美国当地时间10月1日，OpenAI旗下“智能时代”平台刊出一篇新作，题为《The Eternal Complement》。署名作者是赫曼斯·阿西尔瓦坦（Hemanth Asirvatham）与埃利奥特·莫克西（Elliott Mokski）。该文是他们“下一个经济”系列的开篇，讨论的焦点在于：一旦AI在推理、创造与发现三方面的本领持续膨胀，直至迈入超级智能门槛，文明世界里真正紧俏的东西会切换成什么。
核心判断：想法从来不缺，缺的是把想法垒起来的人
对超级智能，两位作者给出的理解并非简单叠加出更多“天才”。他们借助经济学中的“互补”概念，把智能同落地执行两件事重新摆在一起观察。文中提出，一个点子在现实里站稳脚跟，往往得靠实验仪器、技术人员、资金、法律、官僚机构、供应链，以及种种组织协作一起发力；而科学与技术每往前挪一步，这套支撑网络自身也在膨胀。
他们把这种承载能力称作“制度智能”，并认定前沿智能与执行能力构成一组互补投入。按文章的逻辑，天才是抛出设想的一方，制度加无数具体工序是把设想兑现的一方。AI正在改写其中一部分配比：它已经可以写代码、翻检陌生学科的文献、把草图变成可运行的原型，让单个个体完成此前得起用整个团队才能办成的事。执行成本一旦下滑，稀缺点便有可能挪向“品味”——该做什么、该追问哪个问题，面对上千条看似都说得通的路，到底挑哪一条。
不过文章提醒，执行力被AI抬高也许只是开场戏。一旦AI自身开始洪流般产出科学洞见和研究方向，局面可能倒转：想法冒出的速度压过实验室、工厂、能源系统与其他现实基建的吞吐量。到那时，梗阻点会再次从“想不出”翻回“做不完”。
由此延伸出两条未来分支：“深度文明”凭借更凶猛的推理、模拟与既有证据，让智能在触碰现实之前先跑得更远，用较少实验换得较多知识；“广度文明”则受自然复杂度与物理世界速率的拖累，众多问题归根结底仍要实验、施工与漫长等待，文明只得不停扩建实验设施、制造能力、能源体系和组织协调机制。
文章最终把落点移回人类身上。即便未来AI在知识发现与资源调度两项上全面压过人类，好奇心、创造性多样性以及对探索的持久需求仍可能值钱。作者列出三点缘由：人类对启蒙与求知仍抱有不可推卸的责任；人类在前沿智能与制度智能之间或握有不同于机器的比较优势；不同的人与人群能带来机器难以复制的创造多样性。
据文章交代，“智能时代”平台于2026年8月20日上线，由OpenAI“战略未来”团队成员迪恩·鲍尔（Dean Ball）撰文介绍。平台明确标注，所刊内容属作者个人观点，不代言OpenAI的组织立场。
进步的代价：韦布望远镜要14国300多个组织联手
人类的认知已经上溯到宇宙呱呱坠地的那一刻，方程大体复原了宇宙最初的完整模样；透过望远镜，我们望见了遥远宇宙及其早年光景，清楚恒星怎样降生、星系怎样成型。可即便走到今天，还没有哪个人踏出过月球以外的地方。
我们想追问的答案铺满整个宇宙，人类这副肉身却几乎没有离开过地球。念头能飘到远方，手脚却落下一大截。这种错位背后藏着两种截然不同的可能。
其一，或许我们根本不必跑那么远。最底层的真相，搞不好在一颗星球上就能挖明白。只要推理够老练、工具够趁手，认识宇宙也就不必亲自横穿宇宙。照此逻辑，文明走的是“深度”而非“广度”路线。这也能解释为何人类至今没撞见其他智慧生命：银河系里也许散落着众多智力超群的文明，只是它们从无向外扩张的必要，于是也没留下扎眼的踪迹。
其二则难让人安心：思想的脚步或许已经甩开执行能力。每向前多迈一步，耗费的时间与资源都层层加码。我们从不缺梦想，缺的是把梦想落成实物的人力。
伽利略凭两片透镜加一根管子就拓宽了人类的眼界。今天要让同等视野再往外延，人类造出了詹姆斯·韦布空间望远镜。这台造价100亿美元的天文台被折叠塞进火箭，送往距地球约160万公里的太空。它的18块大镜片得达到50纳米的加工精度，整个工程牵扯14个国家、300多个组织。伽利略的活儿几十双手就够，韦布望远镜背后则站着一支庞大队伍，以及维系这支队伍运转的全球经济活动。
人类想看得更远，靠的不只是一颗更灵光的脑袋，还得有更臃肿的组织。
我们提出的问题已经多过能动手研究的问题，设计的实验也已经多过能真正跑起来的实验。冒出点子的节奏越来越快，把点子兑现的本事却越追越吃力。随着各领域齐步向前，照想象制造东西也越发复杂。
斯坦福大学的尼克·布鲁姆（Nick Bloom）与合著者曾考察美国经济中的科研生产率。他们的结论是：如今想维系摩尔定律，所需研究人员数量已是20世纪70年代初的18倍还多。就整个经济体而言，自20世纪30年代以来，有效科研投入涨了23倍，用来衡量科研生产率的指标却掉了41倍。
技术人员队伍的膨胀速度是科学家的两倍。过去40年间，科学研究里专业设备的使用量翻了一番。一座当今的芯片制造厂，造价已经是30年前的5倍，体量也大得多。
这些数字意味着，继续推着进步往前走，开销正在走高。经济仍能增长，缘由在于科研体系不断撑大，用更多研究投入把单项产出下滑的窟窿填上。
这也在提示我们，打量“天才”时别只盯着天才本身。一个漂亮的假设照样需要证据、仪器以及把它兑现出来的条件。构想只有跌进现实，才谈得上成为进步。
经济学家管这种关系叫“互补”：某项投入增多，另一项投入的身价也水涨船高，前沿智能与把想法兑现的能力正属这样一对。望远镜更精良，好的天文学问题就更金贵；问题问得更好，望远镜也更好使。
有些互补发生在物理层面，理论要靠粒子加速器去验证，技术设计要靠能源和机器才造得出。另一些互补不那么显眼。想法本身极其脆弱，得靠各种制度兜住。法律、官僚体系、融资机制、供应链与其他环节都得一起转起来，念头才落得了地。
再了不起的想法也得穿过一条长链，链上每个局部环节都得运转正常。这种能力可称作“制度智能”，即那些极少被聚光灯照到、却负责把事办成的智能。天才把纪念碑设计出来，制度负责一块一块把石头垒上去。样子差得远，分量却一样重。
我们有时会把超级智能设想成10亿个爱因斯坦。可即便真凑齐10亿个爱因斯坦，当中大多数人还是得有人去采石、记账、保养设备。前沿创新只有在周边日常世界顺畅运转时才可能出现。从拧紧望远镜螺丝的焊工，到给培养护士的小学上保险的人，这些活儿都是进步的一部分。
讲述伟大发明时，人们往往只记住最耀眼的部分，支撑这些成果运转的经济体系反倒容易被晾在一边。
人工智能同样会接手这两类活儿：抛出重要的新洞见，以及干完大量制度性与执行层面的琐事。真正的悬疑在于，未来的AI多数时间究竟耗在哪一头。
AI已经开始让执行能力不再那么紧俏。它能写代码、翻查陌生领域的文献，也能把一张草图变成能跑的原型。以往得靠整个组织去推的想法，眼下越来越可能由一个能干的人独自搞定。
大多数怀揣抱负的电影导演，压根没机会拿到2亿美元去拍自己的片子；不少游戏设计师整个职业生涯都在替别人的创意打工。我们努力把最有天分的人挑出来，可无论如何都难把人才一网打尽。
从这个角度看，智能时代最初带来的变化是让更多人的创造力得到托举，让更多人拿到过去只有大机构才给得起的执行力。
这或许会催生许多带浓厚个人色彩的项目。以往得仰仗机构才能做完的事，日后可能更多地发生在这些机构之外。稀缺资源便从执行转向“品味”——决定什么值得做、什么问题值得问，以及在成百上千条看似都合理的岔路中究竟拐哪条。
可这大概还不是故事的句号。随着AI越来越能自己抛出重要的新洞见，数学等领域或许已露端倪。AI提供的不只是劳动力，还可能开始提供研究议程。它不再单纯执行别人给出的研究计划，而是能自行拟出成千上万套计划。
AI可能一口气抛出大量值得拍的电影概念，也可能一口气抛出大量值得验证的科学假设。这样一来，题目又变了。当下的AI终于让我们能把许多好点子付诸实践；到了将来，也许会出现好点子多到再次卡在执行力短缺的坎上。
一个新洞见要结果，所需的互补能力往后究竟变大、变小还是原地踏步，我们并不清楚。单靠思考，一个人能把知识推进多远？一个天才究其需要配多少官僚体系？
在作者看来，答案取决于思想在不得不再次碰触现实之前能走多远。这里可以设想两条路。
第一条唤作“深度文明”，在这种文明里超级智能可能渐渐甩掉对更多物质资本和复杂制度协同的依赖。第二条唤作“宽度文明”，在这种文明里自然界的繁复终将盖过任何智能——无论人还是机器——都休想光靠沉思继续推进，非得以规模不断放大的现实实验撑住。
截至当下，人类历史似乎展示出对互补能力日益增长的需求。伽利略的望远镜能捏在手里，韦布望远镜得靠整个文明来造。贝尔实验室一个不大的团队曾在工作台上拼出第一只晶体管，而今天芯片技术的前沿突破背后拽着一条跨国供应链。人类每往前挪一程，就愈发需要更多社会资源参进来。
但过去未必锁死未来。更聪明的头脑可以发明更高明的互补条件。若能源成了新型粒子加速器的卡口，更强的智能没准能设计出更精简的加速器，或者找出获取能源的更优解。
天才还能顶替掉部分原本需要的辅助条件。爱因斯坦能凭十分有限的实验数据推出相对论，而大多数人得靠更多资料。有人能把自己的全部日程记在脑子里，大多数人却得靠谷歌日历。
智能同样可以帮助我们提高选择的准确度，掸出最值得验证的假设，避免把资源扔进错误方向。若每增加一个天才都能抬高计划质量，那么哪怕执行所需的官僚架构造得再大，加添天才的价值也只增不减，因为执行越贵，选错路带来的糟蹋就越大。
未来不会严丝合缝地落在两条路径中的任意一条上，但它们可被当作文明可能演进的两种朝向。
深度文明：不进实验室，也能逼近真相
智能推进知识大致有三种打法：从基本原理推演、从既有证据中提取新洞见，以及通过观看和干预现实世界拿到新证据。
第一种仅靠思考就能走出去很远，数学便是最典型的例子。在一项证明或一项研究的若干关键节点上，一颗足够强大的头脑能持续做对选择，把原本要磨上多年的摸索压成一条更短更硬的推理链。
第二种同样天地广阔。人类攒下的证据远超已经咂摸透的内容。天文图像、显微镜切片、网络评论等大量资料都受制于人类有限的智力。科学档案里大量数据当年是为回答某个问题而录，却可能装着别的问题的解法。若智能足够充沛，我们甚至不必采新数据，就可能从旧材料里析出新规律。我们兴许能发现一个新宇宙，却不必再去捕捉一个新的光子。
第三种就棘手得多，因为它得直接与物理世界较劲。物理过程要时间，很多时候也快不了。化学反应得发生，生物体得生长，机器得制造，航天器得穿过真实距离，还要受宇宙速度上限管束。再完美的智能也没法提前瞅见一个尚未发生的实验结果。
但超级智能能把与物理世界打交道的次数尽量压下来。“深度文明”不会甩开对现实的依赖，而是尽量把这种依赖省着用。更精的推理能筛出真正值得跑的那几个实验，模拟则能替掉大部分工夫，并精准锁定那个必须由现实回答的不确定项。超级智能可以围绕有限资源来做设计，让每一次真实验都拿到最大价值。
举个例子，一家钻研暗物质的天体物理实验室可能先把一串假设塞进高度逼真的计算机模型里跑一遍，看它们跟手头数据合不合拍；走完这些步骤，研究者才会针对最有苗头的理论，对着天空补做少量观测。
这样的文明照样缺不了支撑天才的各种条件，只是每单位资源憋出来的价值更高。
“深度文明”也可能像一幅拼图。进步在起步阶段容易，快收尾时也不难，最难的是中段。刚开始我们能摸到明显的边角和简单的拼法，等这些部分慢慢齐活，剩下的图案尚未完整，容易下脚的位置却已不多。熬到最后，剩余的空缺反倒一点点告诉我们应该往哪儿填。
科学史上已有相似桥段。门捷列夫能根据周期表中既有元素的位置，推断当时尚未露面的元素。《标准模型》也让物理学家在希格斯玻色子被真正观测到的几十年前，就有理由预判它的存在。不少时候，实验本身就是照着现有理论与数据指向的结果来设计的。
倘若超级智能对自然规律的理解够深，它也许能准确判断下一步究竟需要哪些数据。文明进步于是可以更多仰赖深思，而不必让现实世界的实验规模一路扩张。
若这种效率最终占了上风，文明或许能以较小的物理盘面不断掏深对自然的理解，与此同时缩减打理大型实验设施所需的制度智能。
人类已经守着地球、不出门就啃下了大片宇宙规律。“深度文明”不过是顺着这条路继续朝前走。
广度文明：聪明之外，拼的是物料和基础设施
另一种可能是，对新证据的胃口最终压倒这些效率提升挣来的收益。
智能能压低每一次触碰现实的成本，却也同时使我们翻出更多非要现实出面验证的问题。更好的仪器能凿出更细的研究前沿，更快的实验也让更多实验变得值得一做。倘若爱因斯坦几乎纯靠思考建立相对论代表着“深度文明”，那么生物学或许更贴近“广度文明”。
人类已经攒下海量生物学知识和数据，可一种新药要证明既安全又有效，照样得在众多人身上测试。如今机器能模拟生物过程，让科研人员先在电脑里试候选药物，但这些数字模拟仍不够完整复刻现实，因此顶替不了大规模人体试验。
机器抛出的候选方案越多，现实验证就越容易变成闸口。在“广度文明”中，脑瓜聪明本身不足以驱动进步。对物质资源的胃口以及打理这些资源所需的制度系统，可能蹿升得更猛，超过智能节省资源的本事。
就算未来的AI远迈人类，这样的情况也可能出现。超级智能或许能在一个下午设计出未来100年的实验，随后花100年等自然和机器把这些实验做完。在那样一个世界里，把更多智能灌进实验、生产和制度执行，可能比继续加大提新想法的能力更重要。
如果每向前推一步都得多添基础设施，这股势头还会层层累积。届时文明中思索的剂量相对减少，建造占的比重越来越大。实验室走向自动化，工厂越开越多，能源产出扩大，越来越多的制度智能被押进这些体系，保证它们转得起来。
物理世界的铺开会成为知识进步的马达。文明要继续向外拓，是因为它抛出的问题早已多过现有条件能回答的范畴，需要更多材料、更多能源和更多数据才走得下去。
戴森球可充当这种未来的极端样本。造它少不了极重要的科学突破，但整个工程的多数工序或许并不落在突破性思考上，而是牵扯天文尺度的搭建与物流。它得有天才来设计，也得靠一个体量巨大、重复而繁复的组织系统来落成。
这并非智能不够使的结果，反而可能恰是智能大获成功后的产物。越灵光的头脑越能挖出值得上马的项目，而越复杂的项目越要吃进物质资源才会动起来。
若未来真如此，那么超级智能真正厉害的地方也许不是它的智商，而是它扛得住大堆协调事务，管得动庞大技术和制度体系，把想法推成实物，并持续放大规模。绝大部分机器智能最终可能都耗在那些“无聊”的活儿上，而非最有创造性的活儿上。
物理世界自带的速度天花板，同样可能卡住进一步扩张。造一套搜集恒星能源的机器到底是桩物质工程，不管设计方案多快敲定，真刀真枪的建设得要时间。恒星之外还有恒星，银河系之外还有星系。就眼下认识看，距离本身就是一种约束：飞船超不过光速，信号也没法以超过光速的速度回传。
因此“广度文明”注定是一个慢吞吞的文明。它真正翻天覆地的大变化可能隔上数千年乃至数百万年才出现一次，每一步都得耗更久。
在这个历史尺度下，农业革命和工业革命也许只是漫长文明史中一段相对短促的开场。
将来的AI系统可能在人类最看重的两桩事上双双超过我们：抛出前沿洞见，以及调度资源把洞见兑现成现实成果。但这不会把人类好奇心的价值压下去。
其一，即便机器在洞悉世界方面强过我们，人类仍负有继续认识世界的责任。宇宙里可能早有智力远超我们的头脑，它们或许攥着人类没法参透的科学与道德答案。但我们照样会尝试自个儿去弄懂世界。就算另一种智能露了面，就算那种智能是我们亲手所造，也动摇不了这一点。
在确认人类已拿不出任何独特贡献之前，收手不探就等于扔掉我们仍能为这个世界做的事。我们仍有责任不停提问题，并设法找答案。
其二，人类在前沿智能上可能握有相较制度智能的比较优势。哪怕机器两头都比人类强，我们也可能相对更擅长前者，于是能把精力聚拢到创造和探索上。人类本就偏向挑创造性的活儿，而不是重复性的活儿，机器人则没这份偏好。
其三，多样性本身就有分量。即使机器能模拟大部分人类思维，只要人类仍留着些许独特性，就能不断贡献不同的创造路数。
将来，多数机器智能或许跑在自己的体系里，但其中一小撮仍可按人类的创造意愿来调用。对整个机器智能大盘而言，这只是一小片；但对人类来说，它可能已远远超过我们今天能拿到的资源。
创造力从来没法孤零零地长出来。它得拿现实世界当底座，也就是天才得靠建造者来兑现其想法。如今人类大量智力都花在那些很少被关注的工作上：把点子一步步捋成现实。未来的机器智能也会继承这份依赖。它们不可能全都去当天才，也得接下官僚、协调和执行的活儿。
人类未来的进步速度，说到底是终卡在一个问题上：了不起的头脑究竟能否花更少的现实资源办掉更多事，还是每向前迈一步，都得靠一个更臃肿的现实世界来撑着。
小结：OpenAI“智能时代”平台这篇《The Eternal Complement》给出的核心提醒是：AI擅长的是把执行成本打下来，一旦执行不再紧俏，稀缺就会滑向判断力与“制度智能”的落地能力。斯坦福大学尼克·布鲁姆团队摆出的有效科研投入涨23倍、科研生产率跌41倍，正说明“更强的头脑配上更少的现实资源”这条假设尚未被许诺。