普通工程师，而非英雄发明家

在1980年代，日本在半导体、消费电子和计算机硬件领域领先全球，这些产业被认为将决定下一个经济强国。然而，日本赢得了这些产业，却未能在美国主导的信息革命中超越它。乔治华盛顿大学政治学家Jeff Ding在其著作《技术与大国崛起》中，通过回顾第一、第二次工业革命以及信息革命的历史，解释了谁赢谁输的原因。他的理论不仅适用于国家，也适用于企业，并且与当前AI的发展轨迹密切相关。

Ding对比了两种关于技术革命如何重塑经济权力的理论。传统理论称为领先部门模型（LS理论），认为新技术催生快速发展的新产业，而率先发明这些产业的国家将获得垄断利润和上下游经济联系。按照这种逻辑，赢得领先产业就赢得了整个时代。这显然是当今AI产业及其国家战略的工作假设：拥有最大、最好模型的公司和国家获胜。但Ding提出了另一种解释，称为扩散理论。他指出，蒸汽机、电力、计算机等通用技术并非仅在一个产业创造利润和生产力，而是蔓延至整个经济。国家经济领导力不来源于发明新产业，而在于比对手更快、更广泛地扩散通用技术。这个过程需要数十年，胜利属于那些最成功地将技术嵌入到广泛普通生产工作中的一方。这正是美国保持对日本领先地位的方式，而未被日本超越。

扩散很大程度上依赖于Ding所称的“技能基础设施”——教育和培训体系，它们扩大了能够实际使用技术的群体。当优先考虑广泛采用而非发明时，重要的机构是那些大规模培养工程技能、标准化最佳实践、并将研究与产业联系起来的结构。正如Ding所写：“GPT扩散理论强调了GPT技能基础设施的重要性。教育及培训体系扩大了与GPT相关的工程技能和知识的储备。当优先考虑GPT的广泛采用时，重要的是普通工程师，而非英雄发明家。”这与当前AI叙事截然不同，后者聚焦于实验室、前沿模型和知名研究员。这种关注也塑造了企业战略：许多公司的AI战略变成了采购决策——选择哪个模型、哪家供应商、哪个旗舰工具；或是建立实验室、构建令人印象深刻的演示、雇佣知名开发者的“登月计划”。这两种方式都将AI视为一个需要赢得的领域。Ding认为，前沿领域本身并非国家权力的长期价值所在，我同样认为这对企业成功同样适用。价值在于技术如何广泛且深入地嵌入到现有员工的工作中。能够将AI应用于金融、支持、法务、销售、运营等每个不起眼的流程，以及产品和工程的公司，将超越竞争对手并推动行业前进。

扩散是组织问题而非技术问题。Paul David在1990年的经典论文中，通过考察电气化的历史（尤其是电动机），解释了为什么技术变革需要很长时间才能体现在生产力中。工厂最初电气化时，只是用巨型电动机替换蒸汽机，依旧驱动同样的轴和皮带系统，生产力几乎未提升。真正的收益在数十年后到来，当时新一代企业家、工厂建筑师和电气工程师围绕电力的实际可能性重新设计了工厂，采用许多小电机各自驱动机器，并按照工作流程布局车间。这一历史类比表明，未来可能并非规模更大、更智能的集中式AI模型，而是一个由针对数百万专门任务而优化的AI所组成的去中心化网络。当然，仍然会有一些大型集中式AI动力源，但大部分行动将出现在遍布经济各领域的较小（可能是开源的）模型上。但除了技术适配之外，围绕技术重组工作的知识必须逐人、逐厂地积累。这种关于如何应用新技术的逐步、自下而上的知识增长，也是James Bessen的《在实践中学习》以及Arthur Herman的《自由锻造》等书的核心信息。

这正是当前企业AI的全貌。最新、最强大的模型已广泛可用，但真正需要时间发展的是围绕其重新设计工作的组织知识。大部分这类知识并不存在于训练模型的实验室中，而是存在于普通实践者之间，并以David、Bessen和Ding所描述的方式，随着人们在自身行业和工作具体情境中摸索技术用途而逐步积累。在企业层面，Ding提出的国家版GPT技能基础设施对应的是内部技能传播和知识复合的机制。大多数企业AI转型项目的问题在于，它们将AI视为一个需要教授的主题，而非需要构建的能力。培训是其中一部分，但仅是一部分。更困难的部分是建立一套机制，将AI应用于实际业务问题，然后捕捉每个新发现并将其转化为整个组织都能使用的东西，从而使学习得以复合而非隐藏于成千上万个私有工作流中。在《我们所知的编程终结》一文中，我曾提出AI扩大了能够构建的人群，而非取代现有构建者。这意味着公司最好的应用研发来源是其现有员工的日常实验。任务是让这些实验变得可见、可分享并得到奖励。这也是我们正在O'Reilly的企业AI转型项目中构建的框架。

我们关于有效AI转型的想法部分源于沃顿商学院教授Ethan Mollick和网络安全公司Trail of Bits CEO Dan Guido的观点。Mollick提出解决企业转型问题需要三件事：领导层不仅设定条件和激励措施，而且通过亲自实践AI树立榜样；一个将个人发现转化为人人可用工具的实验室；以及“众包”——所有其他人，他们的日常工作正是大多数应用发现的发生之处。Guido则补充了其他要素，如标准化工具链、明确规则手册、构建能力阶梯。他强调：“AI是有效的。大多数公司用错了。他们给人工具而不改变系统。这就是AI辅助与AI原生之间的差距。一个是工具，另一个是操作系统。”要构建这个“操作系统”，公司必须标准化工具链以避免不兼容的工作流；书面记录规则并解释风险模型；以及建立一个AI成熟度矩阵，帮助员工理解自己的AI旅程并衡量进步。这些正是当前企业有效采用AI所必需的实践。