普通工程師，而非英雄發明家

在1980年代，日本在半導體、消費電子和計算機硬體領域領先全球，這些產業被認為將決定下一個經濟強國。然而，日本贏得了這些產業，卻未能在美國主導的資訊革命中超越它。喬治華盛頓大學政治學家Jeff Ding在其著作《技術與大國崛起》中，透過回顧第一、第二次工業革命以及資訊革命的歷史，解釋了誰贏誰輸的原因。他的理論不僅適用於國家，也適用於企業，並且與當前AI的發展軌跡密切相關。

Ding對比了兩種關於技術革命如何重塑經濟權力的理論。傳統理論稱為領先部門模型（LS理論），認為新技術催生快速發展的新產業，而率先發明這些產業的國家將獲得壟斷利潤和上下游經濟聯絡。按照這種邏輯，贏得領先產業就贏得了整個時代。這顯然是當今AI產業及其國家戰略的工作假設：擁有最大、最好模型的公司和國家獲勝。但Ding提出了另一種解釋，稱為擴散理論。他指出，蒸汽機、電力、計算機等通用技術並非僅在一個產業創造利潤和生產力，而是蔓延至整個經濟。國家經濟領導力不來源於發明新產業，而在於比對手更快、更廣泛地擴散通用技術。這個過程需要數十年，勝利屬於那些最成功地將技術嵌入到廣泛普通生產工作中的一方。這正是美國保持對日本領先地位的方式，而未被日本超越。

擴散很大程度上依賴於Ding所稱的“技能基礎設施”——教育和培訓體系，它們擴大了能夠實際使用技術的群體。當優先考慮廣泛採用而非發明時，重要的機構是那些大規模培養工程技能、標準化最佳實踐、並將研究與產業聯絡起來的結構。正如Ding所寫：“GPT擴散理論強調了GPT技能基礎設施的重要性。教育及培訓體系擴大了與GPT相關的工程技能和知識的儲備。當優先考慮GPT的廣泛採用時，重要的是普通工程師，而非英雄發明家。”這與當前AI敘事截然不同，後者聚焦於實驗室、前沿模型和知名研究員。這種關注也塑造了企業戰略：許多公司的AI戰略變成了採購決策——選擇哪個模型、哪家供應商、哪個旗艦工具；或是建立實驗室、構建令人印象深刻的演示、僱傭知名開發者的“登月計劃”。這兩種方式都將AI視為一個需要贏得的領域。Ding認為，前沿領域本身並非國家權力的長期價值所在，我同樣認為這對企業成功同樣適用。價值在於技術如何廣泛且深入地嵌入到現有員工的工作中。能夠將AI應用於金融、支援、法務、銷售、運營等每個不起眼的流程，以及產品和工程的公司，將超越競爭對手並推動行業前進。

擴散是組織問題而非技術問題。Paul David在1990年的經典論文中，透過考察電氣化的歷史（尤其是電動機），解釋了為什麼技術變革需要很長時間才能體現在生產力中。工廠最初電氣化時，只是用巨型電動機替換蒸汽機，依舊驅動同樣的軸和皮帶系統，生產力幾乎未提升。真正的收益在數十年後到來，當時新一代企業家、工廠建築師和電氣工程師圍繞電力的實際可能性重新設計了工廠，採用許多小電機各自驅動機器，並按照工作流程佈局車間。這一歷史類比表明，未來可能並非規模更大、更智慧的集中式AI模型，而是一個由針對數百萬專門任務而最佳化的AI所組成的去中心化網路。當然，仍然會有一些大型集中式AI動力源，但大部分行動將出現在遍佈經濟各領域的較小（可能是開源的）模型上。但除了技術適配之外，圍繞技術重組工作的知識必須逐人、逐廠地積累。這種關於如何應用新技術的逐步、自下而上的知識增長，也是James Bessen的《在實踐中學習》以及Arthur Herman的《自由鍛造》等書的核心資訊。

這正是當前企業AI的全貌。最新、最強大的模型已廣泛可用，但真正需要時間發展的是圍繞其重新設計工作的組織知識。大部分這類知識並不存在於訓練模型的實驗室中，而是存在於普通實踐者之間，並以David、Bessen和Ding所描述的方式，隨著人們在自身行業和工作具體情境中摸索技術用途而逐步積累。在企業層面，Ding提出的國家版GPT技能基礎設施對應的是內部技能傳播和知識複合的機制。大多數企業AI轉型專案的問題在於，它們將AI視為一個需要教授的主題，而非需要構建的能力。培訓是其中一部分，但僅是一部分。更困難的部分是建立一套機制，將AI應用於實際業務問題，然後捕捉每個新發現並將其轉化為整個組織都能使用的東西，從而使學習得以複合而非隱藏於成千上萬個私有工作流中。在《我們所知的程式設計終結》一文中，我曾提出AI擴大了能夠構建的人群，而非取代現有構建者。這意味著公司最好的應用研發來源是其現有員工的日常實驗。任務是讓這些實驗變得可見、可分享並得到獎勵。這也是我們正在O'Reilly的企業AI轉型專案中構建的框架。

我們關於有效AI轉型的想法部分源於沃頓商學院教授Ethan Mollick和網路安全公司Trail of Bits CEO Dan Guido的觀點。Mollick提出解決企業轉型問題需要三件事：領導層不僅設定條件和激勵措施，而且透過親自實踐AI樹立榜樣；一個將個人發現轉化為人人可用工具的實驗室；以及“眾包”——所有其他人，他們的日常工作正是大多數應用發現的發生之處。Guido則補充了其他要素，如標準化工具鏈、明確規則手冊、構建能力階梯。他強調：“AI是有效的。大多數公司用錯了。他們給人工具而不改變系統。這就是AI輔助與AI原生之間的差距。一個是工具，另一個是作業系統。”要構建這個“作業系統”，公司必須標準化工具鏈以避免不相容的工作流；書面記錄規則並解釋風險模型；以及建立一個AI成熟度矩陣，幫助員工理解自己的AI旅程並衡量進步。這些正是當前企業有效採用AI所必需的實踐。