交替上演，而个人生命经验很难完整覆盖多个周期。
想要保持一定的主动性，需要刻意地把眼光拉长，
把自己从单个时代故事中抽离出来，用历史的视角看当下。
这并不容易，但可能是对浪潮最现实、也最稳妥的一种态度。