一句话定义：赖特定律（Wright's Law）说的是，一个产品的累计产量每翻一番，它的单位成本就会按一个固定百分比往下掉——掉多少取决于行业，通常在百分之十几到二十几之间。
它从哪来。20 世纪 30 年代，航空工程师西奥多·赖特（Theodore Wright）在统计飞机机身制造成本时发现了一条规律：第 N 架飞机的成本，不是随日历时间下降，而是随"已经造过多少架"下降。造得越多，工人越熟练、工序越顺、废品越少、工具越专门化，于是单位成本沿着一条稳定的曲线往下滑。这条曲线后来被称为学习曲线（learning curve），在制造业里也叫经验曲线（experience curve）。
打个生活的比方。第一次做红烧肉，你要看三遍菜谱、切得歪歪扭扭、盐放两回，折腾两小时。做到第 4 次，四十分钟搞定，味道还更稳。但注意：省下来的时间不是你"又活了一个月"带来的，而是你"已经做了 4 次"带来的。赖特定律关心的是次数，不是时钟。
它和摩尔定律差在哪。这是最值得掰扯的一点：
| 对比项 | 赖特定律 | 摩尔定律 |
|---|---|---|
| 自变量 | 累计产量 | 日历时间 |
| 说法 | 产量每翻倍，单位成本降固定比例 | 每隔约两年，同面积芯片上的晶体管数翻倍 |
| 本质 | 学习曲线、规模效应 | 技术节奏的经验观察 |
| 用来干什么 | 预测成本怎么走 | 预测性能/密度怎么走 |
差别很实在：如果某个行业的产量停滞，摩尔定律照样按时间"往前走"，赖特定律却会停下来。反过来，一个行业如果需求爆发式增长，赖特定律会让成本掉得比时间线预测的更快。光伏、锂电池、LED 这些年的成本曲线，用赖特定律去解释往往比用时间型定律更贴。
对 AI 从业者意味着什么。算力、存储、推理服务的单位成本，本质上都吃"累计部署量"这碗饭。模型一次性训练成本高，但推理是海量重复的活儿，部署得越多，工程优化、硬件定制、缓存复用、批处理调度就越成熟，单位 token 的成本就越低。所以做成本预测时，问"我们累计服务了多少请求"通常比问"现在是哪一年"更有信息量。同理，一个刚起步的产品，不该拿成熟产品今天的成本水平来对标自己——人家已经翻了很多次倍了。
对普通职场人意味着什么。你手上任何重复性工作都在同一条曲线上：做的第 10 遍一定比第 1 遍便宜。真正的杠杆不是加班，而是把"做过的次数"攒起来——把流程固化、把坑记下来、把能自动化的部分自动化，让每次重复都在为下一轮的降本做贡献。
一句话提醒：学习率的具体数值因行业、因定义口径而异，想知道某个领域的数字，得拿它自己的历史数据去拟合，别直接套用别处的百分比。