先看证据
一篇文章先把问题从“聪明”改写成“兑现”
《The eternal complement》发表在 OpenAI 网站上，是“下一经济”系列的第一篇文章，作者试图讨论一个具体问题：如果未来出现足够强的人工智能，人类究竟缺少的是更多洞见，还是把洞见变成现实的能力。文章明确说明，它代表作者自身观点，而不是 OpenAI 或其同事的立场。它并非在介绍一款模型，而是在提出一种理解前沿进步的经济学框架。
这一区分很重要，因为关于 AGI 的讨论通常把注意力放在模型能否提出更好的答案、写出更好的代码或发现新的理论上。文章则把镜头移到答案之后：实验能不能被设计和运行，设备能不能按时获得，审批和采购能不能跟上，组织能不能持续完成大量正确的局部动作。它的核心判断是，前沿智能与实现能力不是彼此替代的资源，而是互补品。
韦布望远镜说明了：洞见不会自动变成能力
文章用伽利略和詹姆斯·韦布空间望远镜作了一个有力对照。伽利略用两片镜片和一根镜筒扩大了人类视野，几乎只需要几十双手。韦布望远镜则耗资 100 亿美元，被送到距地球约 100 万英里处，18 块镜面需要达到 50 纳米精度，并由 14 个国家的 300 个组织共同建造。相比之下，真正增长的不只是观测能力，还有支撑观测能力的组织、工程和供应链规模。
这个例子并不是说天才不重要，而是说明天才的产出无法脱离生产过程来衡量。一个更好的天文学问题，会提高望远镜的价值。一个更好的望远镜，也会让原本无法验证的问题变得值得提出。理论需要粒子加速器，技术设计需要能源和制造设备，科学发现则需要法规、资金机制、专业人员和维护体系。想法本身只是潜在进步，只有被证据和执行系统承接，才会成为现实进步。
研究生产率下降，揭示了前沿创新的隐性账单
文章引用 Nick Bloom 及其合作者对美国经济研究生产率的研究，指出维持摩尔定律所需的研究者数量，已经是 20 世纪 70 年代初的 18 倍以上。自 20 世纪 30 年代以来，美国经济中的有效研究投入增加了 23 倍，但测得的研究生产率下降了 41 倍。与此同时，技术人员队伍的增长速度是科学家的两倍，科学中专用设备的使用量在四十年间翻倍，如今芯片工厂的成本也达到三十年前的五倍。
这些数字共同指向一种结构性变化：社会仍然能够取得进展，但越来越依赖扩大整个研究企业来抵消单个研究投入回报的下降。模型若只提高创意供给，可能会把更多假设、设计和实验方案推向已经拥堵的验证通道。那时，最先暴露出来的未必是模型不够聪明，而是实验室排期、数据质量、设备能力、采购周期、法规审查和维护人员都无法承接新增需求。
“制度智能”是被低估的技术栈
文章把支撑想法落地的系统称为“制度智能”。它不是某个单独的软件功能，而是一串相互咬合的正确行动：把问题转成可验证的实验，准备合适的仪器和数据，获得资金与许可，协调供应链，让专业人员按顺序完成工作，再把结果反馈给下一轮决策。每一个环节都可能看起来平凡，却决定了前沿智能能否形成可重复的产出。
这也解释了为什么“单调工作”不等于低价值。整理实验材料、运行测试、维护设备、检查合规要求或跟进采购，并不会像提出理论那样显得天才，但它们是理论获得证据的必要条件。若 AI 能承担其中一部分，价值不只在于节省人力，而在于扩大验证系统的吞吐量，让过去只有大型机构才能推进的研究和创作，部分开放给个人与小团队。反过来，如果这些环节没有自动化或组织扩容，更多天才只会制造更多等待队列。
对技术负责人的判断：先找承接瓶颈，再买更多智能
这套框架给企业的第一个启示，是不要把 AGI 投资简化为购买更强模型。技术团队应先识别从想法到结果的哪一段最容易堵塞：是实验环境不足，还是测试、数据、采购、合规、部署和维护无法并行推进。只有当瓶颈被定位，模型能力的提升才有机会转化为更短的反馈周期和更高的有效产出，而不是更多无法验证的方案。
第二个启示是，评估 AI 系统时不能只看生成质量或单次任务成功率，还要看它是否能稳定嵌入真实流程。一个能提出优秀方案、却无法留下可审计记录、调用必要工具、等待外部依赖并在失败后恢复的系统，仍然只是创意供给器。相反，能把验证、协同和执行做得可靠的系统，即使不制造戏剧性的“天才时刻”，也可能更接近生产率真正需要的能力。
两条未来路径，都不能绕开现实约束
文章最后留下了一个尚未解决的分岔。一种可能是“深度文明”：人类依靠更强的推理和更高效的仪器，在不大幅扩张现实活动的情况下获得更深的认识。另一种可能是“宽度文明”：心智提出的目标越来越多，但每一步都需要更多设备、资源和组织，于是文明必须不断扩大执行体系。两种路径的差别，在于智能进步究竟能否替代现实协同，还是会把现实协同的需求推得更高。
对今天的技术负责人来说，不必先押注哪一种文明叙事。更可执行的判断是：每引入一种能显著增加创意和方案供给的 AI 能力，就同步盘点它会给验证基础设施带来多少新负载，并决定哪些环节值得自动化、标准化或扩容。AI 可以降低进入研究和创作的门槛，却不能凭空消除证据、设备、制度和责任边界。真正的竞争，不只是让机器想得更多，而是让组织有能力辨别、验证并兑现其中少数值得实现的想法。