为什么伟大不能被计划

  这是一篇读书体会。

  《为什么伟大不能被计划——对创意、创新和创造的自由探索》，作者，肯尼斯·斯坦利和乔尔·雷曼是人工智能专家、OpenAI研究员，他们二人都是当下火爆全球的智能语音机器人ChatGPT的核心研发科学家。

  首先，这本书有个好的题目

  有的网友说，能记住这个题目就不费作者的一片苦心了，我也深以为然。《为什么伟大不能被计划》，这书不是针对中国写的，但中国40余年市场经济带来的蓬勃发展已经无疑证明了这个观点的正确性，特别是书中提出的脚踏石理论，不由得让人想起“摸着石头过河”的名句，而且这本书写于2015年，作者用其自身的成功再次证明理论的正确性。

  有两方面的体会要与大家分享。

  一是伟大的背后是公平。我们常常思索，什么是真正的自由。人生而自由却无往不在枷锁之中，人是所有社会关系的总和，所以人是不可能真正拥有自由的，扒开自由的外衣，我们很容易发现，我们追求的其实是一种自由的环境或者说氛围。这是一种什么样的氛围呢？就是，我在做研究，我的精神上没有除了科学难题以外的干扰，我的研究的成果可以带来公平的回报而不被他人窃取，这样就在做研究就是自由的。我在做投资，除了违法以外的项目，我想做什么生意就做什么生意，这叫做自由的市场。所以我们扒开自由的外衣，里面的内胆其实是公平。只有在同样的付出下获得相应的回报，才可能激发出人付出的原生动力，才能真正鼓励大家把精力放在做事上。

  所以我们说解决躺平唯一的途径就是解决躺赢，就是这个道理，拥有公平的机会让人看起来拥有着自由。

  二是伟大的背后是勇气。“人们之所以紧紧抓住目标不放，对风险的恐惧是一大主因”。好奇心和安全感之间的平衡。变革时代，可怕的不是选错赛道和办法，而是没有走出“舒适区”的勇气和想法。每一次对踏脚石的摸索都可能是泥牛入海，只能是小心翼翼的，特别是对个人来说，可能几十年的心血也并无回报，所以每一个探索者都是应该被致敬。作为创新的保护者，社会、政府有必要为创新者提供试错成本兜底，要防止在不断“重复昨天的故事”中陷入低水平的内卷。

  同时，我们要警惕“后发优势”这个词，往往后发优势带来的是“以买代研”或者抄袭、盗版，而失去了创新的土壤和能力，虽然你用上了芯片但你造不出芯片，你抄了别人的做法，就丧失一分自我加压的机会。走别人走过的路，抄的近道都会变成弯路。这就如同一个小孩，一开始觉得看电视很有趣，家长对此很不放心，认为是浪费时间。但是孩子不会一直觉得看电视最有趣，他很快就会发现打游戏比看电视有趣多了，于是他会把精力转移到游戏上来。而只要他眼界够高，他迟早会发现世界上还有很多比打游戏更新奇、更有趣的东西，比如自己编程、自己制作游戏，最后他会发现搞科研更新奇、更有趣……

  请注意，这可不是说人生就应该漫无目的、随波逐流。新奇性搜索算法不预设具体目标，但是它有价值观的指引，这个价值观就是新奇和有趣。只要你每次都选择更新奇和更有趣的方向，你就不会是平凡的。

PS，一些摘要

  想象在某个平行宇宙中，你被任命为某国的科技部部长，你的任务是把该国科技发展水平提升至发达国家的水平。为此，你的助手给你提供了一份计划：

1.选定若干个战略方向，投入巨额研发资金；

2.选拔一批国内企业，各自设定明确研发目标；

3.组织最优秀的科研工作者和著名学者作为项目领军人物，要求责任到人；

4.在每个方向上都安排至少三家公司，强化竞争；

5.定期考核，监督研发进度……

你踌躇满志，但是内心多少有点不安。这样的计划能成功吗？

这就回到一个问题：创新的逻辑是什么？

  当你考察科技史时，你会发现伟大的创造几乎都是由一些谁也想不到的人，在谁也没计划的领域中做出来的。比尔·盖茨迎合极客打游戏的需求普及了个人电脑；硅谷的一个车库里诞生了谷歌；埃隆·马斯克起家是在网上支付领域，最后却推出了SpaceX和特斯拉。1971年，时任美国总统尼克松发起一场“癌症战争”，但貌似什么都没干出来；1982年，日本通商产业省搞了一个为期10年的大项目，投入巨资，要研发第五代计算机系统，也是没有突破出来。历史上似乎是唯一一个由政府主导，且最后获得成功的大科技项目，就是时任美国总统肯尼迪为了跟苏联竞争而推动的载人登月计划。如果路线已经近在眼前，你当然可以设立目标、制定计划，多花点钱加速进行。但是真正的伟大突破是不能计划的。所有例子都指向一个结论——伟大是不能被计划的。这个道理并不是新认知，过去几十年间几乎所有关于科技创新的研究都是这么说的——但是都没有说服政策主导者。

    幸亏当下创新不是由政府主导，像OpenAI这样的小公司才有可能得到巨额的风险投资资金，才可以任性蛮干，才有机会做出伟大的创新。

    如果掌握了充足的资源，“无为而治”也并不容易。

    所以我们确实需要进一步的解释。

    为什么伟大创新一定是意外所得？

    比如，你想要从一些简单线条出发，演化出好看的图片，或者让纸面上的机器人走出迷宫，又或者让一个三维空间中的机器人学会直立行走，你应该怎么做呢？

     肯尼斯和乔尔发明的算法叫作“新奇性搜索”(Novel Search)算法。这种算法会随机生成一组解决方案，通过评估新奇性并保留新奇性比较高的方案，从而像生物演化一样发生一定的变异，如此往复循环，直到达到预定的迭代次数或者将问题彻底解决。

  这个算法在迭代过程中完全不考虑一个方案是否有利于接近目标，哪怕这个方案是往墙上撞，或者一站起来就跌倒。产出的方案再怪异、再不靠谱也没关系，只要是新奇的就留下——只问新不新，不问好不好。

  然而各种实验都证明，这种方法找出来的方案最能解决问题。它能生成最好看的图片，能最快找到迷宫的走法，能让机器人最快学会直立行走。这是为什么呢？

  一个原因便是求新就意味着求复杂。简单的方案总是先出现，等你把简单的方案都尝试过之后还要新的，出来的就一定是更复杂的方案。复杂意味着掌握更多的信息，掌握信息多意味着更高级，也就更容易解决问题。

  更重要的原因是，新方案是通往其他新方案的“踏脚石”(Stepping Stones)。这就如同你在一片沼泽地里寻宝，必须踩到更多的踏脚石才能探索更多的地方，而你必须探索很多很多地方才更有可能找到好东西。

  比如前面教机器人直立行走的例子。如果你一开始就一门心思想着直立行走，你就会刻意避免能让机器人摔倒的方案。可是恰恰是那些会摔倒的方案教会了机器人踢腿！学踢腿，自然就容易摔倒；可是不踢腿，怎么能会走呢？而对新奇性搜索算法来说，机器人从“不会摔倒”到“会摔倒”，绝对是大好事！机器人会的越来越多就意味着越来越高级，便自然会将会直立行走这项技能收入囊中。

    一开始就向着一个明确的目标努力，你就走不远。

    目标会窄化你的探索范围。

    对伟大事业来说，目标具有误导性。

    没错，如果你一开始就认准了想要得到一个什么样的珍宝，你就不会得到珍宝；最终得到珍宝的人，只是一直在寻找下一块踏脚石……他们得到的都是意想不到的珍宝。

    求新就是求好，

    出奇就是出色，

    有趣就是有戏。

    懂得这个道理，本篇序言一开头提到的那个假设的部长，他要做的恰恰是减少一些竞争，取消无谓的考核，用减少内卷换取增加多样性，用自由发展取代顶层设计，营建更宽松的环境……