事件概述

OpenAI News 于 2026 年 10 月 1 日发布了一篇题为《The eternal complement》（永恒的互补品）的文章，作者是 Hemanth Asirvatham 与 Elliott Mokski。这是他们关于”下一个经济”系列文章的第一篇，该系列属于一个用于承载独立观点、探讨 AGI 未来的新平台。作者在文首明确声明：文章反映的是他们个人的观点，而非 OpenAI 或其同事的立场。

文章的核心论点可以概括为一句话：高级 AI 最大的价值，也许不在于生成天才的想法，而在于承担突破性想法背后那些重复性的执行工作。 作者由此讨论执行能力如何塑造下一轮经济与人类进步的节奏。

关键论点与技术要点

1. 心智跑在执行前面

作者开篇用一个对比建立张力：从方程和望远镜出发，人类已经能够叙述宇宙诞生之初的历史、追溯恒星与星系的形成；但至今没有任何人亲身越过月球。我们的心智远超双手可及的范围。

作者指出这种错配指向两种可能：

  • 深度路径：最深层的真理也许可以从单一星球上被理解。文明通过”深度”而非”宽度”进步。这也可以部分解释费米悖论——银河系里可能充满从未需要向外扩张、因而对我们不可见的智慧。
  • 宽度路径：更令人不安的一种可能——心智跑赢了执行能力。每一步前进都需要更多时间与资源，梦想不缺，缺的是把梦想实现的人力。

作者用望远镜的历史做例证：伽利略用两片镜片加一根管子拓宽了人类的视野；而今天要再次拓宽视野，人类建造了耗资百亿美元的詹姆斯·韦伯空间望远镜，折叠在火箭中送往百万英里之外，18 块巨大镜面被加工到 50 纳米精度，由 14 个国家、300 个组织共同完成。作者的评价是：看得更远不只靠更聪明的大脑，还靠一个更大的官僚体系。

2. 进步需要支撑系统——数据上的证据

这是全文信息密度最高的部分，作者引用了几组量化事实：

  • Nick Bloom 及合作者研究了美国经济的研究生产率。维持摩尔定律如今需要的研究人员数量，是 1970 年代初的 18 倍以上。 从 1930 年代起，全经济范围的有效研究投入上升了 23 倍，而测算出的研究生产率下降了 41 倍。
  • 技术员队伍的增长速度是科学家的两倍。
  • 科学中专业设备的使用量在四十年间翻了一倍。
  • 今天的芯片厂相比三十年前成本高出五倍，且是一个庞大得多的运营体系。

作者由此判断：进一步进步的成本正在上升；经济之所以仍在前进，是因为研究事业规模的巨大扩张补偿了单位投入产出的下降。

3. 互补品与”制度智能”

作者引入经济学的**互补品（complements）**概念：当一种投入增加会提升另一种投入的价值时，二者互为互补品。前沿智能与”实现其想法的能力”正是这种关系——更好的望远镜让好的天文学问题更有价值，更好的问题也让望远镜更有价值。

作者进一步区分两类互补品：一类是物理性的（理论等待粒子加速器，设计等待能源与机械）；另一类更不可见——想法本身是脆弱的东西，它需要法律、官僚体系、资助机制、供应链等各类制度的共同作用才能被执行。

由此作者提出一个概念：制度智能（institutional intelligence），即执行中那种不被歌颂的智能。用他的比喻说：天才设计纪念碑，制度来砌石头。一个耀眼，一个看似无聊，但两者都绝对关键。

文中一句值得记住的表述是：我们有时把超级智能想象成十亿个爱因斯坦，但一个拥有十亿爱因斯坦的文明，仍然需要其中大多数人去开采石场和管理账目。 前沿创新只有在正常世界在它周围顺畅运转时才能发生。

4. 当下的瓶颈：AI 正在让执行变得不那么稀缺

作者的观察是，AI 已经在降低执行的稀缺性：它写代码、检索陌生文献、把草图变成可运行的原型。过去需要一个完整组织才能推进的想法，现在越来越可能由一个有雄心的个人完成。

作者举了两个通俗例子：大多数有抱负的电影人从未拿到两亿美元去拍自己的作品；大多数游戏设计师整个职业生涯都在实现别人的创意构想。在人才筛选机制不可避免会漏掉天才的前提下，作者认为智能时代的意义首先在于补充人类的创造力，让更多人拥有自己的”支持团队”。

于是稀缺投入发生位移：从执行转向品味（taste）——判断什么值得做、哪个问题值得问、上千个看似可行的方向中哪一个值得追。

但作者并未就此收尾。他提出下一步的可能：当 AI 能够自行抵达出色的新洞见（作者认为数学等领域可能已经在出现迹象），它既提供劳动力，也提供议程——不是实现某一个人的研究计划，而是自己设计出上千个。此时值得开发的电影概念、值得检验的假设急剧膨胀，想法的增速超过支撑性基础设施的吸收能力。

今天的 AI 带来的是久违的喘息；明天可能出现的好想法多到让我们比以往任何时候都更缺执行能力。

5. 两种文明

作者最终承认不确定性：让新洞见产生实际价值所需的互补品，究竟会增长、萎缩还是保持稳定，我们并不真正知道。一个人靠纯粹思考能走多远？才华需要多少官僚体系？

他的框架是：答案取决于思想在必须与实在发生新的接触之前，能走多远。

  • 深度文明：超级智能超越了更多物理资本与官僚协调的需要。
  • 宽度文明：自然的复杂性超出任何智能（无论人或机器）在没有大规模、日益精巧的现实世界实验的情况下继续推进的能力。

作者提到人类历史至今的迹象是互补能力需求在上升——伽利略的望远镜握在手中，韦伯则需要整个文明。（原文正文在此处结束，后续内容原文未完整给出。）

对数据科学与 AI Agent 落地的意义

这篇文章虽然是一篇观点性随笔，但它对数据科学与 Agent 工程有几点相当直接的映射：

第一，Agent 的第一波真实价值可能就落在”执行的互补品”上。 检索文献、写数据管道、把原型跑通——这些恰好是当前 Agent 产品最容易验证、最容易量化收益的场景。它们不炫目，但对应文中反复强调的那个位置：让正常世界在创新周围顺畅运转。

第二，稀缺性从执行转向”品味”这一判断，直接指向评估与选择环节的工程价值。 如果生成候选方案的成本趋于零，那么瓶颈就转移到”哪个方向值得投入”。在数据科学里，这意味着实验设计、指标定义、结果审核与优先级判断会比模型实现本身更贵。原文没有展开具体的评估方法，这一点原文未说明。

第三，作者设想的”AI 自行提出议程”场景，对应的是验证基础设施的瓶颈。 如果候选假设数量呈数量级增长，那么可复现的数据管道、实验编排、统计检验的自动化就会变成真正的瓶颈——这正是作者所说的”宽度文明”在工程上的样子。需要注意的是，作者并未给出任何关于如何建设这类基础设施的具体方案。

第四，长链执行的可靠性仍是关键约束。 文中提到的”一个想法必须穿过制度中一长串正确的局部行动才能存活”，在 Agent 语境下就等价于多步工具调用链条上的错误累积问题。这是一个尚未被解决的工程问题，原文未说明其解决路径。

我的技术点评

这篇随笔的价值不在于提供新数据，而在于把一个常被忽略的方向摆到台面上：把 AI 的贡献定位在”执行”而非”灵感”上，其实是一个更稳健、也更可验证的判断。

从工程视角看，我认为文章最有含量的是”互补品”这个框架。它把”更强的模型”和”更多可被执行的环节”放在同一条价值链上，而不是互相替代。这解释了一个现象：很多团队引入 Agent 之后，产出的瓶颈并没有消失，只是从”没人写代码”变成了”没人判断该写什么、没人验证写得对不对”。趋势判断没错，但瓶颈的位置常常被低估。

第二个值得注意的点是”制度智能”这个概念。作者用它指代法律、资助机制、供应链这一整套协调能力，并强调它”看似无聊但绝对关键”。不过这个概念在文中始终停留在比喻层面——如何度量它、如何让它可被改进，原文未说明。作为一个分析框架它是好用的，作为工程指标它目前还不可操作。

第三个是我保留态度的地方。作者关于”明天可能好想法多到更缺执行”的推演，逻辑上自洽，但缺乏可验证的临界条件：什么情况下会进入”宽度文明”，什么情况下会滑向”深度文明”？文中承认这是未知的，我认为这个诚实的留白比强行给出预测更有价值。对于今天正在做 Agent 落地的人来说，更实际的做法不是押注哪一种未来，而是先把那些”让正常世界顺畅运转”的环节做好——因为无论哪种文明到来，这部分工作都不会白做。

最后一点提醒：作者在文首明确声明这是个人观点，不代表 OpenAI 的立场，且这是系列文章的第一篇、正文有截断。引用其中的统计数字时，最好回到文中提到的原始研究出处。

原文链接