《为什么伟大不能被计划》对创意、创新和创造的自由探索 - 三余书屋 3ysw.net

为什么伟大不能被计划：对创意、创新和创造的自由探索

大家好，今天我们要讲述的书是由肯尼斯·斯坦利和乔尔·雷曼撰写的《为什么伟大不能被计划》，副标题是“对创意、创新和创造的自由探索”。光听这两位作者的名字，斯坦利和雷曼，你可能会感到陌生。但如果提到他们所在的公司，你可能会肃然起敬。他们都是OpenAI的研究员。众所周知，2022年11月，OpenAI推出了著名的人工智能语言训练模型ChatGPT，它能够以流畅自然、近乎人类水平的语言完成问题回答、文本翻译、信息总结，甚至文稿写作等高难度任务。斯坦利和雷曼正是ChatGPT研发团队的核心科学家。

从某种意义上说，《为什么伟大不能被计划》可以被视为雷曼和斯坦利对自己技术探索和创新方法论的总结与升华。然而，雷曼和斯坦利想要讨论的并不是他们在研发ChatGPT时的经验，也不是人工智能技术的发展，而是在这个科技飞速发展的新时代，如何实现创新与突破的底层逻辑，这具有颠覆性和前瞻性。因此，我们今天特地向您推荐这本书。

在我们的常识中，科学技术的创新研究遵循一种线性逻辑：科研人员首先设定一个目标，然后通过理论假设和实验，一步步排除错误，向目标挺进，最终克服重重困难，达到胜利的顶峰。然而，事实真的如此吗？出乎意料的是，两位作者在本书一开始就告诉我们，这个观点是错误的，而且大错特错。斯坦利和雷曼在长期从事人工智能算法优化的研究中领悟到一个真理：在现代科学技术领域，真正伟大的突破并不是事先精心计划的结果。例如，迄今为止最新一个由顶层设计目标先行且最终获得成功的大型科技创新项目，是20世纪六七十年代美国政府主导的阿波罗登月计划，此后再无类似的案例。

换句话说，任何创新和突破都不像登山，即按照既定路线向着一个清晰可见的目标前进，而是如同在一片迷雾重重的沼泽地里寻宝，目标未知，路线不定。寻宝者的任务是寻找一个个踏脚石和立足点，努力探索尽量大的区域，然后再看看探索过的区域里都有哪些价值连城的小玩意儿。

当然，在科学创新的领域里，所谓价值连城并不总是意味着能够立刻转化成经济效益。斯坦利和雷曼解释说，在科学探索中，任何理论、解决方案乃至材料或技术的价值往往与其新奇性挂钩。所谓新奇才是王道。被誉为硅谷之父的天才程序员、风险投资人保罗·格雷厄姆就说，在高科技领域，优秀的研究不一定是好的，但一定是新的。而优秀的产品设计不一定是新的，但必须是好的。只有使用全新的创意和理论，才会涌现革命性的产品，解决那些前人无法解决的问题。为什么这样说呢？因为新奇性意味着我们认知边界的拓展，更多的新信息让我们原有的认知结构得以升级和复杂化。最终，在这种看似漫无目的的科研探宝中，必然衍生出突破人类原有水平、具备碾压迭代性的技术或解决方案。

说到这里，我相信你已经对本书的内容产生了一定的兴趣和期待。那么接下来，我就分两个部分为你讲述本书的主要内容。首先，我们来看看为什么说在科技前沿领域，详尽的目标和过分具体的计划反而会妨碍突破与创新。其次，我们再沿着斯坦利和雷曼的思路来看，在技术飞速发展、跨领域研究蔚然成风的今天，怎样才能实现突破与创新？

首先，我们就来看看为什么作者斯坦利和雷曼说，在高科技的探索中设立明确的目标并不是一个有效的方法，反而会窄化探索者的搜索领域，提供错误的思路和前进方向。

在日常学习和工作中，我们不断被告知，有了目标，我们才会有动力和使命感。所谓“谋定而后动”，通过设定和拆分最终目标，我们才能制定出细化而精确的行动与学习方案，从而不断提高和升级自我。不仅如此，大家也都相信，小到企业各种组织机构，大到社会、国家，乃至整个生物界与自然环境，他们的存在与发展也是为了某种设定好的终极目标，比如生存与升级进化。而一旦失去目标，无论作为个体的人或生物，还是作为整体集合的社会或自然，就会陷入停滞、混乱与迷茫。

当然，斯坦利和雷曼说，这种目标本位主义从常规来说是合理有效的。但是在进展飞速、充斥着高风险性和不确定性的科学技术创新，甚至艺术领域，目标本位主义里的很多法则就失效了。为什么会出现这种情况呢？斯坦利和雷曼说，那些高大上的目标由于非常复杂，涉及的信息变量太多。而现有的技术和理论又由于水平所限，无法立刻拿出一套可行的实现与解决方案，所以那种想象中明确的行动路线图是没办法画出来的。斯坦利和雷曼说，实际上人类前沿技术科学的突破倒像是某种探宝行动。我们要在一个巨大黑暗、结构复杂、放满了物件的房间或者沼泽地里慢慢探索。而我们渴望的那个成果或者奖励很可能就隐藏在某个角落里，和一堆看似和它无关的东西放在一起。比如有一堆是火的，使用轮子、弓箭等等，是人类早期进入农业定居文明所必需的技术；而远处则是个人电脑、光纤等人类进入信息时代所必需的技术。

诸如此类，我们必须在黑暗中慢慢摸索前进，作出标记，得知哪些地方是探索过的已知空间，而哪些区域尚未探索。如果是沼泽地，我们还要找到那些帮助我们继续前进的踏脚石，以便达到更远的地方。甚至在这些新罗棋布分散在各处的宝藏物件里，很多物件之间也存在密切的联系。你只有发现了A，才会得到宝贵的线索，了解B或者C在哪里。在这种情况下，你越是设定一个详细明确的目标，制定周密精确的方案，反而越无法达到目的。

回顾人类技术发明时，就会发现太多“有心栽花花不开，无心插柳柳成荫”的案例。比如日常使用的家电微波炉，我们一定会觉得肯定有一家消费电子企业或者某个发明家想制造出一台方便快捷的食品加热器，然后就致力于发明一种耗能少又安全的加热技术，最终选中了电磁波。

但实际上，人类使用电磁波装置的历史要比我们使用微波炉的历史长得多。早在20世纪二三十年代，能够持续稳定发射电磁波的磁控管就被制造出来，用于雷达探测装置，并在二战中被不断改良。直到1946年，美国军工企业雷神的一位工程师斯宾赛在雷达测试中无意中发现自己兜里的巧克力因为靠近设备太近而被融化，这才意识到电磁波还能有加热食物的妙用。

再比如数据的存储对计算机的发展来说至关重要，但实际上最早发明并把数据存储技术投入应用的却是纺织工业。早在18世纪，有一个法国机械师和发明家叫沃康松，他就构思了一种能让提花机快速编织出图案复杂布料的发明——打孔卡片。由于布料上的图案是由不同颜色纱线彼此叠压形成的，所以在此之前要想让提花机编织出图案复杂的布料，需要有一个专门的绘图员在机器旁边盯着，根据图案手动控制不同颜色纱线叠压的方式非常辛苦，效率还不高，所以图案复杂的布料产量低，价格昂贵。而打孔卡片的作用就相当于原始的计算机控制程序。具体方案就是一沓子大孔卡片被放在提花机底板上编织针运行时，遇到卡片上的小孔，就从孔洞里穿过去，挑起纱线，让垂直方向的其他纱线从下面穿过，所以一组分别在不同位置打了孔的卡片，就能精确控制各个特定位置的编织针何时抬起，从而快速编织出图案复杂的布料。

到了19世纪，打孔卡片引起了英国数学家巴贝奇的注意，他认为打孔卡片既然能够储存布料的打印图案，肯定也能够记载复杂的数字计算公式，应用到早期的机械计算机上，让计算机按照程序进行复杂的数字运算。到了20世纪四五十年代早期电子计算机问世之后，科学家又发现可以把早期的电脑程序翻译为一组二进制数字密码，在通过打孔卡片储存运行时，先让电脑读取，然后再运行。所以你看，如果进行复盘的话，很多通向重大技术进步或者创新的所谓踏脚石，都是人类在其他看似无关领域进行探索时发现的。这些踏脚石诞生时的原初应用场景，也和最终那个高大上的目标毫无关系。

斯坦利和雷曼甚至还提出了一个假设，经常读网络文学的人肯定听到之后不会感觉陌生，那就是假如几个现代IT工程师和科学家集体穿越到古代，还能够召集一群当时最聪明的人，那么他们是否能用目标导向模式组建一个项目团队，造出一台计算机呢？答案肯定是不行的。

表面上，项目组遇到的瓶颈是建造计算机的基础设施和原材料，从电力、工业机床到纯净的硅，在远古时代根本无法得到，但深层理由是古代人无法想象制造这样一台机器到底目的何在。很明显，只有当人类的经济和科学研究活动复杂到一定量级时，这些建造计算机相关的技术材料才会出现。同时，人类也会意识到需要一种具备超级计算和信息处理能力的机器。不仅如此，过于具体但遥远的目标还会具有极大的误导性，让我们走上一条错误的探索或者研究路径。

在书中，斯坦利和雷曼就举了这样一个例子，假设你现在变成了一个造物主，手里有一颗环境和地球一模一样的星球，这里已经有了一些简单的单细胞生物，请问应该采取什么样的进化繁育策略才能让这颗星球上诞生像人一样的高度智慧生物呢？斯坦利和雷曼说，如果按照我们习惯的目标本位策略，那么我们的策略就应该是坚持给所有的单细胞生物测智商，然后选择那些智商最高的进行配对繁衍。当然，听到这个逻辑正确但实际荒诞的答案，所有人肯定会哈哈大笑。

如果我们从生物神经科学角度拆解一下智慧的本质和生物演化的过程，就会发现高度智慧生物的诞生压根不是自然演化的目标，充其量只是演化过程中的一个副产品。首先让我们来看一下智慧的本质是什么呢？生物学家、科普作家王立明曾说，智慧就是个体和环境互动的模式，通过捕捉信息、积累经验，再通过总结规律、改善应对的策略和技巧。说白了，智慧就是一种学习能力。从神经生物学角度讲，学习就是生物体内的神经细胞之间通过信号传递产生了连接与共鸣。那么对于地球早期生物来说，怎么提升学习效率呢？最便捷的方法就是身体内有足够多的神经细胞同时工作并连接，提升单位时间内信息交流的总量。所以多细胞组成的复杂生物就要比单细胞生物具备碾压性的优势。

不过，从单细胞演化为多细胞背后的首要推力并不是要发展高级智慧，而是生存。这里面的理由很简单，在生物种类稀少、形态相似的情况下，谁的个头越大，被吃掉的风险也就越低，还可以成为位于食物链顶端的捕食者。同时，成为多细胞生物还有一个好处，体内各个细胞可以按照各自的专长分工，让自己所属的这个集体同时可以处理很多任务，从运动、感知到制造能量等等。

英国理论物理学家杰弗里·韦斯特在他的著作《规模》中提出克莱伯定律，即生物自身的体积和结构复杂程度越大，维持自身运转的能耗反而越小。具体来说，规模每扩大一倍，就会产生25%的结余。所以说，生物为了更好的生存，就要提升自身结构的复杂度，实现规模效应。而随之诞生的高智慧生物，比如人类，只是这场沼泽探索中意外找到的宝藏盲盒。

用作者斯坦利和雷曼的话说就是，自然演化中的竞争并不是全方位的，每一种生物并不需要达到整体最优，完全可以在自己所处的局部生态中达到局部最优即可，甚至还可以通过偶然的突变产生出属于自己的生态位。所以所有生物都具备了生存和繁衍这两个基本能力后，演化就变成了一场典型的非目的性探索。

换句话说，当生物的演化诞生出人类和其他哺乳动物这样复杂形态的时候，各类生物之间的竞争开始让他们各自在各自的生态位上开展局部竞争。跑不快又力气不大的人类就演化出了复杂的大脑结构来对抗其他动物。所以说，自然之所以能在演化过程中创造出人类这样高度智慧的另类生物，恰恰是因为他没有把诞生人类级别大脑作为自己的目标。

同样的情况，在科学家训练人工智能的场景下，也经常出现诞生出无数令人哭笑不得的情况。斯坦利和雷曼就举了一个自己进行人工智能训练的小案例，先设置一个平面迷宫，然后训练机器人顺利走出迷宫，到达出口。出乎意料的是，如果算法被设定成尽快到达出口，机器人反而进步迟缓，因为它总是遵循目标第一的原则，想规划一条最便捷的路线直达门口。而我们人类理解中的合理路线都会被机器人判定为在某些时刻远离了门口，背离了目标，所以是不正确的，这就导致机器人永远是一出发就朝着出口方向猛冲，撞上迷宫中的墙壁。

你看，通过这个小小的计算机试验，目标至上导致错误解决路径的道理就被揭示得清清楚楚。那么如何实现创新和突破呢？斯坦利和雷曼说，首先要给自己的探索或者研究设置一个底层逻辑，那就是尽量把它当作一种对有趣和新奇的探索，把我们的目光从所谓的伟大遥远的目标上暂时挪开，而转向我们身边可见范围内可能埋藏的宝藏和通向陌生区域的踏脚石。

说到这里，有人可能要问了，追求新奇性，听起来既漫无目的，又很难把控，由这种原则来指导科学研究或者技术创新，真的靠谱吗？斯坦利和雷曼就说，别担心，首先，探索未知是人类持续进化、文明发展背后的最基础推力。即使最终失败，我们追求新理论和解决方案的努力也会比循规蹈矩地沿着既定方案进行探索更能获得宝贵的经验与数据。为了证明这一点，斯坦利和雷曼就在书中讲出了一个他们做过的人工智能虚拟实验，实验的目的是让一个拥有人类双腿的机器人最终学会行走。

这两位程序员为机器人编写了算法，其中优先目标并不是尽快能够双腿行走，而是尽可能让机器人用自己的双腿做出一些新奇的动作。出乎意料的是，当设定的算法是鼓励机器人做出新奇新行为时，他学会走路所用的时间远远少于目标被设置为尽快学会行走的时候，这是为什么呢？原来，如果机器人被设置为尽快学会行走，那么在算法逻辑里摔倒就是一件坏事。机器人会努力避免摔倒，但同时也限制了他对各种行走姿态的试错。但如果是以新奇性动作为优先目标，那么机器人一开始会以各种姿势花式摔跟头。但在这个过程中，他逐渐学会了踢腿、摆动身体，而这两个动作正是实现双腿行走的基础。

甚至有时候科研人员纯粹出于找乐的玩闹行为，也能促成意想不到的技术变革。比如号称将引领下一次工业革命的3D打印技术。1995年还在麻省理工学院当研究生的奇姆·布莱特和自己的朋友安德森被导师拉进课题组，研究如何改良一款混凝土喷射机的喷嘴。但是布莱特发现喷嘴总是堵塞，估计是混凝土配方有问题，可这事儿又不归自己管，那为什么不用喷嘴来搞点儿有趣的东西呢？于是他和安德森从杂货店搞来了各种材料，从糖霜、蛋糕粉到奶酪碎，把这些材料喷射出去，形成固体。然后他们又灵机一动，把喷嘴和打印机连起来，就能打印出各种各样的立体字母，最终这个革命性的发明获得了麻省理工学院的专利和700万美元的启动资金。

甚至在一个创意或者革新还不能确定具体应用场景，甚至功能还不完全的时候，那些有敏锐眼光的探索者也会从直觉中感受到，这是一块意义重大的踏脚石，将把自己的认知边界大大推进。比如我们刚才提到过的硅谷教父保罗·格雷厄姆，他曾经主持过世界上第一个互联网应用程序ViaWeb的开发。格雷厄姆说，对一个天才程序员或者黑客来说，哪怕写出来的程序只有一部分能够跑起来，那就说明他还有希望，值得继续投入精力改进。实际上，在程序编写中，很多灵感是在编写构思中产生的。如果你执着于做一个完美的方案和计划而不着手开工，那么你将和许多本来可以诞生的妙点子失之交臂。当ViaWeb刚刚诞生的时候，那些上门的风险投资人总是问格雷厄姆，你们未来半年的计划是什么？格雷厄姆的回答往往都是没有具体计划，但我们会对程序作出任何能够想到的最佳改进。

在斯坦利和雷曼看来，在今天这个技术飞速进步，各个科技领域交叉融合、综合创新的年代里，最有可能做出重大发现、出成绩的，是那些兴趣广泛、嗅觉灵敏、始终对新事物、新理论抱有开放心态的寻宝者。他们往往一专多能，在自己感兴趣的领域中不断探索未知，持续漫游，为自己和后来者构建了一块又一块踏脚石，留下自己到此一游的标记，最终在意想不到的技术或者时间节点作出了重大突破。格雷厄姆就是一个典型的寻宝者，尽管他更愿意以海盗自称。

格雷厄姆在康奈尔大学学的是哲学，但他深刻感觉自己应该从事和技术相关、直接改变世界的东西。于是他就在研究生时代去了哈佛大学计算机系。可当他真正开始学习编程和人工智能理论的时候，心有旁骛的格雷厄姆又迷上了视觉艺术。利用假期开始在著名的罗德岛艺术学院学习绘画，格雷厄姆总结说，自己同时涉猎多个领域，带来的好处是一种融会贯通的大局观。比如绘画和编程，其实在底层逻辑上是相通的，都需要有洞察力、精确性，从用户需求出发，具有美感，但同时又具备开放性，可以随时修改优化。

不过，斯坦利和雷曼在书里提醒我们，那些科学史上看似灵光一现、神来之笔的创新突破从来不是偶然性的，只是因为当事人在漫长艰辛的探索中，已经发现了无数块踏脚石，在不知不觉之中，距离这个神秘宝藏只有一步之遥。例如，即使牛顿与苹果的故事真的存在，那也只能说明苹果落地是引领牛顿创造万有引力定律的最后一块踏脚石。在此之前，牛顿已经在数学与天体物理领域进行了多年的潜心研究，苹果落地这个现象无数人目睹过，但只有牛顿能够把它与天体之间的引力作用联系起来，归根结底，这是源于牛顿在常年研究中形成的敏锐观察力和开放心态。

好了，《为什么伟大不能被计划》的大致内容就为你介绍到这里。两位作者斯坦利和雷曼可以说是大道至简，没有使用太多人工智能专业术语，甚至没有摆任何一个数学公式，而是用风趣而平实的语言为我们展示了一幅截然不同的技术创新图景与方法论。不要拘泥于目标，不要死板地设定具体方案，以兴趣为持久动力，以漫游寻宝为心态，才是抵达伟大与成功彼岸的底层逻辑。

在本书中，斯坦利和雷曼花了相当大的篇幅和许多科学创新史上的真实案例来证明，在高技术领域，唯目标主义会带来视野狭窄、方法路径错误等种种弊端。过度强调目标导向在两位作者深耕的人工智能技术领域表现得尤为突出。例如，究竟存在不存在一种通用普适性的人工智能解决方案？在理解人类语言时是让人工智能发挥现有算法的优势，利用越来越庞大的数据库进行深度学习，还是走截然相反的路子尝试人工智能像人类那样思考、理解各种语言概念背后的逻辑关系，这些问题在肉眼可见的未来，似乎还不会有明确的答案。

同时，斯坦利和雷曼还对今天美国高科技企业创新体制中的一些弊端提出了自己的意见。他们认为，对于迅速实现某个具体技术创新以及尽快盈利的执念，正在让一度充满活力的美国高新技术产业陷入歧途。一方面是暂时无法产生直接效用，但可能会引发重大突破的踏脚石技术得不到重视和资助；另一方面则是许多看上去很美，但远未成熟、应用场景不明确的技术，由于资本的助推，热潮迅速泡沫化。

虽然斯坦利和雷曼的批判是着眼于美国，但其中的某些观点也值得今天发展中的中国借鉴。所谓只要大量的投入资金，就能可靠地产出特定研究领域的根本突破，这个策略已经被证明存在严重的风险与不确定性。反过来说，无特定目标的探索漫游貌似不可取，但却符合科学探索的本质。所以斯坦利和雷曼借助本书向所有准备探索未知世界、推进技术前沿的人发出呼吁：不要盲目地把目光投向远方，而是要关注你身边脚下的每一块踏脚石。虽然它们只能暂时指向另一块，但我们要相信，正是由这些踏脚石连接而成的创新链，才是通向伟大的发现之地的正确路径。

以上就是本书的全部内容，谢谢大家，我们下期见。

————————————————
本文为[三余书屋]收集和整理，原文链接：https://www.3ysw.net/book/1772467680094752768