算力是新的杠杆（而且可能是最好的）

纳瓦尔讲过杠杆的几个层级，最古老的一种是人力，也就是为你干活的人。人力很强大，但也很乱。管人难，是因为让一群人保持一致很难，而且沟通成本涨得比团队人数还快，所以管理人力离不开那些以稳定和共识为目标的体系。在社会的大多数地方（政府、大公司，甚至社交圈），做一个“逆势且正确”的人并不会得到奖励，反而常常会惹上麻烦。

可创业和投资不一样。在这两个领域，“逆势且正确”是超额回报的来源，这样的地方并不多。买一只股票、开一家公司，都用不着广泛共识。事实上，共识一旦形成，机会往往已经没了。之所以能这样，是因为这两个领域主要靠的杠杆，已经从人力换成了资本和代码。代码是极好的杠杆：写一次，就能运行一百万次，边际成本几乎为零，而且用不着谁的许可，也很容易扩展。

这也解释了为什么我最好的工作，都是一个人或者在很小的团队里做出来的。广泛共识（很多人之间那种脆弱又昂贵的一致）是对每一个新想法征收的税。很多年里，我以为这只是我个人的怪癖，后来才意识到，这是价值创造的一个核心原则。

现在，技术又一次改变了占主导的杠杆形式，广泛共识也开始变得没那么重要。我相信我们正处在一种新的、更强大的杠杆的早期，这种杠杆就是算力。在那些信息密集、又能被自动化的领域，算力正在成为比人力、代码和资本更高效、也更容易扩展的杠杆。让这件事成为可能的是 AI：调动海量算力原本是专家级的工程任务，现在一个人就能做到。这个转变会改变我们组建团队、设计组织和分配回报的方式。

从协调人到编排算力

做成一件事，核心的工作正在变。过去主要是找到合适的人，协调他们的努力方向和责权利；现在越来越多是把问题定义清楚，再指挥算力去解决它。AI 让我们可以把任务“外包”给模型和 Agent，一个人就能把一个想法变成一个产品、一项研究或者一件创作，需要的人际协调少得多。

我用一个简单的模型来描述这件事。把实现一个目标需要的总工作量（Work）看作一个常数，它取决于人数、这些人能调动的算力，以及一些外部因素。简化一下，大概可以写成：

Work = N × Cᵖ × f(Data, Clarity, Distribution)

其中 N 是人数（headcount），C 是人均算力（compute per person），也就是一个人能有效调动和管理的计算能力。p 是算力的效率指数：p = 1 意味着每一单位算力都完全有效，现实中因为编排有开销，p 小于 1。f(…) 是外部约束的乘数，比如有没有优质的数据、问题是否清晰、做出来的东西能不能分发出去。

如果 Work 固定，C 在上升，更好的工具又让算力更容易管理（把 p 推向 1），那么最优的人数 N 就必然下降。这并不是什么全新的现象。云计算和 CI/CD 流水线兴起的时候，就已经在较小的尺度上证明过这个模型，AI 则把这条曲线的斜率提高了一个数量级。

当然，这个模型也有它的限度。一个人手里的算力多到管不过来，就会出现“编排饱和”，效率 p 随之下降。外部因素 f 也可能卡住你：没有好的数据，或者问题本身不清楚，全世界的算力也只是在原地空转；触达不了用户，算力做出来的产品再出色，也没人会用。

拿软件开发来说。有了 AI 编程助手，每个工程师能用的算力（C）在稳步上升。工具越来越好，一个小团队甚至一个开发者，就能做出过去需要更大的团队才能完成的产出（Work），所需的人数（N）在下降。打个比方，假设一个团队的目标是每个季度上线 10 个新功能。过去，一个八人团队可能会被积压的代码审查（PR）拖上好几天；现在，一个四人团队配上好用的 AI 助手，样板代码、单元测试甚至重构建议都能自动生成，审查时间缩短到几个小时。10 个功能照样上线，人数少了一半，协调成本也低得多。

生产力的形态正在改变，它越来越取决于每个工程师背后那层算力有多厚，工程师的人数反而没那么要紧了。这催生了一种新的组织形态：“薄团队，厚算力”（thin core, thick compute）。核心团队很小，专注于战略和定义清晰的目标，执行则交给外围大量的 AI Agent 和自动化工作流。Midjourney 就是这样一家公司。它的核心团队极小，专注于研究、产品愿景和模型调优；它的“员工”是一层可以无限扩展、为数百万用户服务的算力。他们没有雇几百个画师，而是在调度 GPU。在这种模式下，“逆势且正确”的回报来得更直接：你用不着说服一个委员会，只需要说服市场，而市场只看结果，不管你有没有随大流。

算力会成为新的生产资料吗？

如果算力是一种新的生产资料，就绕不开它怎么分配的问题。算力和土地一样，要花资本才能拿到（GPU、云服务额度、能源）。一份算力你用了，别人就用不了，而且规模越大越划算。这就引出了“算力地主”的假说：少数几家云服务商和芯片厂商有可能变成寡头，向其余所有沦为“算力佃户”的人收租。

但也存在很强的反作用力。开源模型让更多人用得上算力，社区项目在把分散的 GPU 汇集起来，各国的产业政策也在试图防止垄断。另外，随着新芯片发布，更旧、性能更弱的芯片会大量流入市场，最基础的那部分算力几乎人人都能拿到。看看 Llama、Stable Diffusion 这些模型周围的开源社区，很多个人开发者就在消费级 GPU（比如 RTX 4090）上运行和微调这些模型。这有点像数字时代的自给自足农业，虽然比不过 AWS、Google Cloud 这种工业级的“算力地主”，但保证了生产资料不会被完全垄断。

长期来看，算力的价格在下降，能用上算力的人也越来越多，这在某种意义上遵循了 Wright’s Law。不过，最前沿的高性能算力在一段时间内可能仍然是少数人才拿得到的资源，这会造成一种新的不平等。

什么时候算力不管用

算力只有在特定条件下才是最好的杠杆：问题能被形式化地定义，数据充足，分发也是能解决的问题。如果你要做的是建立品牌、应对复杂的监管环境，或者管理一条实体供应链，那么资本、媒体，甚至老式的人力，可能仍然是更好的杠杆。比如建一家新医院，你可以用算力设计建筑、优化病人的就诊流程（处理“比特”），但你仍然得处理区划法规、拿到许可、管理施工队，还要和当地社区建立信任。这些是“人”的世界里的问题，人际关系、信任和在官僚体系里周旋的本事（也就是传统的人力和社会资本杠杆），远比单纯的算力重要。

大公司也不会消失，它们仍然可以靠已有的护城河取胜，比如分发渠道、专有数据和合规体系。算力是加速器，本身构不成护城河。另外，算力的价格也不一定会平稳下降，能源成本、芯片短缺和地缘政治都可能抬高 C 的价格，让普及的 S 曲线慢下来。