当“卷”到极限，AI成为唯一杠杆：OpenAI科学家解读未来竞争力
当获取知识的成本趋近于零，好奇心成为唯一的稀缺资源
“如何提高我的产出？”
在今天，“卷”似乎是这个问题最直接的答案 - 投入更多时间，于是我们有了996和007。但这种“努力”很快会遇到物理极限，投入产出比也急剧下降。
一个更好的问题是：“如何在不显著增加投入的情况下，大幅提高产出？”
答案就是“杠杆”，这才是真正的破局点。
最近，我听了 OpenAI 研究科学家 Hyung Won Chung [注1]在康奈尔大学的一场分享，他恰好从“杠杆”这个独特的视角，为我们解读了AI时代下个人与社会正在发生的深刻变革，我将他的演讲内容结合了个人思考后整理如下。
[注1] Hyung Won Chung 是 OpenAI 的研究科学家，专注于推理和 AI 智能体领域。他是 o1-preview、o1 和 Deep Research 的核心贡献者，目前领导编码智能体相关工作，包括训练 Codex mini 模型。在加入 OpenAI 之前，他曾在 Google Brain 工作。Hyung Won Chung 拥有 MIT 博士学位，来自韩国。值得一提的是，根据最新消息，他已于2025年7月加入 Meta 的超智能实验室。
引言：看不见的变化
Hyung Won Chung 的分享以一个有趣的比喻开始：如果你盯着一朵含苞待放的花看上十分钟，你不会看到任何变化。这是否意味着没有变化在发生？当然不是。如果等待足够长的时间，你会看到它绽放成一朵盛开的玫瑰。
这个比喻是在说 - 虽然 AI 可能是有史以来发展最快的技术，但它的变化仍然以年为单位，而非分钟或小时。由于人类在进化过程中更擅长感知分钟到小时尺度的变化（这对生存更有利），我们可能系统性地低估了 AI 带来的变革规模。
从”卷”到”杠杆”：思维模式的根本转变
在深入探讨之前，让我们先对比两种截然不同的思维模式：
“卷”的思维： 在既定规则下，通过线性增加投入来提高产出。这是一种存量竞争 - 大家都在同一条赛道上比谁跑得更快、更久。结果是所有人都精疲力竭，但相对位置可能并没有太大改变。
“杠杆”思维： 改变游戏规则，用同样甚至更少的投入，获得指数级的产出增长。这是创造增量价值 - 不是在原有蛋糕中抢夺更大份额，而是把蛋糕做大，甚至创造新的蛋糕。
当”卷”已经到达物理和心理的极限，寻找和创造杠杆，就成了唯一的出路。
杠杆：创造财富的核心密码
Hyung Won Chung 引用了著名思想家 Naval Ravikant 的分类，将人类历史上的杠杆分为三类：
- 人力（Labor）：这是最古老的杠杆，就像法老通过雇佣成千上万的工人来建造金字塔。你需要获得他人的“许可”才能使用这种杠杆，并且随着团队规模扩大，沟通和管理成本会急剧上升。
- 资本（Capital）：这是20世纪财富创造的主要引擎。通过借贷投资，你可以撬动远超自己本金的回报。这同样是一种需要“许可”的杠杆（需要银行或投资人同意）。
- 代码/媒体（Code / Media）：这是最新的、无需许可的杠杆。你写一个软件，可以被无限次复制和分发，而你的边际成本几乎为零。你录制一段视频，可以在你睡觉时被成千上万的人观看。这种杠杆的出现，驱动了硅谷近几十年的财富神话。
历史证明，每一波巨大的财富创造浪潮，都源于一种新型杠杆的出现。然而，当一种杠杆变得普及，竞争就会抹平超额利润。就像十年前做 YouTuber 和今天做 YouTuber，难度已不可同日而语。
因此，当一种全新的杠杆出现时，它为抓住先机的人提供了获得巨大收益的罕见机会。
在 Hyung Won Chung 看来，AI，正是那个正在崛起的新型杠杆。
AI：人力与代码的终极混合体
为什么说 AI 是一种全新的杠杆？因为它奇妙地融合了两种强大杠杆的特性：
- 它像“人力”：AI Agent 可以为你工作，完成你交代的任务。
- 它像“代码”：你可以无限地“复制”它。需要10个Agent为你工作？复制粘贴即可，你不需要征求任何人的许可。
这种“无需许可即可无限扩展的劳动力”，其潜力是惊人的。
个人层面的变革
学习的革命
AI 正在彻底改变学习的成本结构。过去学习分布式系统的概念，需要：
- 搜索 Google，找到可能不太友好的维基百科页面
- 寻找入门课程或教科书
- 为了理解一个概念，不得不构建大量周边知识
现在，AI 可以根据你的背景动态生成恰到好处的材料，在合适的难度水平上进行教学。新领域学习的门槛正在崩塌。
当知识获取成本趋近于零，什么变得稀缺？
当获取知识的成本趋于崩溃时，知识本身不再是稀缺资源。那么，什么将成为新的、决定价值的稀缺因素？
Hyung Won Chung 给出的答案是：探索的动机和好奇心（motivation to explore and curiosity）。
学习新事物，本质上是走出舒适区，是一种认知上的挑战，并不总是愉悦的。只有内在的好奇心和探索欲，才能驱动你克服这种不适，持续不断地去拥抱新知。
这恰好和我一直以来的观察不谋而合，我曾经在和朋友讨论AI培训市场的时候写过这么一段 - 具有“自驱力 + 好奇心 + 长期思维”的人确实能学好AI或者说任何东西，不过这些素质其实很稀缺，感觉基本是先天形成，很难靠培养/培训得来，所以招聘时只能找已经具有这些特征的人。
如果结合这句硅谷流行的招聘建议一起来看也很合适：”Hire for slope, not intercept”（招聘时看成长斜率，而非当前位置）。在AI时代，这句话意味着斜率不再由技能学习速度决定，而是由内在驱动力决定。
在一个知识唾手可得的时代，决定人与人之间差距的，不再是你“知道”什么，而是你“想知道”什么，以及你有多大的动力去探索未知。技术正在抹平技能的鸿沟，但它无法赋予你探索的热情。这种内在的驱动力，将成为个人最宝贵的核心竞争力。
团队与组织的重构
超级赋能的个体正在改变组织结构。我们已经看到10-20人的初创公司创造数亿美元的收入 - 例如最早当我听说Midjourney的团队只有十个人就做出了全球最优秀的AI生图模型时是极其震惊的。
传统扩张模式下，增加产出意味着雇佣更多人。但人类协作，特别是大规模协作，有巨大的开销：沟通成本、协调困难、人际摩擦。向100人团队增加一个人，产出可能不会增加1%，甚至可能是负增长。
随着个体通过 AI 获得超级赋能，这种协作开销变得越来越不划算。我们可能会看到更多小而精的团队创造巨大价值。
AI的终极使命：加速人类科学进程
从整个人类更宏大的视角来看：AI 的最终目的，是成为加速人类科学发展的引擎。
自科学革命以来，人类的财富和福祉呈指数级增长。但如今，科学的前沿变得越来越复杂，许多领域的突破（如先进芯片制造）早已超越了任何单个人的智力极限，需要庞大的团队协作和巨额的资本投入。
与此同时，人类的智力并没有同等速度的增长。我们正面临一个瓶颈：日益复杂的科学问题 vs 停滞不前的人类智力。
AI，正是打破这一瓶颈的工具。Chung 将人类的专家知识比作高维空间中一个个孤立的“尖峰”(spikes)，而 AI 则像这些知识的“凸包”(convex hull) - 一个能将所有分散知识点连接并包裹起来的最小边界，从而极大地促进跨学科的知识融合。
Chung 认为，正因为如此，我们目前面临着一个“现有知识合成的巨大悬垂”(Huge overhang of existing knowledge synthesis)。这意味着，仅仅是通过AI更好地融合我们已有的知识，就能释放出巨大的价值，这是AI在推动科学进步方面首先能摘到的“低垂的果实”。
更进一步，当 AI 具备了超越人类的推理能力、能够自主产生新想法时，它将成为一个永不疲倦的研究引擎，与人类科学家协同工作，持续推动科学的边界。
结语：从”卷”到”杠杆”的行动指南
回到开头的花朵比喻，我们可能系统性地低估了 AI 带来的变革规模。当新的杠杆机制出现时，早期采用者能获得超额回报。但随着竞争加剧，优势会被稀释 - 就像今天做 YouTuber 比10年前难得多。
“我们可能正在低估AI带来的变革的量级。” 这是 Hyung Won Chung 在分享结尾时留给我们的思考。
面对这样一个时代，或许我们都该问自己：
- 我该如何利用这个全新的杠杆？
- 我是否拥有足够的好奇心，去探索这个被AI重塑的新世界？
在一个”卷”已经到达极限的时代，AI为我们打开了一扇新的大门。问题是：你准备好从无休止的内卷中解脱，去拥抱这个由杠杆驱动的新世界了吗？
Hyung Won Chung的视频原文 - Cornell AI history lecture