文/CxEric；图/ChatGPT
最近看AI热潮，老想起多年前在物流学里学到的一个概念：牛鞭效应。
所谓牛鞭效应，就是一个小的需求变化，经过供应链一层层传递后，被不断放大。像甩鞭子一样，手腕只是轻轻抖了一下，到了鞭子的末端，却变成剧烈摆动。
举个简化的例子。
一家便利店平时每天卖100瓶水。最近天气热了（或其他原因），销量变成每天卖110瓶。消费者真实需求只增加了10%。
但便利店老板担心断货，也觉得销量会继续增长，于是向经销商订120瓶。
经销商看到零售商订单明显增加，也担心厂家供货不足，便向厂家订了140瓶。
厂家看到经销商订单大增，以为市场需求正在爆发，于是安排生产180瓶。
结果就是：消费者的真实需求只是从100瓶增加到110瓶，传到厂家那里，却仿佛从100瓶增加到了180瓶。
这就是一个粗略的牛鞭效应。
如果我们继续往上推演，事情还会更复杂。
厂家看到订单大增，为了满足需求，就会向上游采购更多原材料（瓶子、塑料、食物添加剂等）。甚至，如果他们相信这是一个长期趋势，可能还会决定采购设备、兴建厂房、增加生产线。
这个“牛鞭效应”，从零售终端开始，层层蔓延，一路延伸到经销商、总经销商、厂家、厂家的供应商，甚至是供应商的供应商。
01 需求有增长，订单却消失
但如果趋势逆转呢？
不，甚至不需要逆转，只要真实消费水平回落一些：比如从每天消费110瓶，回落到105瓶——会怎么样？
站在消费端看，105瓶依然比100瓶增加了5%的需求，消费还是增加的。但是整个供应链，就是会因为这次回落（从+10%到+5%），以及这次的“不达预期”（预期可能是+20%），出现整个链条的剧烈波动。
牛鞭效应会反向运作。
在一段时间后，便利店会发现销量高估、库存积压，于是缩减订单，从120缩回到100；
经销商收到订单缩减后，也跟着缩减订单，甚至考虑到库存积压问题，订单会缩成100，甚至是90；
厂家发现订单接连缩减，于是取消原材料采购，甚至考虑降价促销，扩产计划也搁置再议。
每一层都在惊觉，订单下多了、库存存多了，于是“层层催单”骤变成“层层砍单”，就会出现“渠道库存积压”，甚至是整体的产能过剩。
这就是牛鞭效应的正反两次运动。
在物流学、供应链管理上，牛鞭效应已经被广泛理解，它可以用来解释渠道库存、订单大幅波动的原因，甚至可以解释某些产业为何会陷入产能过剩的困局。
譬如说前几年的白酒库存。
在那几年，基于高端白酒的长期涨价预期，供应链的每一层都有不同程度的囤货行为，甚至消费者自己也在尽力囤货；每一层环节的囤货行为，都让上一层高估了实际需求量，整体叠加出一次夸张的“渠道加库存”过程。
在高端白酒这个例子上，推动鞭子摆动的力量可能是涨价预期、缺货恐慌、FOMO（害怕错过机会）。
通过观察这个思维过程，我们可以有两个基本推论：
1、供应链整体的剧烈扩张，未必是基于真实需求的大幅提升；
2、供应链整体的剧烈收缩，未必是基于真实需求的大幅缩减。
在某些条件下，只要供应链的各个环节，对需求形势出现某程度的集体误判（预期），而这些误判由于时滞、信息差、情绪等因素，叠加形成合力，就会推动供应链剧烈扩张；反之，也会导致整个链条出现骤然收缩。
所以，
1）当供应链大幅扩张时，未必说明真实需求在（同比例地）大幅增长，供应链有高估乃至错判的可能；
2）当供应链剧烈收缩时，未必说明真实需求在（同比例地）大幅减少，供应链或许只是在修复之前的集体错判。
02 个体理性未必带来整体理性
牛鞭效应的背后，有很多彼此叠加的原因。
首先是时滞。
便利店观察销量变化、确认趋势，需要时间；决定增加订单，到真正收到货，也需要时间；厂家追加生产、扩大产能，也需要时间；上游供应商也是如此。
需求变化在不断放大、向上传递，货物和产能的调整却总是慢一步。
这有点像调节一个反应迟缓的热水器。
水太烫，于是你拧开冷水；温度没有立即改变，于是你又拧大一些；忽然又变得太冷，于是你赶紧反过来增加热水，结果一会又太烫了；你不得不加大冷水——要经过好几轮，才能调出合适的温度。
当反馈不够及时，人就很容易用力过猛。
除了时滞，还有预测和信息差。
便利店能看到销量在增长，但不知道增长会持续多久、终点在哪里；经销商能看到便利店下了多少订单，却不知道这些订单有多少是基于“预测”与“害怕错过”；厂家能看到工厂仓库的库存量，却不知道整个渠道积压存了多少库存。供应链上的每一层，都只能看到自己附近的一小段信息，却都在对整个市场的未来做出判断。
于是，每个人都会多加一点“安全垫”：怕断货，所以多订一点；怕涨价，所以提前买一点；怕错过机会，所以多建一点产能。
每个人单独看都很谨慎，甚至很理性。可当所有人的“安全垫”叠加在一起，最终形成的需求预测，却可能已大幅偏离了终端消费者的真实需求量。
这正是牛鞭效应最精彩的地方：局部的理性，并不必然导向整体的理性。
一个系统中的每个人都可能没有明显犯错，整个系统却依然会产生巨大错误。
这听起来有些匪夷所思，但如果复盘一些产能过剩的产业，就会发现这个模式曾反复出现：
在大幅扩产前，每个公司都觉得自己有充分理由与证据，相信扩产是对的、长远有利的，而且越快越好——但不知道怎么地，忽然整个产业都过剩了，只能卷入无尽的价格战。
每个个体都在做理性决策，却形成了整体的不理性——这是可能的。
不过，仅仅时滞、预测和信息差，还不足以让整个供应链剧烈扩张。
真正容易把牛鞭效应推向失控的，是参与者开始相信：眼前的增长不是一次短期波动，而是一个会维持很久的全新趋势。
举个例子。如果大家知道，饮料热销是因为天气热（季节效应），到了秋天销量就会自然回落——那么，每个环节都会有所准备；工厂不会因为一个夏天生意很好，就突然新建几条新生产线。
可预期的、反复出现的需求变化，很难造成强力的牛鞭效应。真正会让整个供应链兴奋激动的，是一个没预期到、前所未有的、猛烈的“长期增长趋势”。
当人们不知道这个增量最终会有多大，却越来越确信它会持续很久时，每一层都会倾向于多准备一点。
因为在新趋势面前，人们最害怕的往往不是做错，而是错过。
那么，这个趋势最好真的很长期。
03 所有订单都是真实的
牛鞭效应还有一个“细思极恐”的地方：供应链中的每一层，都可能认为自己看见了真实需求。
便利店手里有真实的销售数据；经销商手里有便利店的真实订单；厂家手里有经销商的真实订单；原材料和设备供应商手里，也有厂家的采购合同。
所有订单都是真的。
如果牛鞭效应持续时间足够长，甚至产业链的每一环都可能实现营收增长和利润增长。没有人造假，也没有哪笔交易是凭空虚构的。
如果召开业绩说明会，每一个环节的企业都可以理直气壮地说：我们的需求非常旺盛，因为订单就在这里，我们也收到了真金白银的货款。
问题在于，这些订单并不是彼此独立的需求证据：经销商的订单，来自便利店的备货；厂家的订单，来自经销商的备货；原材料供应商的订单，又来自厂家的扩产。
实际上，它们是同一份“证据”：是同一份终端需求增长，映射在供应链的不同环节。
订单是真的，收入是真的，利润也可能是真的。但它们并不自动证明，终端消费者的真实需求也增加了许多——至少，未必是同样多。
营收与利润固然是事实，但消费终端的真实需求水平是多少、提升幅度有多大，是另一个需要时间检验的事实。
而牛鞭效应的破坏力也在这里。
当整个趋势逆转或回落，长期需求水平低于供应链的集体预期时，每一个环节都会发现自己之前过于乐观、投入了太多资金、下了太多订单，层层加单变成层层砍单——是有可能出现的。
你可以说这是周期性，也可以说这是群体不理性，也可以说是内卷式竞争——不管你用什么词汇来描述，这类现象在很多产业里，已经反复出现过了：
一次新的增长趋势，带动了全行业的乐观情绪；当它被证伪或低于预期时，会给全产业带来相反的压力。
04 AI与超级牛鞭效应
回到核心话题：AI。
我想试图与读者讨论的是：牛鞭效应，或可部分解释AI产业的繁荣；
又或者说：AI产业的繁荣中，可能叠加了一次超级牛鞭效应。
至少到目前为止，AI产业已经呈现出几个值得注意的特征。
第一，这是一次前所未有、规模难以估计的增长趋势。
AI产业链上的大多行业都存在已久，芯片、服务器、数据中心、存储、网络设备、电力和冷却，都不是新行业，但语言大模型的突破，改变了市场对整个产业需求的判断。
生意从来没有这么好过。
人们普遍相信，这不是一个季节性变化，也不是一轮普通的库存周期，而是一个可能持续许多年的长期趋势。问题在于，没有人知道这个趋势最终会发展到多大规模，也没有人知道，它会在什么水平上达到均衡。
由于势头持续迅猛，整个产业链都无法达成共识：产业需求会在XX水平稳定下来——不，每个环节的参与者，都只能根据自己看到的订单、使用量和增长速度，来推测未来会发生什么。
现在普遍的预计，都是会持续很多年、规模会很大。
第二，AI需求正沿着一条漫长产业链不断向上游传递，或存在需求的层层放大。
AI繁荣首先是从语言大模型和AI应用开始，这直接改变了模型公司、互联网平台和云厂商对算力需求的判断。
接着，需求开始传递到GPU、服务器、交换机、光通信设备和存储；然后，再进一步传递到芯片封装、半导体设备、数据中心、电力设施和冷却系统。
这条传导链条远比饮料行业更长、更细分、更复杂，因而每一层都可能存在复杂的计算与预测。
语言大模型公司购买算力时，不能只购买当前需要的算力，还需要为下一代模型和业务增长储备算力；
云厂商也不能等客户需求完全出现后再建设数据中心，而是需要提前规划土地、电力和设备，这也是一种“提前量”；
芯片、服务器和网络设备的交付周期较长，下游为了避免短缺，又会更早下单、锁定产能。
在这个长长的产业链条里，每一层都在预测，每一层都在提前准备，每一层都倾向于多增加一点安全垫。
这已经很有牛鞭效应的影子：
我们不知道，终端需求究竟会增长多少，但模型公司已经按照他们的预期在采购、规划；云厂商看到模型公司的规划，又可能按照更乐观的情形建设；设备和零部件厂商看到云厂商的资本开支，再据此扩充自己的产能。
需求就是这样一层层向上传递，也可能一层层被放大。
第三，AI热潮带有战略竞争与情绪色彩。
在一个传统产业里，产能过剩通常意味着浪费与亏损。但在一场可能重塑产业格局，乃至重塑整个经济格局的技术竞赛里，准备不足的代价可能远远大于过度准备。
AI产业的每一个环节参与者，都存在对落后时代、错过机遇的恐惧。
没有一家大模型公司愿意因为缺少算力，而错过下一代模型：OpenAI不愿意、Google不愿意、Anthropic不愿意，甚至国内的一众大语言模型公司也不会愿意。
相较于各种技术难关，在这场竞赛中，采购（买多点）反而是最容易实现的环节：有钱就行。
同样地，也没有人愿意眼看竞争对手锁定芯片、数据中心和电力资源，自己却在几年后才开始排队。
因此，企业大力采购算力和建设基础设施，不只是为了满足已经存在的客户需求，也是在买一种保险：万一AI需求继续高速增长，自己至少不会因为投资（采购）不足而被排除在时代机遇之外。
对单个企业而言，这种做法完全可以理解。
但如果所有企业都按照最乐观的情形准备，并且都把竞争对手、上下游的扩张视为需求进一步增长的证据，那么，所有人的安全垫叠加在一起，就可能形成一次巨大的产业链扩张。
这就很有牛鞭效应的样子了。
第四，谁是真实需求？
就如前文所述，牛鞭效应中的每一层都觉得自己看到真实的需求，但实际上他们看到的更多的是下一层的需求罢了。
很多公司的客户是英伟达，但英伟达不是终端用户；英伟达把GPU等产品卖给云厂商和大型科技公司，它们也不是产业链的终点；云厂商建设数据中心、采购算力，其中又有相当一部分，是为了满足大模型公司下一代模型和未来业务的需要。
这些需求都是真的。
但它们究竟来自已经出现的终端需求，还是来自产业链各个环节对未来需求的提前准备，是两回事。
沿着这条产业链一路向下追，最终仍然要回到企业和消费者：他们究竟会怎样使用AI？AI能够为他们创造多少价值？他们最终需要多少算力，又愿意为这些价值支付多少费用？
这个答案，将决定今天这场产业链繁荣，究竟是一轮恰到好处的提前建设，还是一次被层层放大的过度准备。
第五，资本的大规模介入。
如果AI繁荣中存在牛鞭效应，那么它与一般的牛鞭效应还有一个很大的不同：资本的大规模介入。
在饮料的例子里，推动产业链扩张的资金主要来自自有资本。一旦便利店、经销商或厂家发现库存积压、动销变慢，现金流和利润压力会迫使它们减少订单、停止扩产，产业链随之进入反向调整。
但在AI产业里，情况有所不同。
由于被普遍视为一次可能改变经济格局的技术变革，AI产业吸引了庞大的外部资金，几乎每个环节都有资本大规模介入。这使得许多AI公司不必完全依靠当下的利润和经营现金流，也可以进行面向未来的投资和采购。
哪怕终端业务仍在亏损，哪怕商业模式还未验证，只要资本还在继续投入，只要市场对未来仍然乐观，企业就可以继续购买算力、建设基础设施，并向上游下达更多订单。
在AI产业链里，下游企业拿到的融资，往往会转化为上游供应商的收入；而上游企业实现营收增长后，又会被市场视为AI产业持续繁荣的“新证据”。
资本由此成为一股额外的推动力量：它把对未来需求的预期，提前转化成了今天真实的订单，也让产业链扩张得以暂时摆脱终端需求的约束。
结尾 证真、证伪与缓解
当我用牛鞭效应来解释AI繁荣时，或许会犯逻辑或论证上的疏漏，也可能措辞或过于猛烈，但有一点需要澄清：我并非在论证AI泡沫论。
AI泡沫论是一个宏大话题，论证难度太大，也容易遭遇逻辑与定义的诘难。我只是试图讨论：AI繁荣，可能叠加了一次超级牛鞭效应。
如果这个判断为真，那么我们未来可以看到：在AI产业链里，至少超过一个环节，会发现自己过度准备，如过度投资、过度采购，于是决定收缩或取消扩张计划。
如果这个判断为假，那么我们未来会发现：没有一个（很少）环节出现过度准备，反而是整个产业链持续地准备不足，于是新一轮的扩展计划得以提出、实施。
在《系统之美》一书中，作者论述了一个典型的时滞系统：库存——这实际上就是牛鞭效应在系统论中的呈现形式。
作者认为，由于系统存在感知延迟、反应延迟、交货延迟、建设周期延迟，经销商的库存波动是无法避免的事情。
为了缓解库存波动，常见的调整方式就是“缩短时间延迟”：以前选取的是5天平均销量，现在选取2天平均销量——这样就可以更快地回应销量的变化。
但这个做法反而会导致更大的库存波动，“愈采取干预措施，情况愈恶化”。
作者说，有效缓解手段反而是：放慢。
“对于这个系统，造成问题的部分原因不是经销商反应太慢，而是太快。在系统既定的状况下，经销商有些反应过度。”“如果经销商不是将反应延迟从3天缩短到2天，而是延长到6天，事情就会好转很多。”
书中还有两段话挺有意思，不妨作为结尾：
“当反馈回路中存在较长的时间延迟时，具备一定的预见性是必不可少的。如果缺乏预见性，等到一个问题已经很明显才采取行动，将会错过解决问题的重要时机。”
“既然时间延迟无法消除，那么，放慢系统的成长速度，使得技术和价格可以与成长保持一致，将具有更大的杠杆作用。”
— END —