The paradox of faster learning and slower cost reduction as technologies mature
本文通过分析145个清洁技术序列，揭示了一个悖论：随着技术的成熟，学习效率在提高，但由于生产增长放缓，年度成本降幅却在减速，因此需要既能催化早期创新，又能维持成熟技术部署的政策。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正在观看一款新游戏机上市的过程。起初，它价格昂贵、稀缺且带有一点小故障。但随着购买人数的增加，工厂制造它的技术变得更加精进，工程师们也找到了在不破坏质量的前提下削减成本的方法，突然之间，价格便如坠石般暴跌。这并非魔法，而是科学中一个被称为“技术学习”的已知模式。把它想象成一个学生学习某一学科的过程：他们练习得越多（或者产量越高），制作该产品就变得越便宜、越容易。科学家们长期以来一直使用两条主要规则来预测这一点。一条通常被称为“莱特法则”（Wright's Law），它指出成本每当产量翻倍时就会下降。另一条是“摩尔定律”（Moore's Law），它指出成本每年都会下降。几十年来，大多数用于规划我们能源未来的计算机模型都假设这些规则就像一个稳定的节拍器：咔哒，咔哒，咔哒，始终保持相同的速度。但如果节奏改变了呢？如果音乐在某些部分加速，而在另一些部分放慢呢？理解这一点至关重要，因为如果我们对清洁能源（如太阳能电池板或电动汽车）变得更便宜的速度判断失误，我们可能会不必要地恐慌，或者更糟——无法行动得足够快以拯救地球。
现在，让我们深入了解杰西卡·朱威尔（Jessica Jewell）、王华轩（Huaxuan Wang）及其团队的新研究，这项研究颠覆了旧有的节拍器理念。他们收集了一个庞大的数据库——包含145个不同技术的成长故事，这些技术从微小的实验演变成了全球性的巨头，涵盖了从太阳能电池板到核能的一切。他们将这些故事分为三个章节：混乱的“形成期”开端，快速的“加速增长”中期，以及“稳定增长”的成熟阶段。
这里有一个他们发现的转折点，甚至是一个悖论。随着技术变得越来越古老和成熟，它们实际上变得更擅长“学习”了。想象一个工厂工人，起初笨手笨脚，但最终成为了大师级工匠。研究发现，“学习率”（即每当产量翻倍时成本下降的幅度）显著跳升。对于全新的技术，学习率约为15%。但对于成熟的技术，这一比例飙升至30%以上。工厂的学习速度比以往任何时候都快！
然而，问题在于：尽管工厂的学习速度变快了，但技术的实际价格下降速度却变慢了。在早期，成本可能每年下降10%。但一旦技术成熟，其年度降幅就会放缓至仅为3%。你怎么可能在学习能力变强的情况下，成本削减能力却变弱了呢？作者用一个简单的比喻来解释：跑步比赛。在开始时，你在一条短跑道上跑，所以你的每一步（每一次产量翻倍）都发生得很快，你的速度（成本降低）也很高。但随着比赛进行，跑道变得越来越长。即使你是一个更快的跑者（更高的学习率），完成下一圈（下一次产量翻倍）也需要更长的时间，因为跑道实在太大了。经验正在积累，但由于市场趋于饱和，这种积累的速度变慢了。
该团队并不仅仅是靠猜测，他们利用计算机模拟进行了测试。他们创建了10,000种虚构技术，以观察在不同规则下的表现。他们发现，要重现现实世界的模式——即学习速度加快但年度成本下降放缓——唯一的途径是让两件事同时发生：技术在通过“边做边学”变得更好，并且仅仅因为时间的流逝也在进步（自主进步）。如果你只有其中之一，数据就无法与现实相匹配。
那么，这对我们意味着什么？这表明，过去那种建模预测未来的方式——假设成本会永远以稳定、可预测的速度下降——很可能是错误的。“自我强化”的循环（即廉价技术带动更多销售，进而导致技术更便宜）在技术成熟时会开始减弱。作者建议，我们不能只是坐等价格暴跌。相反，我们需要智能的政策。对于新技术，我们需要大力推动它们进入“加速”阶段。但对于成熟技术，我们不能依赖旧有的快速增长魔力；我们需要特定的政策来保持部署进程，并克服那些减缓速度的新障碍。学习仍在继续，但比赛的形式已经改变，我们需要以不同的方式去奔跑。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。