從石斧到GPT：技術創新的“能量代價”從未改變

導語

從一萬年前的骨針、燧石到今天的生成式AI，人類技術進步的核心并非無限創造，而是在有限資源與認知成本下，對已有元素進行高效組合。最新研究發現，技術復雜度始終受到“能量與維護成本”的約束，真正推動文明演化的，不是堆疊更多零件，而是在約束中尋找最優解。

關鍵詞：技術演化、組合創新、工具復雜度、生成式AI、能量約束、技術經濟學、認知成本、冪律增長

郭瑞東丨作者

張江丨審校

如果你穿越到一萬年前，別急著造輪子——先看看你的“工具箱”里有幾塊骨頭。

想象一下：你一睜眼，發現自己赤腳站在一片約一萬年前的草原上，那是人類仍以狩獵采集為主的時代（更新世晚期的尾聲）。身邊沒有手機、沒有網絡，甚至連一把最基礎的金屬工具都沒有。你能依賴的，是手邊幾塊燧石、一根木棍，以及腦子里那些零碎的荒野求生知識，但未必真的派得上用場。

在這樣的條件下，問題不在于“創造新的工具”，而在于如何把已有元素快速組織成可用的功能結構：哪些可以用來切割，哪些可以用于敲擊，哪些可以承擔支撐或防護的作用。換句話說，生存本身依賴的是對“可組合性”的即時利用，如圖1所示。

圖1：與生計相關的、復雜程度不同的古人類工具實例

從更深一層來看，這種能力并不是天才發明家偶然的靈光一現，而是在長期演化過程中逐漸形成的一種穩定策略：在反復試錯中篩選出更有效的組合方式，并不斷在功能收益與使用成本之間進行權衡，從而推動工具系統逐步演化。

從這個意義上說，技術的發展可以被理解為一種持續受約束的優化過程——這其實就是一種樸素的“技術經濟學”：任何技術擴展，都必須同時付出材料、時間與認知上的代價，而不是單純由創造力驅動。

2025年發表于Science Advances的一項研究進一步支持了這一點。研究者發現，不同社會的工具體系雖然不斷擴展，但這種擴展并非無代價的自由增長，而是始終受到資源與認知成本的限制。

論文標題：Technological complexity and combinatorial invention in small-scale societies 論文鏈接：https://www.science.org/doi/10.1126/sciadv.adv6153 發表時間：2025年9月24日 發表期刊：Science Advances

工具種類的增長，為什么總是慢于零件的擴展？

在不同規模的人類社會中，一個看似普遍的現象是：工具體系的擴展速度，并不會隨著基礎構件的增加而同步加快。

無論是狩獵采集社會中用于獲取食物的基礎工具，還是更復雜社會中的制造與運輸系統，每一種新工具的出現，都需要投入額外的時間、材料與學習成本。因此，工具體系的擴展并不是簡單的“堆疊增長”，而更像是在已有構件基礎上的有限組合與篩選。

基于這一點，研究團隊對全球127個不同規模的小型自給自足社會（也就是現在還過著放牧采集生活的“活化石”部落）進行了系統分析，這些社會涵蓋了不同的生計模式，包括即時回報型狩獵采集者（圖2紅色點）、延遲回報型狩獵采集者（圖2藍色點）以及早期農耕社會（圖2綠色點）。他們將技術系統拆解為兩個可量化的指標：

工具豐富度（Tn）：一個文化體系中不同工具類型的數量

零件豐富度（Pn）：構成這些工具所需的獨特基礎部件數量

圖2：研究中討論的127 個社會的全球分布

在不同發展水平的人類社會中，研究者發現一個相當穩定的規律：工具體系的豐富度 Tn 與其所依賴的基礎部件數量 Pn 之間，并不是線性增長關系，而更接近一種冪律形式：即 ，其中 β ≈ 0.7。

圖3：工具包豐富度與部件豐富度的關系擬合圖，其中橫縱坐標取對數。結果顯示不同類型社會（狩獵采集與早期農耕等）均呈現相似趨勢，線性擬合的系數即為冪律指數 β ，數值在 0.67–0.71 之間，表現為穩定的亞線性增長。

這一結果的關鍵含義在于：當基礎零件數量增加時，可形成的新工具數量雖然仍在增長，但增長速度明顯變慢。換句話說，哪怕你把零件翻倍，能造出的新工具也只多出約62%。

這說明一個重要限制：隨著系統變得越來越復雜，每新增一個零件所帶來的“可組合空間”增長，會被開發成本、認知復雜度以及實際使用價值的篩選逐漸抵消。結果就是，大量理論上可能的組合，在現實中并不會真正被采用。

為了更直觀地理解這種“組合受限”的現象，可以看圖4具體的結構對比：

圖4：工具部件、類型與組合復雜度示意圖

假設你是一個原始社會中的“工具設計者”，面前擺著兩套風格迥異的“樂高套裝”，它們代表了兩種典型的組合策略。

套裝A（圖4A）屬于極簡主義者的智慧，這一組代表的是低復雜度但高效率的系統。共有約20個基礎零件，可以組合出7種不同工具，每種工具平均由2.9個零件構成。

這就像你用一套基礎樂高，拼出了小車、小房子和小船。每個工具都不復雜，但勝在夠用、高效。其中體現了一種“少即是多”的哲學：用有限的零件，通過巧妙的組合，實現足夠的功能多樣性。這更接近一種資源受限環境下的策略——工具不追求復雜，而追求“夠用且穩定”。

套裝B（圖4B）則是技術狂的百寶箱。零件規模擴大到40個，但能夠形成的工具類型僅增加到10種，平均每種工具所需零件也上升到4個。

這套裝備明顯更“壕”，零件庫翻倍了。但你會發現，工具數量并沒有隨之翻倍（從7只增加到10個），而且每個工具平均用的零件也變多了（從2.9個增加到4個）。

這說明了一個關鍵問題，隨著系統規模擴大，大量潛在組合并不會轉化為實際工具：一部分由于結構過于復雜難以實現，一部分則因為收益不足而不會被采用。因此，工具體系的擴展呈現出一種非線性特征——增加基礎構件，并不會等比例地增加功能多樣性。換句話說，處于狩獵采集時代的人類部落并不是無法制造更復雜的工具，而是在長期演化中逐漸形成了一種隱含約束：技術進步并不是簡單的“堆疊零件”，而是一個在成本約束下篩選有效組合的過程。

在這種機制下，技術升級更像是在玩一個“重組與復雜化”的游戲——把已有的零件用更復雜的方式組合起來，造出更專業、更高效（但也更嬌貴）的新工具。而這樣的亞線性關系（β < 1）也在其他復雜系統中反復出現，如城市溫室氣體排放（見集智俱樂部推文：）、生物代謝率（）等。

為了解釋為何社會不需要讓技術無限復雜化，該研究將技術演化形式化為一個組合優化問題：社會在有限資源下，一方面希望最大化技術系統帶來的適應性收益（可理解為降低環境不確定性，對應信息熵的下降），另一方面又必須控制構建與維護技術體系的成本。

在這一框架中，環境被抽象為一個多維約束空間，其中每個維度代表一種不確定性來源（如資源可變性可視作今天能打到鹿，明天可能一無所獲，食物的多少和分布是波動的。環境可變性對應雨季可能提前，河流可能泛濫，暴風雪可能不期而至，氣候和地形帶來挑戰）。技術的效用在于降低各種因素通盤考慮后的不確定性，例如有了更好的武器，不論天氣或是身體狀態，都有更大的概率打獵成功。

而技術成本C被簡化為隨零件復雜度 Pn線性變化 C = λPn。這里，λ 代表“單位技術部件的綜合代價”，該參數被定義為“每增加一個工具部件所需付出的發明、維護與整合成本”，它綜合反映了材料獲取難度、認知負荷、技能習得時間、代際傳承穩定性等多重現實約束。λ 越高，社會在擴展技術系統時所面臨的邊際代價就越大。

在這一設定下，社會最終需要解決的是如下優化問題：T*：T = argminT [HT(C) + λCT]*，即在不確定性殘余與系統成本之間尋找最優平衡點。其中HT (C) 是應用工具集 T 后殘余的環境不確定性（熵）；而 λCT 是構建、維護和傳承整個工具集 T 所需的總成本。

上述目標函數體現了人類技術演化的根本邏輯：不是追求“零不確定性”（那需要無限復雜的工具），也不是追求“零成本”（那意味著沒有工具），而是在有限資源下，找到一個“性價比最高”的技術配置。技術多樣性也不是免費的午餐，其增長始終是在收益與成本之間進行權衡的結果。

基于對現存自給自足社會的實證研究，研究者們發現一個穩定規律：當一個社會的工具包豐富度翻倍時，其工具平均復雜度僅增加約 23%。這一結果表明，技術體系的擴展并不是簡單的線性堆疊，而更接近通過既有部件的重新組合來生成新功能。

從組合工具到組合智能：技術創新始終受能量約束

在人類早期社會，工具的演化是在資源極度有限的條件下進行的優化，那時的人們與其追求“更復雜的發明”，更現實的問題是如何利用已有材料與部件的組合，在有限時間與體力約束下最大化生存收益。這種以約束驅動的組合思路在今天并未消失，只是從物理材料轉移到了信息與計算層面，無論編寫代碼還是訓練大模型，都必須在資源與時間受限的條件下，通過最精簡的模塊組合實現關鍵功能。

經濟學家 Brian Arthur 在《技術的本質》中將這種現象概括為“組合演化”，書中描述大多數新技術并不是憑空產生的，而是已有技術單元在更高層次上的重組與再配置。從這個角度看，技術創新更像是在一個巨大的“組合空間”中搜索可行解，而不是線性地“從無到有”發明。

當下，生成式AI可以被看作這種“組合創新”的最新形態。它并不以人類式的“理解”為核心機制，而是在由詞匯、語法、知識結構構成的高維組合空間中，通過大規模計算進行概率性搜索與重組，從而生成文本、圖像或代碼。

然而，大模型訓練這種持續進行的“組合搜索”，代價又是什么了？

在原始社會，代價是獵人的卡路里。在AI時代，代價是數據中心的電力。研究在結尾意味深長地指出：“當前對數據中心和生成式AI貪婪消耗電力的擔憂，提醒我們發明是需要能量的。”這完美地解釋了為何OpenAI的ChatGPT對話可能消耗相當于一瓶水蒸發的能量，為何科技巨頭在瘋狂搶購能源。我們并沒有逃脫那條古老的法則，只是將能量的尺度，從“卡路里”切換到了“兆瓦時”。

組合增長受能量約束，這個道理在當下是好消息也是壞消息，好消息是這意味著哪怕AI再厲害，只要每次“拼裝”都需要消耗成本，包括算力、以及更關鍵的人工調教所需的注意力，技術就不可能無限膨脹。

而壞消息則是對當下敲響的警鐘。一萬多年前，一個與世隔絕的小島（塔斯馬尼亞）上只剩幾百到兩千人。人太少，一個復雜技術（比如骨針）一旦掌握它的老人去世，就可能失傳。這時候，維持復雜工具的“隱性成本”變得極高，于是大家干脆不用了，技術反而退步了。這不是因為他們變笨了，而是因為“維護成本太高，不劃算了”。

當人們越來依賴AI，人活的如同電影《機器人總動員》中描述的那樣長期躺著，一切由機器人伺候。維持生活技能（比如做飯、修理）的認知成本會顯著上升了。不是技能學不會，而是懶得學、用不上，相對收益變低了。結果就是技能退化、社會能力下降。這與之前描述的塔斯馬尼亞島上的故事如出一轍，同樣是成本超過收益導致的“技術/行為復雜度下降”。

最后讓我們回到開篇的場景，你如果真穿越回去古代社交，最該做的或許不是復刻內燃機，而是先問問部落里的老獵人：“咱們這根骨針，除了縫皮衣，還能不能當魚鉤、當錐子、當發簪？”——因為真正的技術智慧，不在于創造多少新東西，而在于讓舊東西多干幾份活。

參考資料

[1] H. Youn, D. Strumsky, L. M. A. Bettencourt, J. Lobo. Invention as a combinatorial process: evidence from US patents. Journal of The Royal Society Interface, 2015; 12 (106): 20150272 DOI: 10.1098/rsif.2015.0272

作者：郭瑞東 審核：張江 北京師范大學系統科學學院教授 出品：中國科協科普部 監制：中國科學技術出版社有限公司、北京中科星河文化傳媒有限公司

后ChatGPT讀書會——“意識機器”初探

從 AlphaGo 到 ChatGPT，隨著人類智能一個個被機器算法突破，人們不禁開始思考：還有什么能力是人類具備而人工智能尚無法取代的？自我意識就是一個關鍵的未被突破的能力，它不僅可以對自我的行為進行深度反思從而跳出循環，形成頓悟，還能夠給主體帶來真正的主觀體驗。那么，自我意識的本質是什么？ChatGPT 是否能夠擁有自我意識？本視頻提出了一種自我意識的最小模型，它可以一定程度上解釋人類意識的特點，也可能找到判定機器是否具有意識的一種標準。

集智俱樂部特別組織，由北師大教授、集智俱樂部創始人張江老師聯合肖達、李嫣然、崔鵬、侯月源、鐘翰廷、盧燚等多位老師共同發起，旨在系統性地梳理ChatGPT技術，并發現其弱點與短板。讀書會已完結，現在報名可加入社群并解鎖 回放 視頻權限。

詳情請見：

1.

2.

3.

4.

5.

6.

7.

#原創