边际分析：如何判断是否值得持续投入？

边际分析：如何判断是否值得持续投入？ #

本篇我们将探讨一个被众多经济学家视为经济学核心智慧的概念——「边际分析（marginal analysis）」。

它能帮助你分析任何事业：究竟是应该坚持、放弃，还是加大投入。

以创业者常提及的“增长飞轮”为例，世界上不存在永恒的正反馈。那么，你如何判断这个飞轮是刚刚启动，还是已经接近尾声了呢？

边际分析可作为一种反馈式决策方法，它允许你根据产出的变化来调整下一轮的投入。其优势在于，你无需事先掌握系统所有细节，便能获得明确的决策信号。

我认为边际分析是一个被严重低估的思维工具。它本应像“不为已甚”、“亢龙有悔”等成语一样，广为人知。

边际分析的核心洞察 #

非专业人士观察事物，本能反应往往是关注其体量：这家公司资本雄厚，这个组织成员众多，令人赞叹！然而，大不等于健康。这家公司可能经营不善，濒临资不抵债；那个组织可能已人心涣散。利益相关者至少会关注平均值，例如公司的效率和利润率表现如何。

然而，这些都仅是过去和现在的表现，而决策必须面向未来。

要判断事物是否有发展前途、是否值得追加投入，经济学家的视角聚焦于「边际」：即下一个单位的投入，能带来多少新增产出。

例如，你新开一家工厂。前期投入巨资购买厂房和设备，这些均属固定成本。那么，接下来应该招聘多少工人呢？第一个工人可能只能独自操作一台机器；第五个工人加入后即可分工协作，例如一人负责上料，一人负责质检；第十个工人到来时，生产线便能真正高效运转——人手越多，分工越细，每多招聘一人，带来的新增产量就越大，这便是边际产量递增。产量提升后，分摊到每件产品上的固定成本也随之降低，这都是积极信号，表明你应该继续招聘。

然而，这个过程并非无限。车间空间有限，设备数量固定。当招聘到第20个工人时，日产量仍在增长，但增速已明显放缓；招聘到第40个工人时，工人之间开始互相等待设备、互相阻碍，此时每增加一人带来的新增产量已是零。若继续招聘，车间便会如同春运候车厅般拥挤，产量反而会下降。

如果不对工厂进行大规模改造，你将从边际产量递增转变为边际产量递减，最终甚至出现边际产量为负的情况。

由此可见，工人并非越多越好：第5个、第20个和第40个工人，他们对你而言的意义截然不同。这正是边际分析的深刻洞见。

边际效益的四种情境 #

接下来，我们对概念进行更规范的阐述。无论你从事何种事业，都会涉及边际收益与边际成本。不妨定义：

边际效益 ＝ 边际收益 － 边际成本

边际效益可正可负；其趋势可递增可递减。将这两个维度组合，你将面临四种基本情境——

边际效益为正且持续递增，这是最佳时期，务必加大投入！你的每一分额外投入都将带来比以往更多的回报。

边际效益为正但正在递减，此事虽仍值得继续——每多做一件依然盈利——但收益正逐渐减少。此时需警惕，该事业前景有限，很快便可能不再盈利。

如果当前边际效益暂时为负，但趋势正在改善，这可能属于我们前文提及的“冷启动”阶段：当前投入或许存在风险，但只要这一改善趋势真实可靠，便值得投资，未来终将迎来盈利的一天。

而若边际效益为负且持续恶化，这便是无底洞般的亏损，应毫不犹豫，立即退出。

边际效益递增的魔力 #

「边际效益递增」堪称世界上最值得大力投资的领域：你每次追加投入，不仅会带来新的产出，而且产出量比以往更多！你正乘上正反馈的飞轮，势不可挡，甚至会觉得睡觉都是浪费时间。

我们此前为何强调「平台」是现代世界最强大的商业模式？正是因为它具有边际效益递增的结构：用户越多，平台对每个用户就越有价值，吸引下一个用户就越容易，且其价值也越高。平台还享有数据飞轮效应：用户量越大，数据越丰富，产品就越智能，从而吸引更多用户。

边际效益递增也是工业化盈利的秘密：前期固定成本不变，每多生产一件产品，分摊的成本就越少，收益便越大；并且，产品生产越多，熟练度越高，成本还能进一步下降，收益也能进一步增加。

事实上，只要边际效益不降低，这项事业就不仅值得持续投入，更应利用商业杠杆不断将其放大。你只需将收益再投资，形成复利，增长本身便能带来新的增长——你将获得人们梦寐以求的指数增长……

用投资人的行话来说，这便是「可扩展性（scalability）」，即该事业可以被持续放大。

边际效益递减的必然与S曲线 #

然而，我们必须承认，世界上不存在永恒的边际效益递增。

每一个强化回路都存在于一个更大的系统中，而该系统中总有平衡回路等待对其施加限制。

你的产品畅销，竞争对手便会入场，争抢用户、供应商，并展开价格战。即便梅西球技再高超，球迷再众多，他每年能踢的比赛场次也有限，且终将面临衰老。更多情况是，明星本人仍干劲十足，粉丝却已审美疲劳……即便这些你全部避开，仍有一条最坚硬的天花板：市场总量。当你的市场占有率达到50%，便不可能再实现一倍的增长。

你终将迎来边际效益递减。

资本市场每隔几年便会用真金白银重新领悟这一道理。回想当年的共享单车大战，资本曾误以为投放量便是飞轮：车辆越多越方便，越方便用户越多。故事的前半段确实如此；然而，一旦超过有效密度，新增车辆带来的便利性便趋近于零，而调度、维修、丢损的成本却持续攀升……项目最终难以为继，沦为一座座单车坟场。

因此，世间再优秀的产品也无法带来无限的指数增长，它们的发展轨迹通常呈现为一条「S 曲线」——

随着累计投入，总成果的变化趋势为：前期冷启动，投入巨大但成效微弱；中期飞轮效应显现，边际递增，事业一飞冲天；后期市场饱和，边际递减，曲线逐渐趋于平缓。

若你想了解一个产品当前所处的生命周期阶段，只需探究其在S曲线上的位置即可。

实际上，对于这种“总量仍在高位，边际已显疲软”的局面，中国人早有深刻体会。《易经》乾卦从“潜龙勿用”、“见龙在田”一路走到“飞龙在天”，最终一爻却是“亢龙有悔”，这难道不正是S曲线的写照吗？《象传》解释得更为直白：盈不可久也。

那么，如果我赖以发展壮大的产品已达S曲线顶峰，边际效益已归零，面临“亢龙有悔”的境地，该如何应对？难道就此消亡吗？远不至于。你完全可以开发一款新产品。

1994年，英国管理思想家查尔斯·汉迪（Charles Handy）提出了「第二曲线（the second curve）」[1]的概念：要突破旧曲线的天花板，必须在第一条曲线达到顶峰之前，绘制出一条新的S曲线。S曲线的不断衔接，便能形成持久的增长。

请务必注意启动时机——第二曲线必须在旧曲线达到顶峰之前启动。因为开辟新曲线需要资金、人才和士气，这三者只有在旧曲线仍处于上升期时方能充足。一旦旧曲线的新增回报已无力支撑新的探索，资金、人才和士气开始萎缩，此时再寻求转型便为时已晚。

当年苹果在iPod仍热销之际发布iPhone，主动让新产品蚕食其明星业务，正是开发第二曲线的经典案例。我很期待苹果的下一条S曲线会是什么。

持续增长的秘密：S曲线的叠加 #

过去几十年间，人类见证了两项奇迹般的持续增长。

其一是摩尔定律，它指出集成电路上可容纳的晶体管数量大约每两年翻一番 [2]。

从1971年英特尔首款微处理器Intel 4004的2300个晶体管，到2024年英伟达Blackwell GPU的2080亿个晶体管 [3][4]，晶体管数量在五十多年间增长了约九千万倍。

其二是近几年AI领域的「缩放定律（Scaling Law）」。2020年，OpenAI研究员贾里德·卡普兰（Jared Kaplan）等人发现，大型语言模型的交叉熵损失（即预测下一个词的准确性）会随着参数、数据和训练算力的增加而持续降低 [5]。这实质上意味着，对模型投入越多，模型便越智能。

幸运的是，缩放定律至今依然有效。尽管不时有人猜测它是否已达极限，但其依然奏效。正因缩放定律的有效性，我们才得以期待AI会越来越智能，直至实现AGI（通用人工智能）和ASI（超级人工智能）。

那么，芯片和AI为何能持续增长，而不陷入边际效益递减呢？答案在于，你所观察到的宏观增长，实则是由多个S曲线叠加而成。

摩尔定律并非单一芯片技术从始至终的演进，而是经历了多次技术迭代：从平面晶体管到FinFET，再到GAA，当一条技术路线接近极限时，另一条便会接替 [6]。

AI领域，缩放定律同样在不断迭代。起初，研究者主要致力于加大预训练投入，使模型规模越来越大；随后发现许多模型“脑子造得很大，书却读得太少”，于是重新调整了模型规模与训练数据的配比 [7]。再后来，投入转向后训练、强化学习和推理计算：不仅让模型阅读更多数据，更教导其如何解题，并使其在回答前进行更深层次的思考；o1和DeepSeek-R1等均属这条新曲线 [8][9]。

这揭示了一个道理：世界上不存在“一招鲜吃遍天”且能让你永续受益的好事。你必须不断发明新的增长点，才能让一项事业长久地发展下去。

边际分析与战略转型 #

边际分析、S曲线和第二曲线共同揭示：即便一项策略再优秀，在特定时期也必须进行调整。改变旧策略并非因其本身不好，而仅仅是因为它不再适应新的局面。

以中国经济为例，过去四十年的高速增长，在很大程度上是由投资拉动形成的曲线：修路、建厂、盖楼，资本投入，增长随之显现。在基础设施严重短缺的年代，许多项目都具有极高的边际效益：例如第一条高速公路、第一座现代化工厂，能立即释放巨大的生产力。

然而，投资终将遭遇边际回报递减。白重恩（Chong-En Bai）和张琼（Qiong Zhang）在2014年采用多种口径估算中国资本回报率时，发现其趋势在2008年以后明显下行 [10]。诚然，两城市间的第一条高速公路建成，能立即带动当地经济发展；但当大城市间的高速公路网已臻完善，若再将公路延伸至边远山区，则可能数十年都无法收回投资。

然而，由于基建投资能立即转化为GDP并被视为政府政绩，地方政府对此类投资趋之若鹜。殊不知，这些投资如今已演变为沉重的债务负担。世界银行2026年《中国经济简报》精准指出：公共投资“在许多领域”面临收益递减，应将支出重新配置到回报更高的用途上 [11]。

例如，将资金留给民众消费。到2025年，中国居民消费占GDP的比重仍仅为40.0% [12]。要理解这个数字的低微，可参考世界银行最新可比的2024年数据：中国为40.0%，而OECD成员国平均达到60.1%，两者相差整整二十个百分点 [13]。中国民众消费需求旺盛，当前通过消费拉动增长具有巨大的边际效益。

个人努力的边际分析 #

边际效益递减如同一个魔咒，任何策略用至极致都必定会遭遇。因此，我们必须对此保持敏感，方能在S曲线见顶之前，及时采取行动寻找新方法。

例如，人们普遍推崇的“努力”，便值得进行边际分析。

一名学生复习至深夜，再多学习一小时带来的提升早已微乎其微，而负面影响却愈发增大，此时继续学习的意义何在？下一小时边际效益最高的选择便是睡觉。

遭遇瓶颈时，多数人的第一反应是“加量”——殊不知，此时更应“变招”才是。

例如，家中总是杂乱不堪，你的第一反应可能是周末再多打扫一小时。起初可能有效，但当物品堆积到一定程度后，即便你再勤快，也只是将杂物从一个角落搬到另一个角落。边际递减正提醒你：瓶颈已不在于打扫速度，而是物品过多。正确的做法并非每日整理，而是改变变量——少买、丢弃、重新设计收纳方案。

你必须将努力从边际效益趋于零的领域，转移到边际效益递增的领域。

超越“小满”：拥抱第二曲线 #

近年来流行一种民间智慧，称作“小满胜万全”，意指事物若发展至极度圆满，便如同月盈则亏般，走向反面。这实际上是对边际效益递减和S曲线的一种感慨。

既然辉煌之后必定是黯淡，那我何不一直停留在S曲线顶部之前的状态呢？干脆不要追求极致的“大满”，仅守“小满”即可。有人便会说，要功成身退，不求大富大贵，甚至引用“身后有余忘缩手，眼前无路想回头”等言论。

理解了本篇的边际分析，你便会立即看清这种见识的浅陋。

马斯克早已是世界首富，如今仍在接二连三地成就大事，你能说他是“小满”还是“大满”呢？“小满胜万全”总是在事后感慨——你只有经历“大满”之后的衰落，才追悔莫及地珍惜当初“小满”的状态，可那又有何用呢？

真正的解决之道并非拒绝“大满”，而是在“大满”之前开启第二曲线。

自强不息与“亢龙有悔”并非矛盾。

【有诗为证】

花未全凋春已深， 浓阴深处辨秋音。 东风不恋繁花树， 已向新枝递绿荫。

注释

[1] Handy, Charles B. The Empty Raincoat: Making Sense of the Future. London: Hutchinson, 1994.

[2] Intel Corporation. “Moore’s Law: Fun Facts.” Accessed July 20, 2026. https://www.intel.com/content/www/us/en/history/history-moores-law-fun-facts-factsheet.html.

[3] Intel Corporation. “Intel Marks 30th Anniversary of the Microprocessor.” November 15, 2001. https://www.intel.com/pressroom/archive/releases/2001/20011115corp_a.htm.

[4] NVIDIA. “NVIDIA Blackwell Platform Arrives to Power a New Era of Computing.” March 18, 2024. https://nvidianews.nvidia.com/news/nvidia-blackwell-platform-arrives-to-power-a-new-era-of-computing.

[5] Kaplan, Jared, Sam McCandlish, Tom Henighan, et al. “Scaling Laws for Neural Language Models.” arXiv:2001.08361, 2020.

[6] Samsung Electronics. “From GAA to 3D Stacked FET: Expanding the Transistor into the Third Dimension.” Accessed July 20, 2026. https://semiconductor.samsung.com/news-events/tech-blog/from-gaa-to-3d-stacked-fet-expanding-the-transistor-into-the-third-dimension/.

[7] Hoffmann, Jordan, Sebastian Borgeaud, Arthur Mensch, et al. “An Empirical Analysis of Compute-Optimal Large Language Model Training.” Advances in Neural Information Processing Systems 35 (2022): 30016–30030.

[8] OpenAI. “Learning to Reason with LLMs.” September 12, 2024. https://openai.com/index/learning-to-reason-with-llms/.

[9] Guo, Daya, Dejian Yang, Haowei Zhang, et al. “DeepSeek-R1 Incentivizes Reasoning in LLMs through Reinforcement Learning.” Nature 645 (2025): 633–638.

[10] 白重恩、张琼：《中国的资本回报率及其影响因素分析》，《世界经济》2014 年第 10 期，第 3—30 页。

[11] World Bank. China Economic Update, July 2026: Rebalancing Growth. Washington, DC: World Bank, 2026. https://thedocs.worldbank.org/en/doc/0cb2fc6dd88d4db3816dc0433b5cb49b-0070012026/china-economic-update-july-2026.

[12] 国家统计局：《消费市场扩容升级 商贸流通焕新提质——“十四五”经济社会发展成就系列报告之十二》，2026 年 6 月 4 日。https://www.stats.gov.cn/zt_18555/ztfx/sswjjshfzcjbg/202606/t20260601_1963844.html。

[13] World Bank. “Households and NPISHs Final Consumption Expenditure (% of GDP).” World Development Indicators. Indicator NE.CON.PRVT.ZS. Accessed July 20, 2026. https://data.worldbank.org/indicator/NE.CON.PRVT.ZS?locations=CN-OE.