OpenAI員工長文：AI時代的文明岔路

美國當地時間10月1日，OpenAI“智能時代”平台發布新文章《The Eternal Complement》，作者為赫曼斯·阿西爾瓦坦（Hemanth Asirvatham）和埃利奧特·莫克西（Elliott Mokski）。

這是兩人“下一個經濟”係列的第一篇文章，文章討論的核心問題是：當AI的推理、創造和發現能力不斷增強，甚至走向超級智能之後，文明真正稀缺的資源會變成什麽？

兩位作者並沒有把超級智能簡單理解成更多“天才”的集合，而是從經濟學中的“互補”概念出發，重新討論智能與現實執行能力之間的關係。文章認為，一個想法從誕生走向現實，需要大量配套條件，包括實驗設備、技術人員、資金、法律、官僚體係、供應鏈以及各種組織協調能力。隨著科學和技術不斷向前推進，這些支撐體係本身也越來越龐大。

文章將這些支撐能力概括為“製度智能”，並認為前沿智能與執行能力始終是一組互補投入。在他們看來，天才負責提出新的想法，製度和大量具體工作負責把想法變成現實。AI正在改變其中一部分關係：它已經能夠寫代碼、檢索陌生領域的文獻、把草圖轉化為原型，讓個人完成過去需要整個組織才能完成的工作。隨著執行成本下降，真正稀缺的東西可能開始轉向“品味”，也就是判斷什麽值得做、什麽問題值得追問。

不過，AI帶來的執行能力提升可能隻是第一階段。當AI本身開始大量產生新的科學洞見和研究方向，問題可能發生反轉：想法產生的速度超過實驗室、工廠、能源係統和其他現實基礎設施的承載能力。屆時，文明麵對的瓶頸可能再次從“想不出來”變成“做不完”。

圍繞這一問題，文章提出了“深度文明”和“廣度文明”兩種可能的未來。前者依靠更強的推理、模擬和已有證據，讓智能在真正接觸現實之前走得更遠，用更少的實驗獲得更多知識；後者則受到自然複雜性和物理世界速度的限製，大量問題最終仍然需要實驗、建設和長期等待，文明需要不斷擴大實驗設施、製造能力、能源係統和組織協調體係。

文章最終將問題落回人類：即使AI未來在知識發現和資源協調方麵超過人類，人類好奇心、創造性多樣性以及對探索的持續需求仍可能具有價值。他們給出三個理由：人類對啟蒙和求知仍有持續的責任；人類在前沿智能與製度智能之間可能存在不同於機器的比較優勢；不同的人類個體和群體能夠帶來機器難以替代的創造性多樣性。

“智能時代”平台於2026年8月20日上線，由OpenAI“戰略未來”團隊成員迪恩·鮑爾（Dean Ball）發布介紹文章。平台明確說明，所發布內容代表作者個人觀點，不代表OpenAI的組織立場。

以下為全文：

01 進步需要一整套支撐係統

人類的認知已經追溯到了宇宙誕生的那一刻。我們的方程大致還原了宇宙最初的完整圖景。借助望遠鏡，我們已經望向遙遠的宇宙，看到它早期的曆史，知道恒星如何誕生、星係如何形成。但迄今為止，還沒有一個人走出過月球之外。

我們試圖尋找的答案橫跨整個宇宙，而人類的身體卻幾乎沒有離開過地球。我們的思想可以抵達遠方，手腳卻遠遠跟不上。這種錯位指向兩種完全不同的可能性。

一種可能是，我們其實不需要走那麽遠。最深層的真相，或許在一顆星球上就能探明。隻要擁有足夠好的推理能力和高效的工具，我們就能認識宇宙，而不必親自穿越宇宙。在這種情況下，文明的發展依靠的是“深度”，而不是“廣度”。這也可以解釋為什麽我們至今沒有發現其他智慧生命：也許銀河係中存在許多擁有高超智慧的文明，隻是它們從來沒有必要不斷向外擴張，因此也沒有留下明顯的痕跡。

另一種可能則更令人不安：我們的思想可能已經超過了執行能力。每向前邁一步，都需要更多時間和資源。我們從來不缺少夢想，缺少的是把這些夢想變成現實的人手。

伽利略用兩片透鏡和一根管子就拓展了人類的視野。今天，要把這種視野進一步向外延伸，人類建造了詹姆斯·韋布空間望遠鏡。這座價值100億美元的天文台被折疊起來裝入火箭，送到距離地球約160萬公裏的太空。它的18塊巨大鏡片需要達到50納米的製造精度，整個項目涉及來自14個國家的300多個組織。伽利略的工作隻需要幾十雙手，而韋布望遠鏡背後需要一支龐大的團隊，以及支撐這支團隊運轉的全球經濟體係。

人類想看得更遠，需要的不隻是更聰明的頭腦，也需要更龐大的組織。

我們提出的問題已經超過了能夠實際研究的問題數量，設計出的實驗也超過了能夠真正執行的實驗數量。我們產生創意的速度越來越快，而把這些創意變成現實的能力卻越來越難以跟上。隨著各個領域不斷向前發展，製造我們想象中的東西也變得越來越複雜。

斯坦福大學的尼克·布魯姆（Nick Bloom）及其合作者曾研究美國經濟中的科研生產率。他們發現，如今要維持摩爾定律，所需要的研究人員數量已經是20世紀70年代初的18倍以上。從整個經濟體來看，自20世紀30年代以來，有效科研投入增加了23倍，但衡量科研生產率卻下降了41倍。

技術人員的數量增長速度是科學家的兩倍。過去40年裏，科學研究中專業設備的使用量翻了一倍。一座如今的芯片製造廠，其成本已經是30年前的5倍，規模也大得多。

這些數據說明，繼續推動進步的成本正在上升。經濟仍然能夠發展，是因為科研體係不斷擴大，用更多的研究投入抵消了單個投入的產出下降。

這也提醒我們，理解“天才”時，不能隻看天才本身。一個出色的假設仍然需要證據、儀器以及把它執行出來的條件。一個想法隻有進入現實，才能真正成為進步。

作者聲明：該圖片由AI生成

經濟學家把這種關係稱為“互補”：當一種投入增加時，另一種投入的價值也會隨之提高。前沿智能和把想法變成現實的能力，就是這樣的一對互補因素。更好的望遠鏡會讓一個好的天文學問題更有價值，而一個更好的問題也會讓望遠鏡更加有用。

有些互補關係是物理層麵的。一個理論需要粒子加速器來驗證，一項技術設計需要能源和機器才能製造出來。另一些互補關係則沒有那麽明顯。一個想法本身非常脆弱，需要各種製度來支撐。法律、官僚體係、融資機製、供應鏈以及其他環節，都需要共同運轉，才能讓一個想法真正落地。

一個偉大的想法必須經過一條很長的鏈條，而鏈條上的每個局部環節都需要正確運行。我們可以把這種能力稱為“製度智能”（institutional intelligence），也就是那些很少受到關注，卻負責執行的智能。天才設計出紀念碑，製度則負責一塊塊把石頭壘起來。兩者看起來差別很大，卻同樣重要。

我們有時會把超級智能想象成10億個愛因斯坦。但即使真的有10億個愛因斯坦，他們中的大多數仍然需要有人去采石、管理賬目、維護設備。前沿創新隻有在周圍的日常世界能夠順暢運行時才可能發生。從擰緊望遠鏡螺絲的焊工，到為培養護士的小學提供保險的人，所有這些工作都構成了進步的一部分。

人們在講述偉大發明時，往往隻記住最耀眼的部分，卻容易忽略支撐這些成果運轉的經濟體係。

人工智能也會承擔這兩類工作：提出重要的新洞見，以及完成大量製度和執行層麵的工作。真正的問題在於，未來的AI大部分時間究竟會花在哪裏。

02 新的瓶頸正在出現

AI已經開始讓執行能力變得不那麽稀缺。它可以寫代碼、搜索陌生領域的文獻，也可以把一張草圖變成能夠運行的原型。過去需要整個組織才能推進的想法，現在越來越可能由一個有能力的人獨立完成。

大多數有抱負的電影導演，從來沒有機會獲得2億美元去拍攝自己的作品.很多遊戲設計師整個職業生涯都在替別人實現創意。我們會努力把最有天賦的人提拔出來，但無論如何，都難以發現所有人才。

從這個角度來看，智能時代最初帶來的變化，是讓更多人的創造力得到支持，讓更多人擁有過去隻有大型機構才能提供的執行能力。

這可能帶來大量具有個人特色的項目。過去需要依靠機構才能完成的工作，未來可能更多地發生在這些機構之外。這樣一來，稀缺的資源就會從執行轉向“品味”——判斷什麽值得做，什麽問題值得追問，以及麵對上千條看似合理的方向時，究竟應該選擇哪一條。

但這可能還不是故事的終點。隨著AI越來越有能力自己提出新的重要洞見，我們可能已經在數學等領域看到這種趨勢。AI提供的將不隻是勞動，還可能開始提供研究議程。它不再隻是執行一個人提出的研究計劃，而是可以自己設計成千上萬個研究計劃。

AI可能一下子提出大量值得拍攝的電影概念，也可能提出大量值得驗證的科學假設。這樣一來，問題就會再次發生變化。今天的AI讓我們終於能夠把許多好想法付諸實踐。到了未來，也許會出現太多好想法，以至於我們再次陷入執行能力不足的困境。

03 兩種文明的岔路口

我們並不知道，把新的洞見變成成果所需要的互補能力，未來究竟會增加、減少，還是保持不變。一個人僅靠思考可以在多大程度上推動知識進步？一個天才究竟需要多少官僚體係來配合？

在我們看來，答案取決於思想在必須再次接觸現實之前，能夠走多遠。

這裏可以設想兩條不同的路徑。

第一條是“深度文明”（civilization of depth）。在這種文明中，超級智能可能逐漸擺脫對更多物質資本和複雜製度協調的需求。

第二條是“寬度文明”（civilization of width）。在這種文明中，自然界的複雜程度最終超過任何智能，無論是人類還是機器，都無法隻靠思考繼續取得進展，必須依靠規模越來越大的現實世界實驗。

作者聲明：該圖片由AI生成

到目前為止，人類曆史似乎顯示出對互補能力不斷增長的需求。伽利略的望遠鏡可以握在手中，而韋布望遠鏡需要整個文明來建造。貝爾實驗室（Bell Labs）一個規模不大的團隊，就曾在工作台上組裝出第一隻晶體管.如今，芯片技術的前沿突破背後卻是一條複雜的全球供應鏈。人類每向前走一步，都越來越需要更多社會資源參與其中。

但過去並不一定決定未來。更聰明的頭腦可以發明更高效的互補條件。如果能源成為新型粒子加速器的瓶頸，那麽更強的智能或許能夠設計更精簡的加速器，或者找到更好的能源獲取方式。

天才也能夠替代部分原本需要的輔助條件。愛因斯坦可以從非常有限的實驗數據出發推導出相對論，而我們大多數人需要更多資料。有些人能夠記住自己的所有日程安排，而大多數人依靠穀歌日曆。

智能還可以幫助我們提高選擇的準確性，挑選最值得驗證的假設，避免把資源浪費在錯誤的方向上。如果每增加一個天才，都能提高計劃的質量，那麽即使執行所需要的官僚體係越來越龐大，增加天才的價值仍然很高，因為執行成本越高，錯誤選擇所造成的浪費就越大。

未來不會完全符合這兩條路徑中的任何一條，但它們可以看作文明可能發展的兩個方向。

04 深度文明：靠思想走得更遠

智能推動知識進步，大致有三種方式：從基本原理出發進行推理，從已有證據中獲得新的洞見，以及通過觀察和幹預現實世界獲取新的證據。

第一種方式可以僅靠思想走得很遠。數學就是最典型的例子。在一項證明或者研究工作的多個關鍵節點上，一個足夠強大的頭腦可以持續做出正確選擇，把原本需要多年摸索的過程變成一條更短、更明確的推理鏈。

第二種方式同樣存在巨大的空間。人類收集到的證據遠遠超過已經理解的內容。天文圖像、顯微鏡切片、網絡評論等大量資料，都受到人類智能有限的製約。科學檔案中保存著大量當年為了回答某一個問題而記錄的數據，而這些數據可能包含著其他問題的答案。如果擁有足夠多的智能，我們甚至不需要收集新的數據，就可能從已有資料中發現新的規律。我們也許可以發現一個新的宇宙，而不需要再收集一個新的光子。

第三種方式就困難得多，因為它需要與物理世界直接接觸。物理過程需要時間，而且很多時候無法加速。化學反應需要發生，生物體需要生長，機器需要製造，航天器需要穿越真實的距離，並受到宇宙速度極限的限製。即使擁有完美的智能，也無法提前觀察一個尚未發生的實驗結果。

但超級智能可以盡量減少與現實世界接觸的次數。“深度文明”並不會擺脫對現實的依賴，而是會盡可能節省這種依賴。更好的推理可以找出真正值得進行的少數實驗，模擬則可以解決大部分問題，並準確找到必須由現實世界回答的那個不確定性。超級智能可以圍繞有限資源進行設計，讓每一次現實實驗都獲得最大的價值。

作者聲明：該圖片由AI生成

例如，一個研究暗物質的天體物理實驗室，可能首先把一係列假設交給高度逼真的計算機模型進行測試，檢查它們是否與現有數據一致。隻有完成這些步驟後，研究人員才會針對最有希望的理論，對天空進行少量新的觀測。

這種文明仍然需要支撐天才的各種條件，但每一單位資源能夠產生的價值會更高。

“深度文明”也可能像一幅拚圖。進步在開始階段比較容易，接近完成時也可能變得容易，最困難的是中間階段。剛開始時，我們能找到明顯的邊緣和簡單的拚接方式，等這些部分逐漸完成，剩下的圖案還不夠完整，卻已經沒有那麽多容易確定的位置。到了最後，剩餘的空缺反而會逐漸告訴我們應該填入什麽。

科學史上已經有類似的例子。門捷列夫可以根據周期表中已有元素的位置，推測當時尚未發現的元素。標準模型也讓物理學家在希格斯玻色子真正被觀測到幾十年前，就已經有理由預期它的存在。很多時候，實驗本身就是針對現有理論和數據所指向的結果設計的。

如果超級智能能夠足夠深入地理解自然界的規律，它也許能夠準確判斷下一步究竟需要什麽數據。文明的進步因此可以更多依靠深入思考，而不必不斷擴大現實世界中的實驗規模。

作者聲明：該圖片由AI生成

如果這種效率最終占據主導，文明或許能夠以較小的物理規模不斷加深對自然的理解，同時減少管理龐大實驗設施所需要的製度智能。

人類已經在不離開地球的情況下理解了大量宇宙規律。“深度文明”隻是沿著這條道路繼續前進。

05 廣度文明：當思想跑不過物質

另一種可能是，對新證據的需求最終超過這些效率提升所帶來的收益。

智能可以降低每一次接觸現實的成本，但同時也可能讓我們發現更多必須通過現實驗證的問題。更好的儀器可以打開更細的研究前沿，更快的實驗也會讓更多實驗變得值得進行。如果愛因斯坦幾乎完全依靠思考建立相對論的過程，可以代表“深度文明”，那麽生物學可能更接近“廣度文明”。

人類已經積累了大量生物學知識和數據，但一種新藥要證明安全、有效，仍然需要在大量人類身上進行測試。如今，機器可以模擬生物過程，讓研究人員先在計算機中測試候選藥物，但這些數字模擬仍然不足以完全還原現實，因此無法替代大規模人體試驗。

機器提出的候選方案越多，現實驗證就越容易成為瓶頸。在“廣度文明”中，聰明的大腦本身不足以推動進步。對物質資源的需求，以及管理這些資源所需要的製度體係，可能以更快的速度增長，超過智能節約資源的能力。

即使未來的AI遠遠超過人類，這種情況也可能發生。超級智能或許可以在一個下午設計出未來100年的實驗，然後花100年等待自然和機器完成這些實驗。在這樣的世界裏，把更多智能投入實驗、生產和製度執行，可能比繼續增加提出新想法的能力更加重要。

如果每一步新的進展都需要更多基礎設施，這種趨勢還會不斷累積。那時，文明中的思考會相對減少，建造會越來越多。實驗室實現自動化，工廠不斷增加，能源生產擴大，越來越多的製度智能被投入到這些體係中，以保證它們能夠正常運行。

物理世界的擴張會成為知識進步的動力。文明之所以繼續向外擴展，是因為它提出的問題已經超過了現有條件能夠回答的範圍，需要更多材料、更多能源和更多數據才能繼續前進。

作者聲明：該圖片由AI生成

戴森球可以作為這種未來的極端例子。建造戴森球需要非常重要的科學突破，但整個項目的大部分工作可能不會發生在突破性思考上，而是涉及天文尺度的建造和物流。它需要天才來設計，也需要一個規模巨大、重複而複雜的組織體係來完成建設。

這並非智能不足造成的結果，反而可能是智能取得成功後的結果。越聰明的頭腦能夠發現越多值得開展的項目，而越複雜的項目又需要更多物質資源來執行。

如果未來確實如此，那麽超級智能真正強大的地方可能並不是它有多麽聰明，而是它能夠承擔大量協調工作，管理龐大的技術和製度體係，把想法變成現實，並不斷擴大規模。絕大多數機器智能最終可能都被用於那些“無聊”的工作，而不是最具創造性的工作。

作者聲明：該圖片由AI生成

物理世界本身的速度限製，也可能成為進一步擴張的瓶頸。建造一套收集恒星能源的機器，本質上仍然是一個物質工程，無論設計方案能夠多快完成，真正的建設都需要時間。恒星之外還有其他恒星，銀河係之外還有其他星係。就目前所知，距離本身就是一種限製：沒有飛船能夠超過光速，也沒有信號能夠以超過光速的速度返回。

因此，“廣度文明”會是一個緩慢的文明。它真正發生的大變化可能相隔數千年，甚至數百萬年，每一步都需要更長時間。

農業革命和工業革命，在這樣的曆史尺度下，可能隻是一個漫長文明史中相對短暫的開端。

06 人類仍然需要好奇心

未來的AI係統可能同時在人類最看重的兩件事情上超過我們：提出前沿洞見，以及協調資源，把這些洞見真正轉化為現實成果。但這並不會降低人類好奇心的價值。

首先，即使機器在理解世界方麵比我們更強，人類仍然有繼續認識世界的責任。宇宙中可能已經存在比我們智慧得多的頭腦，它們或許掌握著人類無法理解的科學和道德問題的答案。但我們依然會嚐試自己理解這個世界。即使另一種智能出現了，即使這種智能是我們自己創造出來的，也不會改變這一點。

作者聲明：該圖片由AI生成

在我們能夠確定人類已經沒有任何獨特貢獻之前，放棄探索都意味著放棄我們仍然能夠為這個世界做出的事情。我們仍然有責任不斷提出問題，並嚐試尋找答案。

其次，人類可能在前沿智能方麵擁有相對於製度智能的比較優勢。即使機器在這兩方麵都比人類更強，我們也可能相對更擅長前者，因此可以把自己的精力集中在創造和探索上。人類傾向於選擇創造性的工作，而不是重複性的工作。機器人則沒有這樣的偏好。

第三，多樣性本身也有價值。即使機器能夠模擬大部分人類思維，隻要人類仍然保留一些獨特性，就能夠繼續提供不同的創造方式。

未來，大部分機器智能可能運行在自己的體係中，但其中一小部分仍然可以按照人類的創造意願被調用。對於整個機器智能體係來說，這隻是一小部分；但對於人類而言，這已經可能遠遠超過我們今天能夠獲得的資源。

作者聲明：該圖片由AI生成

創造力從來都不是孤立存在的。它需要現實世界作為支撐，天才也需要建造者來實現自己的想法。今天，人類的大量智能都被用於那些很少受到關注的工作：把想法一步步變成現實。未來的機器智能也會繼承這種依賴。它們不可能全部成為天才，也必須承擔官僚、協調和執行的工作。

人類未來的進步速度，最終取決於一個問題：偉大的頭腦究竟能否用更少的現實資源，完成更多的事情，還是每向前一步，都需要一個更龐大的現實世界來支撐。