永恒的互补关系

作者按：本文是我们关于未来经济的系列文章的首篇，发表于一个新平台，该平台汇集独立声音，共同探索 AGI 时代的未来。本文仅代表我们的观点，不代表 OpenAI 或我们同事的立场。

人类的目光，已几乎触及时间的起点。

我们的方程，描绘了一幅始于宇宙诞生之初、大体自洽的演化图景。借助望远镜，我们眺望宇宙深处，窥见了它的早期历史。我们了解恒星如何诞生、星系如何形成。

然而，还没有任何人去过比月球更远的地方。

我们试图解释整个宇宙，身体却几乎还未离开家园。思想探索的远方，远远超出了双手所能触及的范围。

这种落差，可能意味着两种截然不同的情形。

一种可能是，我们无须走得太远，仅凭一颗行星上的条件，就能洞悉最深刻的真理。凭借明晰的推理和高效的仪器，我们无须穿越宇宙，也能揭示它的奥秘。在这种情形下，我们的文明通过向深处探索，而非向外扩张来取得进步。这也有助于解释，为什么我们至今没有发现其他智慧生命：我们所在的星系或许遍布卓越的头脑，只是它们从未需要向外扩张，因而未曾进入我们的视野。

第二种可能则更令人望而生畏。或许只是我们的思想跑在了执行能力的前面。每向前一步，都需要更多时间和资源。我们不缺梦想，却缺少实现梦想的人力。

Galileo 用两片透镜和一根镜筒，拓宽了人类的视野。为了在今天进一步拓宽视野，人类建造了 James Webb 太空望远镜，将这座耗资百亿美元的天文台折叠后装入火箭，送往一百万英里之外。它的十八块巨大镜片，加工精度达到了五十纳米。这座天文台由十四个国家的三百家机构共同打造。Galileo 的成就只需几十人协力便可实现。Webb 望远镜则需要一支庞大的队伍，以及背后整个全球经济的支持。

要看得更远，所需的不只是更聪明的头脑。还需要更庞大的组织管理体系。

我们提出的问题，多于能够开展的研究。我们设计的实验，多于能够实际完成的实验。我们构想新奇可能性的速度，快于将它们变为现实的速度。而且在许多领域，走得越远，将想象中的事物造出来就越复杂。

Nick Bloom 及其合著者⁠（在新窗口中打开）研究了美国经济各领域的科研生产率。如今，要维持摩尔定律，所需的研究人员数量已超过 20 世纪 70 年代初的十八倍。自 20 世纪 30 年代以来，整个经济体的有效科研投入已增至原来的二十三倍，而测得的科研生产率却降至原来的四十一分之一。

技术人员队伍的规模增速是科学家队伍的两倍⁠（在新窗口中打开）。四十年来，科研中专业设备的使用量翻了一番⁠（在新窗口中打开）。如今，一座芯片制造厂的成本是三十年前的五倍⁠（在新窗口中打开），其运营所涉及的规模和环节也庞杂得多。

这些数据表明，进一步取得进步的成本正在上升。经济之所以仍能发展，是因为科研事业规模的大幅扩张，弥补了单位投入产出的下降。

这段历史应当促使我们换一种方式看待天才：不能将其孤立看待，而应视为生产过程中的一种投入要素。再精妙的假说，也需要证据、仪器，以及付诸实践的条件。没有设备和辅助人员将其落地，想法还不能算作进步。

当一种投入的增加会提高另一种投入的价值时，经济学家就称这两种投入互为补充。从这个意义上说，前沿智能与将其想法变为现实的能力，便是互补的。更好的望远镜，能让一个好的天文学问题变得更有价值。更好的问题，也能让望远镜变得更有价值。

有些互补要素是物质性的。一个理论等待粒子加速器来验证；一项技术设计等待能源和机械设备来建造。

另一些互补要素，则不那么容易看见。仅凭一个想法本身，是很脆弱的。它需要各类组织与制度的支持。法律、管理体系、融资机制、供应链以及许多其他要素共同协作，才能让想法落地。

一个伟大的想法，要穿过这些组织与制度构成的漫长链条，每个环节都行动得当，才能最终实现。我们不妨称之为组织智能：一种鲜少受到赞颂的执行智慧。天才设计丰碑，组织体系则一石一砖地将其建起。前者光彩夺目，后者看似枯燥，却都至关重要。

我们有时会把超级智能想象成十亿个 Einstein。但即便是由十亿个 Einstein 组成的文明，仍然需要其中的大多数去采石和管理账目。只有周围的日常世界运转顺畅，前沿创新才有可能发生。进步需要每一个人的参与：从焊接望远镜上一颗螺丝的工人，到为一所小学承保的保险公司——某位照料天文学家的护士，曾在那所小学读书。进步的根基，是一个高效运转的经济体，而在讲述最伟大的成就时，我们往往忽略了它。

与人类智能一样，AI 也将同时用于提出卓越洞见和提升组织执行能力。问题在于，它的大部分时间将花在哪一方面。

AI 已经在让执行能力不再那么稀缺。它能编写代码，检索陌生领域的文献，将一张草图变成可运行的原型。过去需要整个组织才能推进的想法，如今越来越多地可以由一个有抱负的人独自实现。

大多数心怀抱负的电影人，一辈子都得不到两亿美元来放手一试。大多数游戏设计师，整个职业生涯都在实现别人的创意愿景。我们努力让最有天赋的人脱颖而出，却难免埋没人才。从这个角度看，智能时代首先为人类才智提供了补充，让更多人拥有辅助团队，去实现自己的想法。

这可能催生大量独具个性的项目，让更多创意作品在传统机构之外诞生——过去，能否进入这些领域开展创作，往往由这些机构把关。稀缺的投入要素将从执行能力转向品位与判断力：决定什么值得创造、什么问题值得追问，以及上千个看似可行的方向中，哪一个值得投入。

但故事或许不会就此结束。随着 AI 逐渐能够独立提出卓越的新见解——在数学等领域，我们或许已看到这一迹象——它提供的将不只是劳动力，还有研究方向。它不再只是执行人类的一项研究计划，而是自行设计成千上万项计划。AI 天才会让值得开发的电影构想、值得检验的假说数量爆炸式增长。想法涌现的速度，将超过配套基础设施的承接能力。

今天的 AI 带来了期盼已久的喘息之机，让我们的好想法终于得到应有的支持。到了明天，好想法可能多到让执行能力变得比以往任何时候都更紧缺。

归根结底，要让新洞见产生实际价值，所需的互补要素究竟会增加、减少，还是保持稳定，我们并不知道。仅凭思考，究竟能在认知上取得多大进展？卓越的才智，需要多大规模的组织管理体系来支持？

在我们看来，答案取决于思想在必须再次接触现实之前，能够独自走多远。

我们将描述两条可能的路径。第一条通向深度型文明：超级智能不再需要更多实物资本和组织协调，就能取得进步。第二条通向广度型文明：自然界的复杂性超出了任何智能的能力，无论人类还是机器，都必须在现实世界中开展规模庞大且日益复杂的实验，才能取得进步。

迄今为止，人类历史表明，对互补能力的需求一直在增长。Galileo 的望远镜可以握在手中，Webb 望远镜却需要整个文明的支撑。贝尔实验室的一个小团队曾在工作台上组装出第一只晶体管，如今前沿芯片的进步却依赖错综复杂的全球供应链。每向更远处迈进，背后都需要调动文明中更多的力量。

但历史未必决定未来。聪明的头脑可以发明更高效的互补要素。如果能源成为新型粒子加速器的瓶颈，卓越的才智可以设计出能耗更低的加速器，或更好的能源获取方式。

天才也可以替代部分互补要素。Einstein 仅凭极少的实证数据，就能通过思考推导出相对论。换作我们，则需要多得多的数据。有些人能记住自己的全部日程，而我们大多数人则依赖 Google 日历这套管理工具。

天才还能将判断力发挥到极致，挑选最好的假说来检验，避免浪费资源的失败。如果每增加一位天才都能提升方案质量，那么即便组织管理体系需要不断扩大，我们仍会大力投资于天才，恰恰是因为执行成本太高，浪费在错误的事情上代价太大。

这两条路径都无法完全描述真实的未来，但可以看作我们文明可能前行的两个方向。

智能可以通过三种方式推动知识进步。它可以从基本原理出发进行推理。它可以从现有证据中获得新洞见。也可以通过观察和干预世界来收集新证据。

第一种方式，仅凭思考就能走得很远。数学是最纯粹的例子。在一项证明或一个项目的诸多岔路口，强大的头脑能够始终作出正确选择。它用一条简短而更有方向的推理链，取代多年跌跌撞撞的摸索。

第二种方式同样是一片有望实现快速进步的未垦之地。人类收集到的证据，远远多于已经理解的证据。从天文影像、显微切片，到网络评论区，对这些数据的研究，一直受限于人类智力的稀缺。科学档案中，为回答某一个问题而记录的观测结果，可能藏着许多其他问题的答案。当才智足够充裕时，无须收集任何新东西，只要看懂已有的东西，就能作出发现。它或许无须再捕获一个光子，就能发现一个全新的宇宙。

第三种方式就没那么容易了，因为它要求我们与物质世界互动。物理过程需要时间，而且往往很难加速。化学物质要完成反应。生物要生长。机器要建造。航天器要跨越真实的距离，并受制于宇宙的速度上限。再完美的头脑，也无法观测一个尚未发生的实验的结果。

但它可以尝试。深度型文明并不能免去向现实求证的需要。但它会让这一过程变得极为节省。更好的推理，能够找出少数真正重要的实验。模拟将解决大多数问题，并精确定位那些必须由现实来裁定的不确定之处。超级智能可以将效率推至极致，围绕稀缺资源设计方案，让每一份资源发挥最大效用。

想象一间天体物理实验室，手头有一组关于暗物质的假说。这些假说首先被送入高度逼真的计算机建模流程。每个理论都要接受检查，看它是否与全部现有数据相符。只有完成这些步骤后，才有针对性地拍摄少量新的天空影像，用来检验最有希望的理论。这种文明仍需要与天才互补的要素，但每单位投入都能产生高得多的价值。

我们通向深度型文明的道路，或许就像完成一幅拼图。开头容易，收尾容易，中间最难。起初，有明显的边缘和容易匹配的拼块。接着，这些线索用尽了，但拼出的图案还太少，不足以指引后续拼接。接近完成时，剩余的空缺几乎会自己告诉你，那里该放什么。当科学体系接近完整时，最后的那些发现，或许会比我们今天艰难追求的发现更容易取得。

这在科学中屡见不鲜。Mendeleev 能够描述尚未发现的元素，是因为元素周期表中已知的部分，限定了缺失部分的特征。早在实际观测到希格斯玻色子的几十年前，标准模型就让物理学家有理由预期它的存在。我们的实验有明确的目标：寻找预期中会出现的东西，也就是与现有理论和数据相符的东西。

超级智能或许能透彻理解世界的规律，准确知道自己需要哪些新数据，从而实现深度型文明。它将通过更深入的思考推动进步，而不是依赖缓慢的物理扩张。

如果这些效率提升占据主导，文明就能迅速加深对自然的掌握，而不必过多依赖组织智能来管理庞大的新实验设施。它的智慧日益成熟，所占据的物理空间却可能依然很小。

我们人类几乎未曾离开家园，就已经对宇宙有了如此多的理解。深度型文明将延续这一传统。

但对新证据的需求，可能会压过这些效率提升。智能或许会降低每次向现实求证的成本，同时却发现更多需要求证的理由。更好的仪器，能打开更精细的探索领域。更快的实验，可能让更多实验变得值得开展。

如果说 Einstein 几乎纯凭思考创立相对论的历程，是深度型文明的典范，那么生物学或许最能预示广度型文明的样貌。无论积累了多少知识、运用了多少数据，新药仍必须经过大规模人体试验，才能确认其安全性和有效性。如今，机器可以模拟生物过程，让生物学家在计算机中测试新药，而不必进行实体实验；但这些数字模拟对现实世界的还原还不够准确，无法替代大规模人体试验。机器提出的候选药物越多，实证检验就越成为瓶颈。

在广度型文明中，仅凭卓越的才智还不足以推动进步。我们对物质资源及其管理体系的需求，增长得比聪明头脑节省这两类投入的能力更快。

即使未来 AI 系统的智能远超人类，我们仍可能走上这条道路。超级智能可能在一个下午就设计出够做一百年的实验，然后用整整一百年，等待自然过程和机械设备将它们逐一完成。在这样的世界里，将智能投入实现想法所需的组织流程，比投入构思本身更有价值。

如果每向前一步都需要更多配套基础设施，这种效应还会不断叠加。

届时，思考所占的比重将相对下降，建设所占的比重则相对上升。实验室实现自动化。工厂数量不断增加。能源产量持续上升。组织智能将占据主导，让这一切得以实现。物理扩张成为知识进步的引擎，文明不断向外延伸，因为它提出的问题，已经超出现有手段所能回答的范围。要继续前进，就需要更多材料、更多能源、更多数据。

戴森球描绘了这种未来的一幅极致图景。设计戴森球需要非凡的突破，但整个项目的大部分工作并不涉及突破性的思考。那将是天文规模的建设与物流工程。

戴森球需要杰出的头脑来绘制蓝图。它也将是有史以来最重复、最单调、最考验组织能力的项目之一。

这不是智能的失败，反而是它取得成功的结果。越聪明的头脑，越能发现值得做的项目；越复杂的项目，实施时就越需要更多物质资源。

如果确实如此，超级智能的过人之处，或许并不在于它的天才。而在于它愿意承担组织管理工作，协调庞大的技术和组织体系，以越来越大的规模将想法变为现实。

几乎所有机器智能都将被用于做枯燥的工作，而非展露才华。

届时，自然规律对物理扩张施加的速度限制，可能成为进一步发展的瓶颈。无论设计图画得多快，建造采集恒星能量的设备，终究是一项物质世界中的工程。再往外，还有其他恒星和星系，而据我们所知，距离本身就是一道限制：飞船的航行和信号的回传，都无法快过光速。广度型文明，是一种缓慢发展的文明。它的重大变革可能相隔数千年，甚至数百万年。每向前一步，都需要更长时间。

在一段漫长得多、进步缓慢得多的历史中，农业革命和工业革命将显得像是疾风骤雨般的开场。

未来的 AI 系统很可能在两个方面都超越人类：既能提出前沿洞见，也能协调资源，让这些洞见发挥实际价值。但这种可能性，并不会削弱人类好奇心的重要性。

首先，即使机器看起来更擅长求知明理，我们仍有追求真知的责任。宇宙中或许早已有远比我们睿智的头脑，掌握着我们无法理解的科学与道德问题的答案。但我们依然努力亲自理解这个世界。另一种智能的到来，即使是我们亲手创造的智能，也不会改变这一点。只要我们还不能确定人类已无法作出任何独特贡献，放弃就意味着浪费那些唯有我们才能为世界带来的东西。我们的责任，仍是不断发问，并努力寻找答案。

其次，相较于组织智能，我们在前沿智能方面或许拥有比较优势。这意味着，即便我们在这两方面都不如机器，在前者上也可能相对更有优势，从而专注于它。比起按部就班，人类更偏爱创造性的工作，而机器人并未表现出这种偏好。

第三，多样性本身就能带来价值。即使机器可以模拟人类的大部分思维，只要我们还保有某种独特性，就能为创造力增添多样性。大部分机器智能将留在其自我维持的体系中，但会有一小部分由我们调配，服务于我们的创作意愿。这只是整体中的一小片，但对于人类的活动规模而言已极为充裕，远超我们今天拥有的资源。

才智并非孤立存在。它需要整个世界的支持，天才也需要建设者来实现其创造性的愿景。

如今，人类的大部分智力都投入在默默无闻的工作中，将想法变为现实。机器的头脑也将继承这种依赖关系。它们不可能全都成为引领时代的大师。它们也必须成为组织管理者。

我们未来的故事，以及进步的速度，取决于杰出的头脑是需要世界提供更多资源，还是能用更少的资源成就更多。