创新枯竭时代，人工智能能否重启思想繁荣？

经济学中有一个几乎无人质疑的基本观点：一个国家实现持久富裕的根本动力，归根结底只有一项，即新思想，经济学家所称的ideas。资本会老化，人力有极限，石油终将枯竭，唯有优质的创意能被无数人同时使用而不损耗。增长理论围绕这一点探讨了一个世纪，结论始终如一：思想是复利增长的唯一引擎。

然而这台引擎背后，隐藏着一个日益紧迫的警示：新思想的发掘正变得越来越困难，而且这种困难有数据可循。这一判断最著名的提出者，是斯坦福大学的查尔斯·I·琼斯，人称查德·琼斯。他毕生致力于同一件事：为“思想从何而来”这个问题，打造一把能够精确度量的标尺。

就在这套略显悲观的论断即将被证实时，人类创造出了一台号称能批量生产思想的机器：人工智能。琼斯的整套理论，被推到了一个它从未预见过的十字路口。更耐人寻味的是，同一套理论，在他自己手中，对这台机器给出了两个截然相反的判断。而在这两个判断之上，还压着一个更大的、连他自己也未曾挑明的问题：人类能否找到足够多的思想，去构建一台能持续发现更多思想的机器。

增长理论里有一个不太直观、却被反复验证的结论：长期来看，推动一个国家持续繁荣的，几乎只有一样东西，新思想。资本会折旧，劳动力会触顶，自然资源会耗尽，唯独思想不同。保罗·罗默在1990年清晰阐述了这一点，并因此荣获2018年诺贝尔经济学奖：思想是非竞争性的，non-rival。一块面包你吃了我就无法享用，一个定理你运用了我照样能用，全世界同时使用，它丝毫不减。正因可以无限复制、无限叠加，思想是唯一能支撑复利式增长的动力。

罗默的模型虽然精巧，却有一处与现实不符。按它的逻辑，投入研究的人力越多，增长率就该越高。可二十世纪的事实是，研究人员数量激增数十倍，美国人均收入的增长率却稳稳维持在每年2%那条线上，纹丝不动。琼斯在1995年弥补了这一缺陷。他的修正后来被称为半内生增长，semi-endogenous growth：长期增长率并不由你投入多少研究力量决定，而是由人口增长率托底。多投入研究，能把经济抬到更高的水平线上，却换不来更陡的斜率。说到底，这是一个关于人的理论。增长能跑多快，取决于你拥有多少颗能产生思想的头脑。

如果说思想是引擎，那么琼斯职业生涯中最著名的一篇论文，讲的是这台引擎正变得越来越耗油。2020年，他与尼古拉斯·布卢姆、约翰·范·雷南、迈克尔·韦布合著的《思想是否越来越难找？》，给出了一个让整个领域铭记许久的判断：思想，确实越来越难发掘了。

他们的算法很朴素。长期增长可以拆解为两项的乘积：有效研究人员的数量，乘以他们的研究生产率。然后他们一个领域一个领域去度量后面那一项。摩尔定律是最清晰的例子。芯片上晶体管的密度每两年翻一番，这条规律支撑了半个世纪，可维持它所需要的研究人员，2014年是1971年的约18倍。同样一次翻番，今天要动用的人力是当年的十几倍。半导体研究的“性价比”，每年下滑约**6.8%**。农业、医药，放眼望去几乎都是同一幅图景：产出的思想以大致恒定的速度涌现，而为了让它恒定地涌现，投入的人力和财力在指数式地膨胀。

这给增长描绘出一幅近乎悲观的底色。所谓稳定的2%增长，不是因为思想源源不断，而是因为我们把一支指数式膨胀的研究队伍，扔进了一条正在收窄的矿脉，两股力量相互抵消。文艺复兴式的通才早已消亡，今天的突破来得更晚、更靠人海、更靠分工。（这个判断并非没有争论。也有经济学家认为，问题不在创造力枯竭，而在市场没把创造力兑换成回报。但底色的方向，多数人是认同的。）

把前两节叠在一起，会看到第三件事。琼斯的理论说，增长被两样东西束缚：你拥有多少颗头脑，以及这些头脑在每个领域里多快撞上“思想越来越难找”的那堵墙。两道约束，落点都在人身上，因为思想得由人来构思。

而人工智能，如果真能做到其鼓吹者所说的，恰好是历史上第一项同时撬动这两道约束的技术。它不增加人，它制造头脑。人工智能实验室反复描绘的那幅图景，一座装满虚拟天才、昼夜不停产出思想的数据中心，翻译成琼斯的语言，就是把“有效研究人员的数量”这一项，从受制于人口，变成可以靠堆叠芯片任意放大。一旦产生思想的不必再是人，那条给增长托底的人口约束，就被直接抽掉了。

把它落到那18倍上看。过去维持2%的增长，靠的是一支指数膨胀的研究大军，每一次翻番都要多征召成倍的人，而人，要生育、要抚养、要二十年才长成。人工智能头一回让这支军队的扩编绕开了产房：一个研究者可以像文件一样被复制，开出上千个分身，每个按百倍速度、昼夜不歇地运转。罗默当年说，思想是非竞争的，一个定理你用我也能用；人工智能把非竞争性又往上抬了一层，连“想出定理的那颗头脑”本身，都变得可以无限拷贝。先前每一项技术，从蒸汽机到互联网，都只是把现有的研究者变得更能干，是一把更趁手的工具；人工智能要做的，是直接增产研究者本身。这才是它或许不只是又一项通用技术的原因。

这不是外人的揣测，而是琼斯自己算过的事。早在2019年，他和菲利普·阿吉翁、本杰明·琼斯合写的一篇论文就证明：在标准增长模型里，一旦人工智能能把生产思想这件事本身自动化，增长不光会加速，某些设定下还会在有限时间里冲向无穷，经济学家口中的“奇点”。那个一向以谨慎、以“这次未必不同”著称的怀疑派，亲手写下了乐观派最激进的那条定理。把他的框架当真，它许诺的不是温和的提速，而是爆炸。即使头脑可以复制，世界也未必可以被同样复制。

故事若在这里停下，琼斯就只是又一个增长爆炸的预言家了。但他的工具箱里还有另一只手，而这只手，把那股冲劲按了回去。

这只手叫弱环节，weak links。它的直觉，琼斯喜欢用1986年挑战者号航天飞机的失事来讲述。事后调查发现，致命的缺陷出在一圈叫O-ring的橡胶密封圈上：发射那天气温创下新低，橡胶变脆、密封失效，整架航天飞机随之解体。一条链子，无论别的环节多结实，要断，只断在最弱的那一环。经济学家迈克尔·克雷默受此启发，在1993年把这个直觉写成了著名的O-ring模型。

弱环节的要害在于：当各项任务彼此互补、缺一不可时，产出被卡在最差的那一项上，而不是被最好的那一项拉起来。琼斯和克里斯·托内蒂在最新的论文里，用这一点算出一个几乎像玩笑的结论。设想产出由两项任务合成，一项容易自动化的，一项很难自动化的。当两者以某种方式互补时，总产出近似于它们的调和平均：

这个式子有个冷酷的性质：哪怕你把容易那项做到无穷大，产出也只会逼近，被那个难的、没被自动化的环节牢牢摁住。

顺着这条逻辑，琼斯和托内蒂推出一个更一般的公式：把一项占GDP份额为的任务无限自动化，产出最多涨到原来的倍。然后他把公式对准了那个最被看好的场景，人工智能自动化软件。软件大约占美国GDP的2%。代进去：哪怕你造出无穷多的软件，把今天软件所做的一切任务全部免费、瞬时、无限地完成，GDP也只涨大约2%。

你不必相信公式，看看手边这台电脑就够了。它的算力是1970年代最好机器的约一亿倍，可你我并没有比当年的人聪明一亿倍。矩阵求逆快了无数倍，但该把什么数据填进矩阵、该检验哪个假设，还得人来定。被自动化的那部分变得又便宜又渺小，没被自动化的那部分，反而越来越贵、越来越占分量，最后由它来决定整个经济跑多快。这是威廉·鲍莫尔半个世纪前就讲过的“成本病”：一支弦乐四重奏今天演奏贝多芬，和两百年前一样，要四个人、花同样长的时间，生产率一点没涨，于是它的相对成本只会越抬越高。在琼斯的框架里，被弱环节卡住的整个经济，就是那支永远需要四个人的四重奏。

那人工智能驱动的机器人、乃至全能的AGI呢？把物理任务也交给它，把实验搬进模拟，瓶颈不就拆光了吗。这里要把两件常被混为一谈的事分开：能力，和结构。弱环节摁住产出，靠的不是某项任务能力不足，而是任务之间的互补，也只逼近，能力无穷，结构照旧。而这个结构，被三个毫不相干的领域各自撞见过一次，这通常意味着撞见的是规律本身，不是某一行的偏方。农学叫它李比希最小因子律：一块田的收成由最稀缺的那种养分定夺，氮加到天上去，只要磷是短板就一点不长；补足了磷，钾又成了新短板，瓶颈在养分间迁移，从不消失。计算机体系结构叫它阿姆达尔定律：一段程序若有5%不能并行，哪怕给你无穷多处理器，加速也封顶在20倍，因为那5%会膨胀到吃掉几乎全部运行时间。而阿姆达尔的加速上限（为可并行的比例），和琼斯那个产出涨，是同一个式子，他等于把阿姆达尔定律从一颗芯片搬上了整个经济。

于是问题缩到一句：为什么总剩下清不掉的一环？浅一层的答案在会计里，所有份额加起来永远是1，你把一项做到极便宜，它就缩向零、退出瓶颈的位置，把权重交给下一项还没攻下的，成功是自我抹除的。深一层的答案更要命：要自动化任务X，你得先有一个X的够保真的模型，而造出这个模型本身，通常是更难、更不可自动化的那一种活，因为它就是研究，就是产出一个新思想。机器人用仿真和强化学习清掉了走路，核试验被搬进了计算机，这些是真胜利，但它们成立的前提，是那门物理已被学透到模型不必再被现实纠偏，核爆的模拟，站在先前上千次真实爆炸标定出的方程之上。换成还没学透的系统，活体的药理、强关联的材料、混沌的湍流，造出那个可信模型，就是下一个最难找的思想。弱环节和“思想越来越难找”，到这里露出同一张脸：残差永远是“找出清除当前残差的那个思想”，而思想这个输入，本身正越来越稀缺。瓶颈于是不会被消灭，只会迁移，像壁纸下的气泡，这头压平，那头鼓起，只在你能同时处处压平的那一刻才真正消失。连瓶颈的终结者，自己都长着瓶颈。

还有一个方向的迁移，藏在“思想”这个词内部。把一个思想的一生拆开，它要先被生成，再被筛选、被验证、被解释，最后由某个人担责。人工智能头一个攻陷的是最左端的生成，候选从此可以无限便宜地量产；可弱环节顺着这条流水线往右迁，而越往右，验证回路越长，越离不开人。生成越免费，从一万个候选里挑出值得一验的那几个就越要命，品味成了瓶颈；验证要把候选摁回现实挨打，而现实有自己的钟；解释要把一个验证为真的结果接进人类既有的理解，那把尺子握在人手里；最右端的担责根本不是认知问题，是法律与信任，它要的是一个能签字、能被起诉、能在出错时担后果的人，而这是人工智能给不出的。机器把“想出来”变成了免费，“挑得准、验得实、讲得通、扛得住”于是成了全部稀缺所在，生成贬值，判断升值。

可故事还有更平的一面，它也是对怀疑派的考验。怀疑派从不否认人工智能能想出好思想，它甚至未必只会堆候选，它可能反过来侵入验证器本身：设计更好的实验，把实验室自动化，从一团乱的文献里挖出反复失败的暗坑和没人留意的规律，改进模拟、把更多现实系统拉进可算的范围，甚至帮着造出新的科学语言，让验证本身变便宜。所以真正值得盯的，不是人工智能会不会写论文、提猜想、生成代码，而是它能不能缩短“从猜想到可靠知识”那个闭环。能，它就不只是生成器，而开始啃下验证器；不能，它只会造出越来越大的候选堆，把瓶颈整个推给人的判断。怀疑派真正要说的，从不是人工智能想不出好东西，而是：除非它改造那条验证回路，否则思想的爆发，并不等于知识的爆发。

弱环节这枚硬币，还有另一面。“由最弱一环说了算”这条性质，在收益侧表现为迟滞，你得几乎修好每一环，好处才攒得出来；翻过来，在风险侧它表现为脆弱，毁掉任一环就够。慢与险，本是同一枚硬币的两面。

同一个人，先证明了增长可能爆炸，又算清了它为什么多半只会爬。这不是自相矛盾，这是把两股真实的力量，同时摆上了台面。

把这幅图景概括得最响亮的，是Anthropic的CEO达里奥·阿莫迪。他有一句广为流传的话：不久之后，我们会拥有“a country of geniuses in a data center”，一座数据中心里的天才之国。整家公司，某种意义上，押注在这句话会成真。而6月30日起，琼斯从斯坦福商学院休假，加入了Anthropic旗下的研究机构Anthropic Institute，继续他关于人工智能与长期增长的研究。在那里与他共事的，有安东·科里内克这样研究人工智能经济学的人。换句话说，那个造出尺子的人，走进了那座据说装满天才的数据中心。

他没有完整说明过为什么是现在、为什么是这里，以下只是推断，不是他的原话。但把他的研究和人工智能的走势叠在一起，理由并不难看出来。他大半生想测准的那个量，思想究竟从哪里来、能不能被一台机器重新批量造出，答案此刻并不躺在公开的统计里，而藏在实验室内部的能力曲线和算力账本里，要许多年后才会渗进GDP。一个一辈子隔着公开数字测量思想的人，如今有机会坐到那台也许正在制造思想的机器旁边。这个动机，和他全部的研究是严丝合缝的。

而他带进去的，其实不止一个问题。前面那枚硬币翻过来，就是它：弱环节让好处来得慢，也让坏处来得脆，毁掉任一环就够。一个在软件上超人、却被坏人拿去用的人工智能，攻进金融系统或一间病毒实验室，不必先解决所有难任务，只需踢断一环。好处是合取，风险是析取。所以他研究的，从来不只是“人工智能能让GDP多快增长”这一个问题，还有它的孪生：为什么收益被系统结构拖慢，风险却能从局部泄漏。而这个问题，一家造前沿人工智能、又把安全当命的公司，最需要它被回答。

于是把一位增长理论家请进人工智能实验室，就不只是装点门面。它至少有两种读法，而诚实要求两种都摆着。一种是：一家押注于“这次不一样”的公司，主动把一个最有分量的怀疑者请进内部，让他用自己的弱环节去捶打公司的故事。另一种没那么好看：把斯坦福的信誉借来，为一套既定的叙事背书。消息一出，就有人在琼斯的帖子下追问，要他公开和Anthropic之间关于研究独立性、保密协议的具体约定。这个问题问得对，而眼下，谁也答不上来。

琼斯自己的位置，才是要紧的。他不站在任何一端。他论文里反复出现的那句话是：真实的未来，大概落在两个极端之间，问题只是落在哪。他既不肯陪硅谷狂欢，也不肯陪末日论合唱。这种“身在局外、知之甚深”的悬置，本是一个学者最难守、也最值钱的姿态。它能不能在一家有立场的公司内部守住，是这次加盟真正待解的问题。

退一步看，这次加盟有一种近乎对称的况味。琼斯一辈子在问同一个问题：思想到底从哪里来，又为什么越来越难找。他造出半内生增长，是为了回答前半句；他写《思想越来越难找》，是为了量后半句。这套理论的全部用处，是判断一项技术能不能真正改变增长的速率，而不只是把它抬高一截。

而人工智能，是人类造出的第一台公开宣称要去制造思想的机器。它要正面回答琼斯问了三十年的那个问题，甚至要把那条“越来越难找”的曲线掰直。

所以他去Anthropic，不是选了一边，他是把尺子带到了被量的东西跟前。但这把尺子，不是一架中立的天平。他亲手把最强的武器递给了乐观派，那道奇点，又转身花了更大的力气，去证明这把枪暂时打不响。他把弱环节的强度设得很高，赌的是残差极黏，爆炸被推迟几十年，而非取消。到今天为止，那条“思想越来越难找”的曲线，还没有可见地拐头。一个人花半生打磨一件仪器，为的是量出增长究竟能不能被改变；如今它终于要对准那项唯一为改变增长而生的技术。它量得出爆炸，也量得出又一支永远要四个人的四重奏；琼斯的直觉显然更怕后者被低估，但他真正留下的不是答案，而是一把判断爆炸是否正在发生的尺子。

但琼斯的赌注，还不是这件事的底。人工智能唯一真正的新意，是让那颗会冒猜想的头脑，生成器，可以被复制。可复制不了的，是验证器，是判断哪个问题值得做、哪个结果可信的那套眼光，更是那道把猜想摁回现实去挨打的接地线。科学之所以可靠，从不在单个科学家多聪明，而在它是一台系统性地少犯错的机器，可靠性是过程的性质，不是头脑的性质。生成便宜，验证昂贵，接地最贵，因为现实不能被复制。把一千个天才装进数据中心，得到的不是一个国家，是一个非常聪明、却未经校验的稿件堆。而增长经济学过去几十年最硬的一条发现，与这个意象正面相撞：让国家富起来的，不是要素禀赋，不是人均智商，而是制度，阿西莫格鲁那一脉凭它拿了2024年的诺奖。照这把尺子，数据中心里的天才之国，若只是一堆高智商的模型，确实是个范畴错误，财富从不住在最聪明的那些脑袋里，而住在把脑袋绞成知识的那套制度里。但它未必停在那里：一旦这堆模型长出自己的分工、记忆、纠错、验证、激励，以及那道连向现实的接口，它就不再是一堆天才，而开始逼近一个“国家”，一座科学共同体。

退到比他更远的地方看，这样一台不断找出新思想的机器，人类其实造过至少三台：演化、科学、市场。顺着同一条逻辑，它们立刻显出真身，从来不是三堆聪明零件，而是三套制度，一套做选择，一套做检验与复现，一套做定价与协调，每一台都把自己的产出喂回自己的输入，每一台都自我改进。可四十亿年里，没有一台真正烧起来：“思想生出更多思想”这把火，从没有一次自己烧成燎原。不是因为零件不够聪明，而是因为把猜想筛成真知识，被协调、判断、接地这三道慢工摁着，火每烧到这三关就弱下去。这把尺子，四十亿年反复读出同一个数：始终没烧成片。复制天才，复制的是零件；要让它自己烧起来，得复制整座制度，而制度最要命的那道接地线，偏偏复制不了，因为现实复制不了。

但“复制”本就是错的动词。前面那条验证回路，只是其中一套制度，而制度从来不在人工智能之外，它本身就是一种技术，一种组织行为、分配信任、压低协调成本、存下错误教训的技术。于是人工智能最深的经济意义，也许不是当“研究者的替代品”，而是当“制度的改造器”：不只改造验证，还改造市场、组织、监管。改到那一层，它改写的就不再是某一个思想，而是生产思想的那条底层函数。

人工智能实验室造的，因此不只是更聪明的模型，是一套刚出生的知识制度，模型、人、实验、市场、安全约束绞在一起。真正待问的，从不是它多聪明，而是这套制度能不能稳定地产出真知识。而琼斯这位思想的经济学家，嵌进的就是这样一套制度，而不是一台更聪明的机器。一套制度能不能把聪明绞成知识，本就落在增长经济学的核心。于是那个连他也没挑明的问题，终于收成一句：在演化、科学、市场之后，它是这条序列里第一台烧起来的制度，还是第四台始终没烧起来的。