瓶颈
追本之箭 — 瓶颈
2026-06-05 Thu 10:57
起点
"如今人人手机里都装着一座亚历山大图书馆,可人类并没有全员变成通晓各科的全才。
放在个体层面,这便是索洛悖论(投入技术却难见产出提升)。根源两点:其一,绝大多数人缺少安迪·马图沙克(Andy Matuschak)说的切实可用的落地场景——没有亟待优化的现实目标,AI 自然无从创造价值;其二,人被自身内在特质锁住上限,外部工具很难突破这类内生瓶颈。"
"找到瓶颈,补上它"——这句话里藏着一个类型错误。
它把约束当成一个名词:某块最短的板,某个固定的位置,找到、量出、补齐,事就完了。引语也是名词版诊断——把瓶颈摊成两个并列的静态原因(缺场景 + 内在特质)。正文要拆的,正是这种摊法:约束不是两块静板,是一条会逃跑的活鱼。引语里那个"内在特质",恰恰是下面要解剖的"用风解释风车"。
可现实里,你每补一块板,水位上涨,然后另一块板变成了最短的。你再补,它又跳走。你以为在追一个静止的洞,其实在追一道会移动的影子。
约束不是名词,是动词。不是"哪里短",是"短的地方如何不断重新生成"。
所以索洛悖论的耳光,不打在"知识不够"上。
它打在:你把约束当存货去补,而约束是一条会逃跑的活鱼。
命门两问:这条鱼往哪逃(为什么补完一处,缺口总往同一个方向移)?它为什么 AI 抓不住(无限知识为何按不住它)?
第一层 · 漂移
Goldratt 的约束理论(TOC)有五步,人人记得前四步——找到约束、榨干它、迁就它、抬高它。几乎没人认真对待第五步:
打破惯性,回到第一步。因为约束已经移动了。
系统的吞吐由一个 min 决定:
T = min(C₁, C₂, …, Cₙ)你抬高了 argmin 那一项——曾经最短的板——于是 min 重新落在别处。解一个约束的奖励,是得到一个新约束。
这不是 bug,是 min 函数的数学性质:你永远只能优化你当下绑定的那一项,优化完它立刻交棒。
可代入反驳:如果你补完之后产出真的没动——argmin 没有转移——那说明你根本没抬高真约束,只是往一根本来就不短的板上接了木头。索洛悖论里灌进去的所有知识,就是接在长板上的木头。
第二层 · 存量
把"人"拆开看,你装进去的知识是流量(flow),你真正拥有的能力是存量(stock)。两者由一条更新方程连起来:
dS/dt = η·I − δ·SS 是能力存量,I 是知识输入流量,η 是 I 转成 S 的吸收率,δ 是遗忘率。
别急着求稳态解——稳态 S* = (η/δ)·I 是个安慰式陷阱:它默认 η 是个正常数,于是 I 和 η 在乘积里对称,抬哪个都管用,反而推不出"η 才是那块短板"。真正承重的是动态项本身:
dS/dt = η·I当 η→0,无论 I 多大,dS/dt→0,S 冻结在原地。你把图书馆塞进口袋(I 翻一百倍),只要 η 这道闸关着,统统是乘以零。所以 I 和 η 并不对称:I 是被乘数,η 是那个能归零的乘数。约束总往"人自己"漂,正是因为能归零的一方才是约束——而 AI 正在把 η 往零推。
第三层 · 误差
η 不是天生刻死的常数。追问 η 由什么决定,Rescorla-Wagner 给出答案:只有当输入与预期不符时,转化才发生。
ΔV ∝ δ_PE （更新量正比于预测误差 prediction error）注意这里在做一次换元,别让符号偷渡:第二层的 η 是"I 进得来 S 才长"的转化系数;现在拆开它——η 不是常数,而是
η = κ · 𝟙[δ_PE > 0] · (消化率)κ 是真常数(神经可塑性、消化容量),δ_PE 是门控信号,η 是二者的乘积。这才是写出了风车的传动比 κ——风(I)灌得再满,若 δ_PE=0,这道门直接关死,传动比乘以零。"没有误差,就没有更新"——RW 与 TD-learning 同说这一件事。
(自由能原理站在反面:大脑天生想把 δ_PE 压到零。先记住这个反向——它是下面那记反转的弹药:让你学习的机制,和你本能想消灭的对象,是同一个 δ_PE。)
现在,把 AI 代进来。
AI 最擅长什么?在你产生误差之前,先把答案递给你。 你刚要卡住、刚要预测错、刚要撞上那道认知落差——它把落差填平了。于是门控信号被掐断:
δ_PE → 0 ⟹ η = κ·0·(…) = 0 ⟹ dS/dt → 0这是整支箭里最该让你停一秒的地方——
工具补的不是缺口。工具填平的,正是那个"会生出学习"的缺口本身。
知识接入越无限、答案越即时,扳开 η 那道门的误差就越稀缺。索洛悖论不是"技术没用",是技术太有用:它高效地消灭了学习赖以发生的那点不适。你买的不是放大器,是麻药——它让 dS/dt 里唯一能动的那道门,焊死在关上。
因果在这里反转了:不是"知识多了人没变强",是"正因为知识来得太顺,人才停止了变强"。
第四层 · 摩擦的剂量(杀手层)
如果学习靠误差,那是不是误差越多越好?关掉 AI、专挑最难的、永远卡在不会的地方?
把这个观点推到极端,它自己会失效。误差率 ε 趋近 1(全都不会)时,信号淹没在噪声里,δ_PE 大却无法被消化,ΔS 同样 →0。两头都是死:ε→0 没东西可学,ε→1 学不动。最优学习落在中间那条窄带——Wilson 等(2019)的 85% 法则:错误率约 15% 时 η 最大。
η 最大化 ⟺ ε* ≈ 0.15 （desirable difficulty 带)但别把 15% 当成你要去够的目标。真正的机制藏在因果方向里:15% 不是目标,是你大脑出厂时的默认设定点。 你本能锚在这个舒适阈值上。这里发生的事不是"你没找到平衡",是 AI 把你的舒适阈值从 15% 偷偷重设到了 0——一卡就伸手,每一次都在给自己的"不适容忍"做负向强化训练。这是控制论里的 setpoint hijacking(设定点劫持),不是"找平衡"。
所以杀手不是"要平衡、别极端"这种姿态,而是夺回设定点写权限的一道判决式。面对任何一次"要不要让 AI 替我做",当场自测:
这一刀,是挣来的切,还是止痛的切?
- 止痛的切:这道坎你早已会,η 在此处已饱和,重复只是消耗——交给 AI,对的,你只是在止一个不必再受的痛。(ε 已经 ≈0,无误差可榨)
- 挣来的切:这道坎你正卡在 15% 带上,撞它正在长 η——让 AI 绕过去,等于亲手把那条唯一能涨能力的窄带填平。(本该榨取的 δ_PE,被你扔了)
同一个动作(用 AI 跳过一步),在饱和带是解放,在学习带是自废。区别不在工具,在你脚下这道坎的 ε 落在哪里。
第五层 · 耐受带宽(终点)
钻到这里,瓶颈的最终真名浮出来了。
不是知识——它是被乘数,从来不绑定。
不是工具——它甚至在帮倒忙地掐断门控。
是 η。而 η 的那道门,是你愿意停留在 15% 误差带、不去立刻消灭那点不适的能力。
瓶颈的本体,是你对预测误差的耐受带宽。
桶最短的那块板,不在桶外的图书馆里,在你对"不会"这件事的忍耐阈值上。可这阈值塌到零,不是意志薄弱——是理性的。消灭一次不适的成本,从"憋十分钟"掉到"打一行字",边际成本≈0 时,任何理性主体都会把消费拉满。耐受带宽不是性格,是一条需求曲线:不适的价格越低,你买得越多(消灭得越多)。AI 没有腐蚀你的意志,它改了价签。
这就是为什么它"内生",为什么 AI 补不上:AI 能补的一切,恰好都不是瓶颈;真瓶颈是你主动消灭误差的那个本能,而 AI 把这个本能的价格降到了近乎免费。 所以解药也不在"更自律",在人为把消灭不适的成本重新抬高——给 δ_PE 重新定价。
判别式(先认域,再动手):
此刻这道坎,是 η 已饱和(止痛)还是 η 正在生长(挣来)?
- 若止痛:放心交给 AI,你只是省下重复劳动。
- 若挣来:你正站在 15% 带上,这一刀偷不得。
可执行四步(本质是一次给 δ_PE 重新定价的市场干预):
- 量误差,别量难度。 动手前估一句:"不看答案,我能做对几成?"——落在 ~85% 附近(即 ~15% 错),这道坎在学习带,自己撑过去。
- 先撞够 5 分钟再开 AI。 给 δ_PE 一个产生的窗口,顺手抬高消灭它的成本;预测错了、卡住了,误差信号已经写进去了,这时再让 AI 校正,等于把答案钉在一个有钩子的洞上(有误差→更新生效),而非钉在平面上(无误差→空过)。
- AI 当批改,不当代笔。 让它指出你哪里错(放大 δ_PE),而不是直接给对的(抹平 δ_PE)。同一个工具,两种用法,η 一涨一塌。
- 外部钩——把判决权交出去。 第四层的判决你自己说了不算(偷懒的人不会判自己偷懒)。所以:每周挑一道你用 AI"切"过的坎,抛给一个人或一场真实测验——让他出一道变体、让现实给你打分。撑不过去,说明那刀是绕过不是跨过,这条外部物证比任何自省都诚实。
往下再问一句"为什么会这样",答案开始同义反复:你停止变强,因为你停止了让自己短暂地"不会"。
而短暂地"不会",是唯一能让你"会"的东西。
(箭到底了。)
