《为什么伟大不能被计划》｜创新的逻辑是什么？

　　想象在某个平行宇宙中，你被任命为某国的科技部部长，你的任务是把该国科技发展水平提升至发达国家的水平。为此，你的助手给你提供了一份计划:

　　创新，是一件神奇的事情。要知道，一些实现伟大成就的发明家并非比同行更勤奋、更努力，而是因为他们经常能捡到“意外的”宝藏。

　　最近全球最令人瞩目的重大创新事件是一个生成式人工智能（Generative AI）模型ChatGPT的诞生。我认为这可能是工业以来最了不起的发明之一，它由OpenAI（开放式人工智能公司）研发，且在最初并未得到美国政府的特别关注。

　　OpenAI的四位都是三四十岁的年纪，首席执行官山姆阿尔特曼（Sam Altman）在斯坦福大学学过计算机专业，中途退学；首席技术官米拉穆拉蒂（Mira Murati）是一位年轻女性，父母是阿尔巴尼亚移民；总裁格雷格布罗克曼（Greg Brockman）上过哈佛大学和麻省理工学院，但最终都退学了；首席科学家伊利亚苏茨科弗（Ilya Sutskever）原本是俄罗斯人，小时候跟随父母先移民到以色列，后又移民到加拿大，最后来到美国。

　　两位没有学位的美国人和两位外国移民，领着几十位研发人员组成了一家小公司，采用了一个当初包括谷歌在内的大公司都不看好的技术路线，搞出了最震撼的科技。

　　幸亏当下创新不是由政府主导，像OpenAI这样的小公司才有可能得到巨额的风险投资资金，才可以任性蛮干，才有机会做出伟大的创新。

　　当你考察科技史时，你会发现伟大的创造几乎都是由一些谁也想不到的人，在谁也没计划的领域中做出来的。比尔盖茨迎合极客打游戏的需求普及了个人电脑；硅谷的一个车库里诞生了谷歌；埃隆马斯克起家是在网上支付领域，最后却推出了SpaceX和特斯拉。

　　1971年，时任美国总统尼克松发起一场“癌症战争”，但貌似什么都没干出来；1982年，日本通商产业省搞了一个为期10年的大项目，投入巨资，要研发第五代计算机系统，也是没有突破出来。

　　历史上似乎是唯一一个由政府主导，且最后获得成功的大科技项目，就是时任美国总统肯尼迪为了跟苏联竞争而推动的载人登月计划。它激励了后来的各国政府，但仔细考察，彼时美国其实在很大程度上已经具备了相关科技能力并不能称得上是奇迹。

　　如果路线已经近在眼前，你当然可以设立目标、制定计划，多花点钱加速进行。但是真正的伟大突破是不能计划的。

　　这个道理并不是新认知，过去几十年间几乎所有关于科技创新的研究都是这么说的但是都没有说服政策主导者。

　　比如，你想要从一些简单线条出发，演化出好看的图片，或者让纸面上的机器人走出迷宫，又或者让一个三维空间中的机器人学会直立行走，你应该怎么做呢？

　　直觉上的做法是先设定AI算法的演化目标，在演化的每一步都进行筛选，接近目标就加分，否则就淘汰。但实验中这个做法的效果并不好。

　　肯尼斯和乔尔发明的算法叫作“新奇性搜索”（Novel Search）算法，根据书中的描述，这是他们于2008年推出的。这种算随机生成一组解决方案，通过评估新奇性并保留新奇性比较高的方案，从而像生物演化一样发生一定的变异，如此往复循环，直到达到预定的迭代次数或者将问题彻底解决。

　　这个算法在迭代过程中完全不考虑一个方案是否有利于接近目标，哪怕这个方案是往墙上撞，或者一站起来就跌倒。产出的方案再怪异、再不靠谱也没关系，只要是新奇的就留下只问新不新，不问好不好。

　　然而各种实验都证明，这种方法找出来的方案最能解决问题。它能生成最好看的图片，能最快找到迷宫的走法，能让机器人最快学会直立行走。这是为什么呢？

　　一个原因便是求新就意味着求复杂。简单的方案总是先出现，等你把简单的方案都尝试过之后还要新的，出来的就一定是更复杂的方案。复杂意味着掌握更多的信息，掌握信息多意味着更高级，也就更容易解决问题。

　　更重要的原因是，新方案是通往其他新方案的“踏脚石”（Stepping Stones）。这就如同你在一片沼泽地里寻宝，必须踩到更多的踏脚石才能探索更多的地方，而你必须探索很多很多地方才更有可能找到好东西。

　　因此，如果你一开始就向着一个明确的目标努力，你就走不远。目标会窄化你的探索范围。对伟大事业来说，目标具有误导性。

　　比如前面教机器人直立行走的例子。如果你一开始就一门心思想着直立行走，你就会刻意避免能让机器人摔倒的方案。可是恰恰是那些会摔倒的方案教会了机器人踢腿！学踢腿，自然就容易摔倒；可是不踢腿，怎么能会走呢？

　　而对新奇性搜索算法来说，机器人从“不会摔倒”到“会摔倒”，绝对是大好事！机器人会的越来越多就意味着越来越高级，便自然会将会直立行走这项技能收入囊中。

　　求新确保了探索范围宽广，好东西也会随之而来。考察科技发展史，好东西从来都不是按照某个目标刻意计划出来的，而是一个接一个自动发展出来的。

　　莱特兄弟发明飞机，最早用的是自行车技术此前无数人曾经想要发明飞机，谁也没想到首先飞上天的是“自行车”制造商；微波技术本来是用于驱动雷达磁控管的一个部件，意外成就了微波炉；第一台电子计算机用的是电子管，但电子管根本就不是为了计算机而发明的。

　　个人的成长也是如此。考察了不起的摇滚乐手、作家和企业家，他们几乎都是半路出家。哈佛大学的托德罗斯（Todd Rose）和奥吉奥加斯（Ogi Ogas）所著的《成为黑马》（Dark Horse: Achieving Success Through the Pursuit of Fulfillment）也讲过类似的道理。书中的成功者并没有长远的规划，都是先做过一些事情，发现自己更感兴趣的是什么，并为之转行，从而找到为其带来巨大成功的职业。

　　公司也是这样。比如YouTube最初的设想是一个视频约会网站，后来发现人们喜欢在上面分享五花八门所有类型的视频

　　伟大不是目标指引的结果，因为通往伟大的路线从来都不是直线，很多时候快反而就是慢没有特殊目标，每次只是选择下一块踏脚石，你反而能找到珍宝。

　　请注意，这可不是说人生就应该漫无目地、随波逐流。新奇性搜索算法不预设具体目标，但是它有价值观的指引，这个价值观就是新奇和有趣。只要你每次都选择更新奇和更有趣的方向，你就不会是平凡的。

　　这就如同一个小孩，一开始觉得看电视很有趣，家长对此很不放心，认为是浪费时间。但是孩子不会一直觉得看电视最有趣，他很快就会发现打游戏比看电视有趣多了，于是他会把精力转移到游戏上来。而只要他眼界够高，他迟早会发现世界上还有很多比打游戏更新奇、更有趣的东西，比如自己编程、自己制作游戏，最后他会发现搞科研更新奇、更有趣

　　没错，真正能把追求新奇、有趣坚持到底的，都不是一般人。他们不会在中途沉迷，始终能看见下一块踏脚石，成就和实用性早晚会随之而来。

　　如果你一开始就认准了想要得到一个什么样的珍宝，你就不会得到珍宝；最终得到珍宝的人，只是一直在寻找下一块踏脚石他们得到的都是意想不到的珍宝。

　　这些国家在过去几十年间经常讲目标、谈规划，确实取得了伟大的成就。后发优势使它们不用踩踏脚石就知道飞机、微波炉和计算机是怎么回事儿，它们便可以确立明确的目标。这样的发展方式速度虽快，但是也在无形中限制了它们它们不太擅长寻找踏脚石。

　　如今，我们已经在很多科技领域进入无人区，前面没有现成的路了，我们就必须自己寻找踏脚石。那种认准一个方向猛干，不惜成本投入人力物力，指望大力出奇迹的做法不是通往发达之路。中国经济需要转换到以“高技术高品牌+颠覆创新”为主的高端发达模式，需要像新奇性搜索算法这样的思想。

　　肯尼斯和乔尔非常理解这些。他们甚至用算法演化的视角重新审视了生物进化，认为地球生物之所以有这么繁华的多样性，并不是像很多人想的那样是因为自然选择非常残酷而恰恰是因为自然选择并不是很残酷。物种竞争并不是全方位的，有时候你开辟一个新的生态位就可以暂时避免竞争。

　　懂得这个道理，本篇开头提到的那个假设的部长，他要做的恰恰是减少一些竞争，取消无谓的考核，用减少内卷换取增加多样性，用自由发展取代顶层设计，营建更宽松的环境

　　肯尼斯和乔尔炮轰了美国的科研和教育体制，认为其太过强调目标和计划，正在制造平庸。过分寻求共识的评审机制让真正新奇、有趣的项目很难拿到经费，全美国统一的教育标准和考试让老师们纷纷内卷，不敢搞教学创新

　　现实是，世界上只有很少的国家能成为发达国家，成为发达国家以后也不一定能一直发达下去。伟大，那是非常非常难的事情。

　　两位作者持续多年扎根人工智能前沿领域，这本书是他们在科学研究的过程中蹦出的意外火花。因为这一全新发现并不是直接回馈于他们本身所处的人工智能领域，而是“无心插柳”收获了对人类约定俗成的思维方式的全新颠覆。这一研究打破了人类世界延续多年、难以撼动的、依靠目标和计划成事的文化基因，真正开启了人类伟大创新的惊喜之旅。

　　他们在学校、TED、科研论坛等场合公开演讲，让这一新思维方式影响并激励了许多人。他们自身也凭借写入本书的“寻宝者思维”“踏脚石模型”“新奇性探索”等具体思维方法，在人工智能研发领域取得了飞跃式的突破和进展，产生了一系列惠及人类的伟大创造。

　　全球创新思维和前沿科技领域的代表性专家、人工智能科学家，OpenAI（开放式人工智能公司）研究员。他曾任中佛罗里达大学教授，深耕机器学习领域，发表了80多篇专业论文，其中数10篇获得了最佳论文奖，并经常受邀在世界各地发表演讲。他还曾是Uber（优步）人工智能实验室的创始成员。

　　全球知名的人工智能科学家，OpenAI研究员。他也曾是Uber人工智能实验室的创始成员，目前在OpenAI做“大型语言模型（大模型）+演进算法”方面的研究，聚焦的领域包括人工智能安全、强化学习和开放式搜索算法。2022年，乔尔所率领的研究团队发表了一篇“神奇”的论文，首度揭秘了OpenAI的一项研究：大模型自己学习、自己写代码，然后自己“调教”出了一个智能体机器人“成精了！”这也揭示了大模型的代码生成能力已足够影响智能体的进化，而这一进展反过来也能增强大模型的生成能力。