NonLinea非線性思維：從日常計算到 AI 投資泡沫

核心問題：投入增加，結果一定會同比增加嗎？

很多人習慣用線性方式理解世界：多投入一倍資金，就期待多得到一倍效果；速度提高相同幅度，就以為節省時間也會相同；技術投資增加，就以為生產力會等比例上升。

但現實中的商務、工程、金融與組織系統，往往具有遞減報酬、飽和、瓶頸、正回饋、臨界點與突然反轉。這些現象都提醒我們：同樣的投入，在不同位置、不同階段，可能產生完全不同的結果。

一、什麼是非線性思維？

線性思維假設「投入與結果成固定比例」。例如投入增加 10%，結果也增加 10%。非線性思維則認為，投入與結果之間的關係會受到結構、時間、位置、飽和程度與臨界條件影響。

線性直覺

非線性現實

投入增加一倍，產出也增加一倍

可能出現遞減報酬或飽和

相同幅度的改善，效果應相同

效果取決於起點與所在區間

技術越強，商業價值越高

技術能力與商業價值中間還有流程、需求與成本

個別企業理性投資，整體市場就會理性

個體理性可能共同造成供給過剩與泡沫

二、經典案例

案例 1：上山 40、下山 60，平均速度為何不是 50？

假設上山與下山距離各 120 公里。直覺常把 40 與 60 直接平均成 50，但慢速那一段花的時間比較多，因此不能使用算術平均。

簡單算式：

  • 上山時間 = 120 ÷ 40 = 3 小時
  • 下山時間 = 120 ÷ 60 = 2 小時
  • 總距離 = 120 + 120 = 240 公里
  • 總時間 = 3 + 2 = 5 小時
  • 平均速度 = 240 ÷ 5 = 48 公里／小時

重點：同樣距離下，較慢的一段占用更多時間，因此平均速度受到時間權重影響。

案例 2：速度同樣增加 30，節省時間卻不同

假設基隆到新竹距離約 100 公里。把速度從 80 提升到 110 公里／小時，和從 110 提升到 140 公里／小時，雖然都增加 30 公里／小時，但節省時間並不相同。

簡單算式：

  • 80 km/h：100 ÷ 80 = 1.25 小時 = 75 分鐘
  • 110 km/h：100 ÷ 110 ≈ 0.909 小時 ≈ 54.5 分鐘
  • 140 km/h：100 ÷ 140 ≈ 0.714 小時 ≈ 42.9 分鐘
  • 80 → 110：節省約 75 − 54.5 = 20.5 分鐘
  • 110 → 140：節省約 54.5 − 42.9 = 11.6 分鐘

重點：速度越高，額外提高速度所帶來的時間節省越少，呈現邊際效益遞減。

案例 3：省油效率提高最多，不一定省最多油

張三的新車從 10 km/L 提升到 20 km/L；李四的新車從 20 km/L 提升到 50 km/L。若只看效率數字，李四的改善幅度更大；但若兩人都行駛 1,000 公里，實際節省的汽油卻不同。

簡單算式：

  • 張三舊車耗油：1,000 ÷ 10 = 100 公升
  • 張三新車耗油：1,000 ÷ 20 = 50 公升
  • 張三節省：100 − 50 = 50 公升
  • 李四舊車耗油：1,000 ÷ 20 = 50 公升
  • 李四新車耗油：1,000 ÷ 50 = 20 公升
  • 李四節省：50 − 20 = 30 公升

重點：比例或效率指標看起來更漂亮，不代表實際節省量更大。商務決策應關注真正的成本與產出，而不是只看百分比。

案例 4：廣告預算加倍，訂單不一定加倍

一家公司把廣告預算從 100 萬增加到 200 萬，不代表訂單一定從 1,000 筆增加到 2,000 筆。初期廣告可能先觸及最容易轉換的客群；預算繼續增加後，新增曝光開始重複，或觸及購買意願較低的人，邊際轉換率便下降。

重點：市場有飽和點。資源投入的效益取決於目前位於成長曲線的哪個位置。

三、把非線性思維放到 AI 投資

AI 投資最容易出現的線性直覺是：算力增加 → 模型能力增加 → 生產力增加 → 營收與獲利增加。問題是，這其實是四個不同的環節，每一環都可能呈現非線性。

環節

線性想像

可能的非線性現實

算力 → 模型能力

GPU 加倍，能力也加倍

模型性能可能改善，但邊際提升逐步變小

模型能力 → 工作效率

模型更強，所有工作都更快

不同任務收益不同，流程與資料可能成為限制

工作效率 → 商業價值

效率提升就等於獲利提升

節省時間未必轉化為收入，且推論成本可能上升

資本支出 → 競爭優勢

投資越多越不會落後

全產業同時投資可能造成資料中心、晶片或算力過剩

四、AI 泡沫如何由非線性形成？

AI 泡沫不必建立在「AI 沒有價值」這個前提上。相反地，真正危險的情況可能是：AI 確實有巨大價值，但市場把早期高報酬線性外推到無限未來。

1. 邊際報酬遞減

第一批算力可能使模型從「不能用」跨到「可用」，產生巨大價值；之後模型從很好提升到更好，可能需要更昂貴的訓練與推論成本，商業效益卻只增加一小部分。

2. 瓶頸轉移

模型不夠強時，模型是瓶頸；模型已夠強後，真正限制可能變成資料品質、企業流程、法規、能源、人才、組織協作或客戶需求。這時繼續增加模型投資，未必能突破新瓶頸。

3. 正回饋造成過度投資

一家大型科技公司增加 AI 資本支出，競爭者為避免錯失下一個平台，也跟進投資。每家公司單獨看都可能是合理決策，但合在一起可能形成全產業供給過剩。

4. 預期突然反轉

泡沫在上升階段常有自我強化效果：投資增加 → 需求看起來更強 → 估值提高 → 融資更容易 → 再投資。當市場開始懷疑未來現金流無法支撐資本支出時，這個循環也可能迅速反向。

五、歷史上的非線性投資案例

1. 1840 年代英國鐵路狂熱

鐵路是真正改變經濟的技術。早期成功路線帶來高回報後，投資者把「鐵路有價值」推論成「更多鐵路都同樣有價值」，大量資金湧入邊際效益較低的路線。泡沫破裂後，很多投資者受損，但英國仍留下龐大的鐵路基礎設施。

非線性啟示：技術革命可以是真的，投資價格仍然可以形成泡沫。

2. 19 世紀運河投資熱潮

第一批運河改善運輸、創造巨大商業價值，之後資金大量追逐新運河計畫。然而不同地理位置、人口密度與貨物流量不同，後續運河並不能複製第一批的高回報。

非線性啟示：成功模式不能不分位置地線性複製。

3. 1990 年代光纖與電信建設

網際網路流量快速成長，電信業大量鋪設光纖與網路容量。技術方向沒有錯，但供給建設速度一度超過短期需求，許多公司破產。之後留下的廉價網路基礎設施，反而成為 Google、YouTube、Netflix 與雲端服務成長的重要條件。

非線性啟示：泡沫可能毀掉投資者，卻加速社會取得基礎設施。

4. 2000 年 Dot-com 泡沫

市場正確看見網際網路將改變世界，卻錯誤地把「網路很重要」推論成「所有網路公司都值得極高估值」。大量公司倒閉，但網際網路仍成為核心經濟基礎。

非線性啟示：押對技術，不代表押對公司與價格。

5. 2000 年代房地產泡沫

房價上漲提高抵押品價值，銀行更願意放貸，更多貸款又推動房價上升。這種正回饋讓市場在上升期加速，直到信用條件與房價預期出現反轉，下降也同樣被放大。

非線性啟示：非線性不只有遞減，也包括自我強化與突然反轉。

6. 大型基礎建設的邊際效益

第一條連接兩大城市的高速公路或高鐵，可能大幅降低交易成本；同類基礎建設繼續增加後，新增路線若人口較少或需求較弱，邊際效益通常下降。

非線性啟示：同一種投資，在不同發展階段的價值可能完全不同。

六、AI 投資可能經歷的四個階段

第一階段：稀缺

算力少、模型弱。新增投資可以快速跨越技術門檻，邊際回報很高。

第二階段：高速成長

模型能力快速改善，企業開始找到大量實際用途，投資與商業價值同步成長。

第三階段：瓶頸轉移

模型本身已經夠好，限制轉向資料、流程、能源、人才與需求。此時再加碼算力，效益開始下降。

第四階段：過度建設

企業仍按照第二階段的高成長率投資，造成晶片、資料中心、電力或雲端容量的供給增速超過可變現需求，泡沫風險上升。

七、個體理性不等於系統理性

假設 Microsoft、Google、Amazon、Meta 都認為 AI 可能成為下一個平台。任何一家若停止投資，而其他公司成功，都可能失去未來市場。因此，每家公司單獨選擇「繼續投資」都可能合理。

但如果所有公司同時用同樣邏輯擴張，整體市場可能建出遠高於短期需求的算力與資料中心。這就是重要的非線性現象：個別決策看似理性，累積後卻可能產生集體過度投資。

八、非線性成長的管理應用：為什麼「10 倍」可能比「2 倍」更容易？

Dan Sullivan 與 Benjamin Hardy 在《10x Is Easier Than 2x》中提出一個看似反直覺的觀點：若只追求 2 倍成長，人們往往會沿用既有方法，只是做更多；但若設定 10 倍目標，舊方法通常明顯不夠，反而迫使管理者重新設計整個系統。這不是數學定律，而是一種管理與策略思維。

1. 2 倍思維：把既有方法放大

假設一家公司有 10 名業務員，一年創造 1 億元營收。若用線性方式思考，想做到 2 億元，可能直覺認為應增加更多業務員、更多工時、更多廣告與更多拜訪。這種方法的核心是：沿用相同結構，以增加投入換取增加產出。

2. 10 倍思維：當舊方法明顯不可行，就必須改變結構

若同一家公司突然把目標設成 10 億元，單純把業務員從 10 人增加到 100 人，通常會立刻遇到管理、成本、人才與市場容量問題。因此真正需要問的，不再是「怎麼做更多」，而是「什麼必須根本不同？」

  • 能否改變商業模式，而不是只增加人力？
  • 能否提高客單價，服務更高價值的客群？
  • 能否透過軟體、自動化或 AI，讓同樣人力處理更多價值？
  • 哪些低價值工作可以直接停止？
  • 哪些少數活動真正創造大部分成果？

這裡的重點是：大幅成長未必來自同比增加投入，而可能來自改變投入與產出之間的關係。

3. 簡單案例：顧問如何從 100 萬做到 1,000 萬？

假設一位顧問目前每年服務 100 名客戶，每名客戶收費 1 萬元：

  • 目前營收 = 100 × 1 萬 = 100 萬元

若追求 2 倍營收，最直覺的方法是：

  • 200 名客戶 × 1 萬 = 200 萬元

工作量幾乎也跟著增加。若目標改成 1,000 萬元，沿用同樣模式就需要：

  • 1,000 名客戶 × 1 萬 = 1,000 萬元

這通常不可行，因此管理者會被迫重新設計，例如：

  • 100 個企業客戶 × 10 萬 = 1,000 萬元
  • 20 個大型企業客戶 × 50 萬 = 1,000 萬元

這時改變的不是單純工作量，而是客戶選擇、產品設計、價格、交付方式與價值定位。

4. 「10 倍比 2 倍容易」真正想表達什麼？

這句話的意思不是說 10 倍目標在客觀上一定比較容易，而是：2 倍目標很容易誘惑人持續最佳化舊系統；10 倍目標大到足以迫使人刪除低價值活動、集中資源，甚至重新設計商業模式。

可以把兩種思維濃縮成：

  • 2 倍思維：How can I do more?（我如何做更多？）
  • 10 倍思維：What would have to be fundamentally different?（什麼必須根本不同？）

5. 這與非線性思維的關係

前面的速度、省油與 AI 投資案例提醒我們：投入增加，產出不一定同比增加。《10x Is Easier Than 2x》則從相反方向補上一層：若想讓產出大幅增加，投入也不一定必須同比增加；真正重要的是能否改變系統結構。

因此，非線性思維可以同時包含兩個方向：

  • 投入增加 10 倍，產出可能只增加 2 倍。
  • 重新設計系統後，產出增加 10 倍，投入未必需要增加 10 倍。

真正需要尋找的，是能改變投入—產出關係的槓桿點。

6. 反過來看 AI：無限堆算力，可能仍是線性思維

這個觀點也可以反過來檢視 AI 投資。若模型要更強，就直覺增加 GPU、資料中心、電力與資本支出，本質上仍是在用「更多投入換更多能力」的線性方式思考。真正的 10 倍突破，可能來自模型架構、演算法、資料品質、推理方式、產品設計或企業流程的改變，而不是單純把硬體規模放大。

因此，AI 泡沫風險的一個核心問題是：市場究竟是在尋找新的非線性槓桿，還是在用巨額資本把既有方法不斷放大？

7. 三句核心結論

  • 投入增加，產出不一定同比增加。
  • 產出要大幅增加，投入也不一定必須同比增加。
  • 真正重要的，是找到能改變投入—產出關係的結構。

九、判斷 AI 是否進入泡沫，應看什麼？

  • AI 相關營收與自由現金流，是否能持續跟上資本支出。
  • 模型性能每提高一個單位，需要增加多少訓練與推論成本。
  • 企業導入 AI 後，真正節省多少工時、成本，或增加多少收入。
  • 資料中心與 GPU 的使用率是否維持高檔，還是開始出現閒置容量。
  • 企業是否因競爭焦慮而投資，而不是因已驗證的需求投資。
  • 市場估值是否假設高成長能長期維持，而忽略邊際報酬遞減。

十、管理上的核心啟示

非線性思維最重要的不是「少投資」，而是判斷現在位於曲線的哪一段，以及真正限制結果的是哪一個變數。

應避免的問法

更好的問法

我們投入了多少？

這一筆投入位於哪一個邊際效益區間？

技術是否更強？

技術提升是否真正轉化為商業價值？

競爭者都在投資，我們是否也要跟？

需求是否已被驗證？如果全部競爭者都跟進，會不會供給過剩？

過去成長很快，未來是否繼續？

目前是否接近飽和、瓶頸轉移或臨界點？

一句話總結：真正的泡沫往往不是押錯技術，而是押對技術，卻錯估了投入規模、投入位置與邊際回報。

十一、課堂討論

Q1. 為什麼上山 40、下山 60 的平均速度不是 50？

因為兩段雖然距離相同，但慢速段花的時間較長。平均速度應用總距離除以總時間，結果是 48 km/h。

Q2. 為什麼 80 → 110 比 110 → 140 更有感？

速度越高，同樣增加 30 km/h 所節省的時間越少，呈現邊際效益遞減。

Q3. 為什麼 10 km/L 提升到 20 km/L，可能比 20 提升到 50 更省油？

因為應比較固定距離下的實際耗油量，而不是只比較效率指標的增加幅度。

Q4. AI 很重要，為什麼仍然可能出現 AI 泡沫？

因為技術價值與投資價格是兩回事。AI 可以真正改變經濟，但資本支出、估值與供給仍可能超過短期可變現需求。

Q5. 為什麼每家公司都理性投資，整體市場仍可能過度投資？

因為企業各自擔心落後而加碼，這些個別合理決策累積後可能形成全產業供給過剩。

Q6. 為什麼 10 倍成長可能迫使企業採用非線性思維？

因為 10 倍目標通常無法靠把既有工作量同比放大來達成，企業必須重新設計產品、客群、流程、價格或技術槓桿。

Q7. 「更多 GPU」和真正的 10 倍 AI 突破有什麼差別？

更多 GPU 仍可能只是把既有方法放大；真正的 10 倍突破更可能來自架構、演算法、資料、流程或商業模式改變，使投入—產出關係本身發生改變。