今天小編分享的互聯網經驗：AI上國内團隊好像被甩開了？差錢？差人？，歡迎閱讀。
圖片來源 @視覺中國
文 | 李智勇
當我們還在困擾為什麼國内大模型沒有 GPT4 好用的時候，Sora 來了。這潛在意味着從 AGI 視角看，追趕一年後差距似乎并沒有縮小反倒是被拉大了。
勾連過往，這個問題就不太簡單了，可以從好多維度展開：
我們是不是可以說 AI 國内國外團隊一度站在類似平齊的起跑線上？
為什麼從 AlphaGo 開始似乎看不到國内團隊的原創，而是持續在追趕？
為什麼在追趕的時候，距離似乎在被放大？
一點點回溯
如果回到語音識别、人臉識别，應該可以講大家處在類似平齊的起跑線上的。甚至因為場景和數據豐富在這兩項上國内團隊還占優。一個佐證是過去很多的比賽成績；另一個是佐證是應用範圍。老外到現在也不怎麼用人臉，所以真實場景下人臉識别的精度，很可能還是國内團隊的算法占優。
自動駕駛是個奇妙的領網域，做了十幾年花了幾千億，但似乎都卡在某個限度下面了。所以也看不出什麼區别。
所以說如果回到 2010 年之後的十年，說大家在基本平齊的起跑線上，大致是不錯的。當時大家比較公認的是 AI 上沒有秘密，畢竟一有進展論文立刻就出來。
問題出在大模型上。
在大模型上，局面變成了：
在平齊的起跑線上，OpenAI 率先做出來大模型後，别的團隊在追趕的同時，差距還被拉大了。
如果單純的拿沒做出來說事似乎也是偏頗的，畢竟 Google 也沒做出來。
但如果橫向展開些就發現也不是那麼偏頗，在 AI 這個領網域裡我們好像并沒有做出太傑出的貢獻。AlphaGo，chatGPT，甚至智能音箱、自動駕駛等似乎都是在重復過去 C2C 的故事。追到平齊的起跑線上卻重復過去的故事，這不能說不是問題。
互聯網這樣是正常的，畢竟你缺了過去幾十年在 IT 上的積累，按切入的時間點（2000 年前後），你就只能這樣，但 AI 還這樣，就是問題了。
追着不順利的時候，大家就比較多反省人才密度、資金、機器等。
但其實根本不是主因，調度起這些資源對于小公司是很難的，但還是很多公司有這個實力。（如果統計 2022 年發布 chatGPT 之前的融資金額你會發現還是不少公司融資比 OpenAI 多）
再進一步深層反省是需要勇氣的，因為會打破一些人類本性中無謂的自尊心。
有點像一個人正興高采烈自信的很，你非上去說，他還有那些地方不行，他真的很容易揍你。
如果不正視這種差距，并挖掘差距的根本，那再過十年，老套的故事就會再來一遍：
好像差不多了基本平齊，然後被甩開差距，然後追趕，然後反省表面因素。一遍一遍循環這個過程。
可怕的點在于：一個是循環自身的周期本來就不短，整體循環的所占的時間就更長。
最終後果是不是災難性依賴于領網域本身的基礎特質。
對于天花板比較明顯的領網域，到達某個限度後，大家其實差不多，所以影響不是特别大。相當于領跑的停了，那後面的只要足夠堅持就能趕個七七八八。
對于沒有天花板，活性極強，并且今天的結果會是明天的的最大推動力的領網域，那麼後果很可能是災難性。這會導致越跑距離越大，并且是在指數曲線上的距離。
很不幸，人工智能看起來是這樣的領網域。
為什麼呢？
不知道誰發明了個詞叫人才密度。
然後似乎原因被找到了：人不行。
在付會上錢不夠，機器買不着，似乎原因就非常明顯，還特别好理解，也容易引起共鳴。
實際上這種認知視角本身就是問題。
背後體現一種思維模式的缺陷。
對于組織而言，不能像過去那樣只關注：人财物等有形要素，還要關注場。
場是價值觀、文化、制度、信念的綜合。
我們不能忽視的一個基本事實是：
到一定程度後，其實人個體智商是差不多的。所以人才密度是趨同的。
AI 就是這情況。
真做 AI 的人，差不多都是從頂級學校裡又選了一撥人，非說誰比誰有絕對差距，那就真不是這樣。
錢的話 OpenAI 過去用的錢雖然不少，但很多團隊用的錢并不比他們少，2022 年之前一共差不多融了 30 億美金。 ( 比如：商湯融的其實比這多）
核心的問題恰恰不是這些可見要素，而是場的差别。
簡單說你用修長城的場，不管給多少人、多少機器、多少錢該幹不出來還是幹不出來，該攆不上就還是攆不上。
（還可以類比皮克斯做動畫，動畫做不好也是人才密度、機器、錢不行麼？）
場可以看成獨立生命體，并且在大時空尺度下持續存在，特征也會變化。
如果我們總是幹存量修長城的活，場的作用是小的，按圖紙搬磚，加大檢查，誰幹的好就多給錢，幹不好就批一頓或者開掉，大致是可以的。
但大模型這種領網域顯然不是這麼個特征，之前有人做過内部模塊拆解，其組成還是非常復雜，需要團隊一起摸索開拓。
這時候場的落後就是致命的。
你拿黑社會的場去幹大模型，對于已經做出的部分，基于開源，已有論文追一追是可以的，但在烏漆嘛黑的未來裡探索出一條路，并持續領先就沒可能。
這是真的問題。
組織的間斷平衡論
這可以再形象一點來看這問題。
團隊的類型可以是外科手術型的，一切以主刀醫生為中心，别的全是打下手的。（其實修長城本質是這個）。
也可以是足球型的。大家有個角色，但需要更靈活的補位和配合。
更靈活的是網球團隊。大家沒有角色靈活補位。
對于大模型開發而言，外科手術的肯定是不行的，至少需要優秀的足球模式的團隊。
只有模式也還不夠，同樣是足球隊也還有我國足球的情況。
模式還要配合上文化等進行綜合才是合适的場。
最終就形成場的先進性：活性且有力量。（可以拿終結者的液體機器人和植物大戰僵屍的僵屍做類比）
這種先進性的内涵是：
可以讓組織保持基本穩态的前提下持續產生躍遷。
這種先進性的根本中精神大于物質，但不适合簡單二元論，而是兩者的按特定配比的綜合。 ( 和決定戰争勝利的是人而不是物也不在一個層次上）
如果這麼定義先進性，那兩類偏頗場都是有問題的：
一種是超級穩态場，一種是活性但容易崩壞的場。從組織的間斷平衡角度看，我們可以這麼講。
有些組織會進入超穩态，它在既有的賽道上把自己強化的很好。内部利益分配各種與其适應。 ( 創新者窘境用價值觀、流程來描述，但其實還是缺東西，不過價值觀、流程已經比人才密度的視角好很多了，畢竟是場的一部分）
（那根破壞性創新增長曲線背後的原動力是什麼？是人才密度、機器、資金麼？）
可以形象點來說這個問題。
比如猩猩某些方面強化的其實比人好。
我們古代在農業文明上進化的其實比歐洲好。
這種好，會導致組織和個體進入超穩态。
這種超穩态會内置妨礙躍遷的力量。
這一點點差異，在大時間軸上，效果就非常明顯。
那先進性就是既有穩态，又有足夠的活性。
OpenAI 差點沒把 Altman 幹跑就是活性過剩，能夠糾正回來說明還是有穩态力量。
但一路前跑，則是活性場產生的推動力。
這種場才可能構建出一種在穩态中行進，還具有躍遷力量的組織。
這種躍遷的力量是精神與技術的綜合。
柔性場的構建成本和難度都是高的。
假如不看場，只看人會怎麼樣
最典型的是面對内部大規模耗散時采取的措施會有雷同性。
組織中很容易進入一種大家一起磨叽的狀态（高深的詞可以叫熵增）。我們對付這種耗散只有一種方法就是揍它。回到修長城的方式。前一陣有人在朋友圈發了一個段子，倒是正好和這個呼應。
中國式管理，理論核心就三點：
1. 你幹的好，是因為我領導有方。
2. 你幹不好就是你有問題，和我沒關系。
3. 你不幹有的是人幹。
這個正好形象的體現了只關注人财物有形要素不關注場的表現（非常閉環和形象，通過人事變動 3 是可以回到 1 的。
注定的後果就一定是不停内部倒騰，這種場的特征和組織行為表現具有極大的相關性，包括對強人的渴望，學習劉邦這一套東西都是伴生特征。但實際上這是在獅子社會裡面都能看到的古老模式。仍然有用，但估計搞不定人工智能這樣的領網域。
這背後的認識差距是真正的差距。
如果上面的解讀是對的，那麼我們在人才密度什麼上面的努力就很像緣木求魚，根本改變不了局面（猴子水中撈月式追趕），而标題上的問題則會不停的被問。（超穩态）
難的也正是這裡，如果說有形要素的改變是旦夕之功可達，那這種先進場的構建就有點十年樹木百年樹人百年樹人的意思了，并且破功還很容易。
借助 AI 這種場的形成成本也許可以降下來，但認知的事就會比較困難。轉過來後對問題的反省會完全不一樣，比如：
但反過來如果場大于個人，那是這樣的思維鏈條：
落後了
場不行
進行機制建設
個體和整體活性增加
也許動蕩，但保持活性迭代
這裡的關鍵在于怎麼才能產生更多的活性個體并且亂而不散。
也會很多混亂甚至崩潰，比如 OpenAI 自己的内讧，但躍遷到下一層的可能性是高的。
（從間斷平衡的視角看組織的話，什麼能構成躍遷的力量呢？）
擴散一點點
假如有一池水，有點顏色，在這裡面有一些獨立的缸，那缸裡的問題是不是都是池子的問題 ?
我覺得在 AI 這個事上，主要不是，畢竟保留了足夠的自由度。但确實池子的偏好會在長時間軸上有很根本的影響。
小結
看着簡單但其實這是一個超級復雜的話題，近來看很多人在探讨這個，所以還是從這個視角說說自己的觀點，簡單說就是：
組織裡面人之外有場，疊加後才是最終組織特征。
如果我們總是用人才密度，錢不夠這樣的視角去看待問題，那就很難适應這種高速進化的領網域，陷入一種追平，落後再追趕的困局。
倒是也閉環，不愁沒事幹。
這個話題之前寫過一點：
到底什麼是 OpenAI 成功的關鍵點，到底誰能幹好大模型？
