为什么伟大不能被计划

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:

选定若干个战略方向，投入巨额研发资金；

选拔一批国内企业，各自设定明确研发目标；

组织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；

在每个方向上都安排至少三家公司，强化竞争；

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？

创新，是一件神奇的事情。要知道，一些实现伟大成就的发明家并非比同行更勤奋、更努力，而是因为他们经常能捡到“意外的”宝藏。

近全球令人瞩目的重大创新事件是一个生成式人工智能（Generative AI）模型ChatGPT的诞生。我认为这可能是工业革命以来了不起的发明之一，它由OpenAI（开放式人工智能公司）研发，且在初并未得到美国政府的特别关注。

OpenAI的四位领导人都是三四十岁的年纪，首席执行官山姆·阿尔特曼（Sam Altman）在斯坦福大学学过计算机专业，中途退学；首席技术官米拉·穆拉蒂（Mira Murati）是一位年轻女性，父母是阿尔巴尼亚移民；总裁格雷格·布罗克曼（Greg Brockman）上过哈佛大学和麻省理工学院，但终都退学了；首席科学家伊利亚·苏茨科弗（Ilya Sutskever）原本是俄罗斯人，小时候跟随父母先移民到以色列，后又移民到加拿大，后来到美国。

两位没有学位的美国人和两位外国移民，领着几十位研发人员组成了一家小公司，采用了一个当初包括谷歌在内的大公司都不看好的技术路线，搞出了震撼的科技。

这样的事情是可以计划的吗？

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。

这可不是特例，这是常理。

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，后却推出了SpaceX和特斯拉。

对比之下，那些由政府从上而下主持的大科研项目呢？

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。

历史上似乎是一个由政府主导，且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。它激励了后来的各国政府，但仔细考察，彼时美国其实在很大程度上已经具备了相关科技能力——并不能称得上是奇迹。

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。

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。

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？

肯尼斯·斯坦利（Kenneth Stanley）和乔尔·雷曼（Joel Lehman）的《为什么伟大不能被计划》（Why Greatness
Cannot Be Planned: The Myth of the Objective）一书，算是把这个问题彻底讲明白了。两位作者都是人工智能专家，而且都有在OpenAI工作的经验，可谓当今科技领域的前沿人物。他们对于书名这个问题的解释，来自一个AI算法。

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？

直觉上的做法是先设定AI算法的演化目标，在演化的每一步都进行筛选，接近目标就加分，否则就淘汰。但实验中这个做法的效果并不好。

肯尼斯和乔尔发明的算法叫作“新奇性搜索”（Novel Search）算法，根据书中的描述，这是他们于2008年推出的。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能解决问题。它能生成好看的图片，能快找到迷宫的走法，能让机器人快学会直立行走。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。

因此，如果你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。

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”，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。

求新确保了探索范围宽广，好东西也会随之而来。考察科技发展史，好东西从来都不是按照某个目标刻意计划出来的，而是一个接一个自动发展出来的。

莱特兄弟发明飞机，早用的是自行车技术——此前无数人曾经想要发明飞机，谁也没想到首先飞上天的是“自行车”制造商；微波技术本来是用于驱动雷达磁控管的一个部件，意外成就了微波炉；台电子计算机用的是电子管，但电子管根本就不是为了计算机而发明的。

个人的成长也是如此。考察了不起的摇滚乐手、作家和企业家，他们几乎都是半路出家。哈佛大学的托德·罗斯（Todd Rose）和奥吉·奥加斯（Ogi Ogas）所著的《成为黑马》（Dark Horse: Achieving Success Through the Pursuit of Fulfillment）也讲过类似的道理。书中的成功者并没有长远的规划，都是先做过一些事情，发现自己更感兴趣的是什么，并为之转行，从而找到为其带来巨大成功的职业。

公司也是这样。比如YouTube初的设想是一个视频约会网站，后来发现人们喜欢在上面分享五花八门所有类型的视频……

伟大不是目标指引的结果，因为通往伟大的路线从来都不是直线，很多时候快反而就是慢——没有特殊目标，每次只是选择下一块踏脚石，你反而能找到珍宝。

*

请注意，这可不是说人生就应该漫无目地、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。

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，后他会发现搞科研更新奇、更有趣……

没错，真正能把追求新奇、有趣坚持到底的，都不是一般人。他们不会在中途沉迷，始终能看见下一块踏脚石，成就和实用性早晚会随之而来。

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；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。

*

这些道理不符合普通人升职加薪的攻略，也与很多后发进取的国家发展经验相悖。

这些国家在过去几十年间经常讲目标、谈规划，确实取得了伟大的成就。后发优势使它们不用踩踏脚石就知道飞机、微波炉和计算机是怎么回事儿，它们便可以确立明确的目标。这样的发展方式速度虽快，但是也在无形中限制了它们——它们不太擅长寻找踏脚石。

如今，我们已经在很多科技领域进入无人区，前面没有现成的路了，我们就必须自己寻找踏脚石。那种认准一个方向猛干，不惜成本投入人力物力，指望大力出奇迹的做法不是通往发达之路。中国经济需要转换到以“高技术高品牌 颠覆创新”为主的高端发达模式，需要像新奇性搜索算法这样的思想。

然而转变是有条件的。要让人们敢于追求新奇、有趣，起码得有点余闲和余钱才行。

肯尼斯和乔尔非常理解这些。他们甚至用算法演化的视角重新审视了生物进化，认为地球生物之所以有这么繁华的多样性，并不是像很多人想的那样是因为自然选择非常残酷——而恰恰是因为自然选择并不是很残酷。物种竞争并不是全方位的，有时候你开辟一个新的生态位就可以暂时避免竞争。

多样性不是竞争的产物，是逃避竞争的产物。

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……

*

然而这一切是如此反直觉，几乎难以实现。

肯尼斯和乔尔炮轰了美国的科研和教育体制，认为其太过强调目标和计划，正在制造平庸。过分寻求共识的评审机制让真正新奇、有趣的项目很难拿到经费，全美国统一的教育标准和考试让老师们纷纷内卷，不敢搞教学创新……

现实是，世界上只有很少的国家能成为发达国家，成为发达国家以后也不一定能一直发达下去。伟大，那是非常非常难的事情。推荐大家阅读这本书，并从中找到自己的收获。