自從去年AI爆火之后，到年初Sora的沖擊，很多人都在考慮一個問題：為什么國內的大模型就是沒有GPT之類的好用？為什么國內就沒法做出Sora模型？實際上，組織里面人之外有場，疊加后才是最終組織特征。

當我們還在困擾為什么國內大模型沒有GPT4好用的時候，Sora來了。這潛在意味著從AGI視角看，追趕一年后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國內國外團隊一度站在類似平齊的起跑線上？

為什么從AlphaGo開始似乎看不到國內團隊的原創，而是持續在追趕？

為什么在追趕的時候，距離似乎在被放大？

一、一點點回溯

如果回到語音識別、人臉識別，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內團隊還占優。一個佐證是過去很多的比賽成績；另一個是佐證是應用范圍。老外到現在也不怎么用人臉，所以真實場景下人臉識別的精度，很可能還是國內團隊的算法占優。

自動駕駛是個奇妙的領域，做了十幾年花了幾千億，但似乎都卡在某個限度下面了。所以也看不出什么區別。

所以說如果回到2010年之后的十年，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率先做出來大模型后，別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么偏頗，在AI這個領域里我們好像并沒有做出太杰出的貢獻。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年前后），你就只能這樣，但AI還這樣，就是問題了。

追著不順利的時候，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，然后被甩開差距，然后追趕，然后反省表面因素。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。

最終后果是不是災難性依賴于領域本身的基礎特質。

對于天花板比較明顯的領域，到達某個限度后，大家其實差不多，所以影響不是特別大。相當于領跑的停了，那后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域，那么后果很可能是災難性。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域。

為什么呢？

不知道誰發明了個詞叫人才密度。

然后似乎原因被找到了：人不行。

在付會上錢不夠，機器買不著，似乎原因就非常明顯，還特別好理解，也容易引起共鳴。

實際上這種認知視角本身就是問題。

背后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：人財物等有形要素，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：

到一定程度后，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里又選了一撥人，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，而是場的差別。

簡單說你用修長城的場，不管給多少人、多少機器、多少錢該干不出來還是干不出來，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、錢不行么？）

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。

如果我們總是干存量修長城的活，場的作用是小的，按圖紙搬磚，加大檢查，誰干的好就多給錢，干不好就批一頓或者開掉，大致是可以的。

但大模型這種領域顯然不是這么個特征，之前有人做過內部模塊拆解，其組成還是非常復雜，需要團隊一起摸索開拓。

這時候場的落后就是致命的。

你拿黑社會的場去干大模型，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里探索出一條路，并持續領先就沒可能。

這是真的問題。

二、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，別的全是打下手的。（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適的場。

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尸的僵尸做類比）

這種先進性的內涵是：

可以讓組織保持基本穩態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，但不適合簡單二元論，而是兩者的按特定配比的綜合。(和決定戰爭勝利的是人而不是物也不在一個層次上）

如果這么定義先進性，那兩類偏頗場都是有問題的：

一種是超級穩態場，一種是活性但容易崩壞的場。從組織的間斷平衡角度看，我們可以這么講。

有些組織會進入超穩態，它在既有的賽道上把自己強化的很好。內部利益分配各種與其適應。(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后的原動力是什么？是人才密度、機器、資金么？）

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態。

這種超穩態會內置妨礙躍遷的力量。

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態，又有足夠的活性。

OpenAI差點沒把Altman干跑就是活性過剩，能夠糾正回來說明還是有穩態力量。

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態中行進，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。

三、假如不看場，只看人會怎么樣

最典型的是面對內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嘰的狀態（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?；氐叫揲L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. 你干的好，是因為我領導有方。
2. 你干不好就是你有問題，和我沒關系。
3. 你不干有的是人干。

這個正好形象的體現了只關注人財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。

注定的后果就一定是不停內部倒騰，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里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域。

這背后的認識差距是真正的差距。

如果上面的解讀是對的，那么我們在人才密度什么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），而標題上的問題則會不停的被問。（超穩態）

難的也正是這里，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。轉過來后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：

• 落后了
• 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

這里的關鍵在于怎么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自己的內訌，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，什么能構成躍遷的力量呢？）

四、擴散一點點

假如有一池水，有點顏色，在這里面有一些獨立的缸，那缸里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。但確實池子的偏好會在長時間軸上有很根本的影響。

小結

看著簡單但其實這是一個超級復雜的話題，近來看很多人在探討這個，所以還是從這個視角說說自己的觀點，簡單說就是：

組織里面人之外有場，疊加后才是最終組織特征。

如果我們總是用人才密度，錢不夠這樣的視角去看待問題，那就很難適應這種高速進化的領域，陷入一種追平，落后再追趕的困局。

倒是也閉環，不愁沒事干。