莱特定律的局限

1. 前提假设很强，现实很难完全满足

莱特原始模型隐含几个强假设：
- 技术路线不变：一旦发生颠覆性材料 / 结构 / 工艺变更，旧的累计经验直接作废，学习曲线重置，成本跳升。渐进式小改尚可，大改版会打断曲线。
- 生产连续、经验可沉淀：停产、人员流失、工厂搬迁，会造成 “经验遗忘”，良率回升变慢，成本反弹，不再遵循原有曲线。
- 学习速率恒定：模型默认每次产量翻倍，成本下降比例固定。但实际：早期爬坡阶段降本很快；工艺接近物理极限后，学习空间耗尽，曲线会逐渐走平，学习率持续衰减，不会一直保持同一个下降比例。
很多企业直接套用固定 80%/85% 学习曲线做 10 年成本预测，结果严重低估后期成本。

2. 模型只考虑制造学习效应，忽略大量外部成本变量

产品总成本里还有很多不受学习曲线影响的部分：
- 大宗商品原材料成本：硅、锂、铜、稀土等价格受供需、地缘、矿端产能影响，暴涨时可以完全覆盖制造端学习带来的降本。
- 设备折旧、资本开支波动：新建产线、更换昂贵设备，会一次性抬升单位固定成本。
- 研发、认证、售后、管理成本：莱特曲线主要针对直接制造成本，不包含这些。产品越复杂，非制造成本占比越高，莱特预测偏差越大。

3. 容易混淆「累计产量」vs「产能规模」，造成战略误判

最常见误区：把 “扩大产能” 等同于触发莱特定律。
- 建了巨大产线，但订单不足、开工率低，累计产量上不去 → 不会产生学习降本；还会背负高额折旧，单位成本反而更高。
- 企业容易盲目扩产赌学习曲线，造成产能过剩、资本浪费。

4. 不区分降本来源，掩盖真实瓶颈

莱特曲线只是结果统计，不区分成本下降来自：工人熟练度、工装优化、良率提升、供应链降价，还是单纯原材料下跌。
- 单纯拟合一条历史曲线，无法定位瓶颈；
- 如果过去的降本主要来自原材料降价，而不是工艺学习，那么未来原材料价格反转时，你以为还会继续降本，但实际不会。

5. 适用范围有限，很多场景根本不成立

- 单件定制、一次性项目、采掘资源类行业、纯服务业基本不适用；
- 成熟产品（铁钉、普通玻璃）工艺已经固化，几乎没有学习空间，产量再翻倍成本也不动；
- 多品种小批量生产：频繁换型，每次换型都要重新学习，很难积累连续经验，学习效应微弱。

6. 竞争层面的盲点：莱特定律只看自身成本，不看市场和对手

- 就算你沿着莱特曲线把成本降下来，如果竞争对手同样在走学习曲线，甚至学习斜率更好，成本优势会被抵消；
- 市场需求萎缩时，哪怕成本持续下降，也无法形成盈利飞轮；
- 容易陷入 “成本竞赛陷阱”：持续投入资本去堆产量换降本，但是价格下跌速度比成本下降更快，毛利率持续压缩（光伏行业历史上就出现过）。

7. 量化上的缺陷：历史学习率不一定能外推未来

- 学习率是事后拟合出来的统计参数，不是产品固有属性。过去的学习率只能参考，不能直接拿来预测未来；
- 早期小批量的数据噪声大，用试产阶段的学习率外推到大批量阶段，经常高估后续降本潜力。

参考来源：豆包