关于最初的电气和杰出应用研发实验室，其历史分析能给 Answer.AI 带来什么启示，以及他们可能面临的风险
Jeremy 的寄语：在我们文明的发展中，学会如何更有效地开展研发工作极为关键。幸运的是，Eric Gilliam 投身于这一研究。因此，他已成为 19 世纪和 20 世纪研发实验室历史领域的领军人物。虽然我原本认为自己对这些实验室的历史颇有了解，但在与 Eric 的交流中，我很快发现自己的知识相比之下简直初出茅庐！Eric 对现代研究与开发历史的深刻见解无与伦比，他对某些组织之所以能比其他组织更有效的原因的分析，令人深感启发。因此，我邀请他对我们的 Answer.AI 计划进行坦率的评估，这基于我们书面上的计划和我们一系列深入的对话。今天我们荣幸地发布他的分析，这是他在 FreakTakes 博客上的客座文章。
- 本文还提供了 AI 生成的语音版，您可以直接在上方播放器播放，或点击右侧菜单下载 mp3 文件。想跳过引言直接听正文，请直接调至 3 分 20 秒。
Jeremy Howard（曾任 Kaggle 总裁兼首席科学家）和 Eric Ries（《精益创业》的创始人及长期股票交易所的创建者）共同创立了一个新的应用型研发实验室：Answer.AI。在与 Jeremy 的对话中，他明确表示 Answer.AI 的结构细节仍在酝酿中。虽然这一组织仅在一个月前对外公布，但它还处在初期发展阶段。然而，创始人对某些核心原则有着坚定的信仰。其中最引人注目的一点，对我固定读者而言非常重要：创始人显然深受爱迪生的门洛帕克实验室以及商业电力研究初期的影响。
在本文中，我将简要审视实验室的（正在进行中的）计划，并从历史角度进行分析，具体阐述：
- 最初的电气研发实验室能给 Answer.AI 带来什么样的启示
- 其他历史上卓越的应用研发实验室的实用经验法则
- 在他们前行的过程中应留意的潜在风险
关于我在文章中提及的任何实验室细节，您可以在我以往的文章中找到更加详尽的历史证据，如下所示：
- 托马斯·爱迪生，伟大的发明家和实验者 发表于 Works in Progress
- 爱迪生实验室轶事（播客）
- 欧文·朗缪尔与通用电气研究实验室：实践引领理论的案例
- 贝尔实验室是如何提出正确问题的秘诀
- “第三剑桥大学”：BBN 公司与 ARPAnet 的发展史
- 查克·索普谈 CMU：驾驭自动驾驶车辆研究的领军者
- ILLIAC IV 与连接计算机的故事
- 麻省理工学院早期发展史：成为工业研究巨头的第二阶段
- 卡尔·康普顿眼中的理想研究部门运作方式
上述每个机构都向 Answer.AI 提供了宝贵的教训，但它们中没有一个能完全作为参考。在文章的推进中，我会详述我认为哪些经验对 Answer.AI 最为关键。现在，让我们深入探讨！
爱迪生和他的团队在门洛帕克实验室为首个实用的白炽灯进行测试准备。这幅插画由哈里·K·弗莱明创作，图片由亨利·福特博物馆提供。
Answer.AI 简述
杰里米在他的博客文章中宣布了 Answer.AI，他明确指出，这个组织的灵感很大程度上来自 19 世纪电力发展的历史轨迹。他认为当前 AI 领域的发展状况与迈克尔·法拉第和爱迪生照明项目之间的电力领域相似，那是一个电力新发现逐渐被整合，但将电力潜力转化为实际应用的进展寥寥的时代。
我并不认为将 AI 与电力的比较过于牵强。虽然人工智能到目前为止还未达到电力那样划时代的突破水平，但我们不应忽视其潜在的影响力。电力不仅将阳光带入室内，成本几乎可以忽略，还驱动了许多我们现代生活中的便利设施，如制冷、电视、中央供暖等。这是一个极高的标准。然而，鉴于人类智慧曾创造了电力这样的突破以及众多应用，完全有理由相信 AI 或许有朝一日能成为所有领域中最具影响力的。至于 AI 是否能实现这样的潜力，我认为这取决于人类的创新能力。因此，我完全可以接受杰里米将 AI 领域与大约 1830 至 1910 年间的电力领域相提并论。
把这个重大话题暂时放到一边，我们简要探讨一下Answer.AI与 OpenAI 和 Anthropic 等 AI 实验室的不同之处。从资金角度来看，Answer.AI 的成本似乎要低得多。创始人最初筹集了 1000 万美元，这与 OpenAI 和 Anthropic 庞大的初始投资轮形成鲜明对比。此外，Answer.AI 的研究计划更侧重于应用。下面是从杰里米的博客文章中摘录的一段，突出了他认为该实验室方法与众不同的地方：
在 Answer.AI，我们的目标不是开发通用人工智能（AGI），而是致力于发掘并有效利用当前已有的模型。我们认为，在现有的核心模型基础上探索哪些实际有用的应用是一项极具挑战性的工作，而这一领域目前还没有获得足够的关注。
我认为，要打造 Answer.AI 的研发实力，最佳途径是汇聚少数具有好奇心、热情和卓越技术能力的多面手。组建大型的专家团队会带来大量组织上的摩擦和复杂性。然而，借助现代 AI 工具，我发现，一个深谙基础知识、能够运用各种不熟悉的语言、工具和库的全能型人才，能有效解决复杂问题（这一点我自己亲身体验过多次！）。我相信，一个小而灵活、创新且思维开放的团队能够取得的成就，会让人们大为惊讶。
在 Answer.AI，我们将开展真正有创新性的研究，探讨如何最有效地对较小型模型进行微调，使其更具实用性，以及如何打破当前限制广泛使用 AI 的障碍。我们关注的是那些对大型实验室看来微不足道的问题，但我们认为，这些小问题的集合对于实际应用来说极为重要。
说以应用为中心的研究议程不如 AGI 雄心勃勃是不公平的。虽然偏爱基础研究的人可能会这么认为，但我认为这种观点并不具有深刻的历史洞察力。就以爱迪生为例，他首先是一个专注于应用的人。他深信市场信号的重要性，这一点与许多伟大的学术物理学家对市场的漠视形成鲜明对比。在书籍 From Know-How to Nowhere 中，Elting Morison 对美国实践学习历史进行了描述，其中对爱迪生的动机进行了有趣的剖析：
尽管爱迪生如何通过各种手段取得非凡成就并不完全清楚，他对工作的执着原因也同样模糊。他并不是那种深入探索自然奥秘、只为知识进步或财富积累的人，而是热衷于通过创新让事物运转，从而获得经济收益。对他而言，市场的检验似乎是对他实验成果的最终认证。
爱迪生以具体的应用梦想建立了自己近乎神话的声誉。从项目伊始，他就深谋远虑，考虑到市场、资源和生产的限制。爱迪生的梦想是切实可行的。当面对组件技术的局限，妨碍了他的理想时，他往往能够发明新组件或改进现有材料，展现出非凡的才智。爱迪生最宏大的梦想——电灯泡，促使他必须解决更广泛的问题。以下是我在《进行中的作品》关于爱迪生的文章中的摘录，生动地描述了他既雄心勃勃又实际的梦想：
1880 年 1 月，爱迪生的灯泡专利一经批准，他随即申请了“电力分配系统”的专利。这两个专利紧密相连，并非偶然。对于爱迪生来说，这不仅仅是一个灯泡项目，而是一项可能规模空前的技术商业探索。爱迪生的愿景是点亮全世界的家庭，首先从下曼哈顿开始。
要把这个梦想变成面向大众市场的产品，爱迪生需要解决超过一百个技术难题。这个项目需要一种新型的灯泡，它必须由一个在项目初期尚未存在的发电机来供电，在那些尚未通电的房屋中安装，通过当时只是设想中的地下街道电线连接，最终接入一个前所未有的发电站。
但仅仅两年后，爱迪生实现了这一切。而且同样重要的是，到了项目第六年末，整个事业已经开始盈利。
爱迪生的梦想显然与那些从事基础研究的人不同。他的照明事业体现了以应用为中心研究的极端雄心。Answer.AI 把这种充满雄心的实用研究作为他们的远大目标，这是一个非常有意义的追求。
这个目标能够为 Answer.AI 在日益增长的盈利型 AI 实验室领域中创造竞争优势。比如，OpenAI 最引人注目的部分在于其研究而非应用开发。Answer.AI 独特的运作模式也使其与 AI 初创企业和学术实验室有所不同。新兴的 AI 公司虽然研究如何以新方法商业化最新的 AI 模型，但他们通常面临资金紧张的问题。在这种环境下，只有特定类型的研究项目才可能被开展。学术实验室——出于我在 Substack 上其他文章（例如 ARPA 系列）所讨论的多种原因——在激励、经验和人员配置方面并不适合在大多数问题领域内开发新技术。简而言之，这个行业的主要驱动力是发表被广泛引用的研究论文。Answer.AI 有机会将其不同寻常的研究重点引领至学术界、追求短期收入目标的公司以及更专注于通用人工智能研发的实验室所忽视的领域。
法律上，Answer.AI 是一家公司。但在实际操作中，它可能处于实验室和传统“追求最大利润的公司”之间的某个位置——正如爱迪生实验室所做的那样。创始人似乎乐于投入高风险的项目，即使这可能导致失败或长期无收入。这并不意味着他们愿意在毫无回报前景的研究上浪费资金。相反，他们希望资助一系列最终能带来正向长期投资回报的研究项目，而不是过分关注短期收益。
(事实上，使这类研究议程变得更易于实施正是里斯创立长期股票交易所的初衷之一——我将在后文中详细讨论。)
Answer.AI 显然不受迫于必须在 12 至 24 个月内实现软件风投所期望的收入目标。这实际上是件好事。因为追求这类指标通常不会允许一家公司真正像一个充满野心的研发实验室那样运作。我并不是说这完全不可能——DeepMind 在其早期似乎就做到了这一点——但这确实需要强烈地反抗投资者的压力。为 Answer.AI 筹集的风投资金使得创始人保留了足够的投票权，因此投资者不能否决创始人的决策。此外，Howard 表示，公司的投资者明白他们正在建立的首要目标是一个实验室。这是构建一个专注于创造真正有用、创新性强的事物的组织的重要一步，而不仅仅是追求可能技术创新性有限的最大利润。
Answer.AI 有意维持一个小型但高效的团队。Jeremy 在 Fastmail 的发展过程中，仅依靠三名全职员工就吸引了一百万用户。他希望 Answer.AI 的团队也能保持极其精简而充满才华，他认为小团队对于开发新的、技术复杂的产品至关重要。
现在，我已经介绍了 Answer.AI 愿景的一些关键部分，接下来我将进入历史分析。在第一部分，我将讨论 Answer.AI 能从爱迪生的门洛公园实验室和早期通用电气研究实验室中学到的教训。在下一部分，我将分享从其他历史悠久的工业研发实验室中获得的宝贵经验。最后，我会指出那些解释为何伟大的工业研发实验室的运作模式很少被复制的复杂管理细节。
从第一个电气研发实验室中学习
将爱迪生的门洛公园实验室作为 Answer.AI 的指导星，这一点让人感到非常兴奋。我之前详细介绍过爱迪生的工作，因为我相信从他的成就中可以汲取持久的教训。但是，我认为一个更全面的方法是同时考虑 1870-1920 年电气领域中爱迪生的门洛公园实验室 和 初期的通用电气研究实验室的贡献。后者作为一个更传统的工业研发实验室运作。通用电气研究的历史提供了许多指导 Answer.AI 在问题选择和标准项目工作上的教训。然而，对于极其雄心勃勃的项目，则可能更多地参考爱迪生实验室的经验。
(注：虽然爱迪生通用电气是合并成通用电气的两家公司之一——与汤姆森 – 休斯顿电气合并——但爱迪生几乎没有参与到标志性的通用电气研究实验室的成立过程中。)
这两个电气实验室的研发项目特点各不相同。在电气领域，爱迪生的实验室和他的精力多年来一直专注于推出一个革命性的单一产品。而通用电气研究通常同时进行多个研究项目。这些项目旨在改进现有照明系统的科学和生产技术，但它们通常互不相关。此外，通用电气的工作更偏向于传统的“应用研究”。与爱迪生从零开始创造一个全新技术领域的努力不同，通用电气研究的项目通常是新颖和富有雄心的，但方式有所不同。
接下来，我将详细探讨通用电气研究实验室追求的创新类型。但首先，让我们更详细地了解爱迪生的照明项目是如何运作的。
从爱迪生的电力工作中学到的教训
爱迪生在照明领域的成就为那些希望将实验室的主要精力集中于一个宏伟理念的人提供了宝贵的管理经验。
爱迪生在电力领域的重大贡献并非在于他发明了照明系统中的每个部件，而是他如何将各种杂乱无章的小器械、科学原理和误解的学术观点融合为一个颠覆世界的系统。进行所谓的“夜间科学” — 正如弗朗索瓦·雅各所描述的 — 主要是爱迪生的责任。在 19 世纪 70 年代末，人们对电力的了解还非常有限。当时的学术文献中充满了缺陷而非解答，许多所谓的“答案”实际上是错误或误导性的。在这样一个动荡的起点，爱迪生开始了他的旅程。他利用自己独特的属性和经验，创造了一个改变世界的系统。这包括了对几个相关科学领域的知识、对当时被忽视的实验领域的深入了解、市场知识、制造知识，以及足以运营一个小型研究团队的能力。
爱迪生创立实验室的主要目的，实际上是为了扩展自己的影响。因此，要理解他的实验室如何运作，首先需要了解爱迪生本人是如何进行他的探索的。他是历史上最为坚持不懈的实验者之一。他几乎将所有清醒时间都用于进行实验。虽然他确实深入研究了科学文献，但对他来说，只有在实验室亲自证实后，一切才算定论。
我在我的Works in Progress文章中这样写道：
爱迪生虽然尊重科学理论，但他更加重视实践经验。无论是在爱迪生的时代还是在今天，许多教授都偏好于理论或“文献”而非动手实践。也正因为此，爱迪生并不怎么尊重这些教授。他甚至以长篇大论闻名，会让助手翻开教科书，找到他凭经验知道不真实的科学论断，并迅速在实验室里搭建实验来反驳它们。他曾说：‘不管是哪位教授，他都可以用书本上的论证来和你争辩，尽管你已经掌握了确凿的证据，甚至可以用这些证据来打破他的眼镜。’
他的脑海中储存着大量实验和结果的宝贵资料库，仿佛他的“直觉”远超过他的同行。这赋予了他非凡的技能和深厚的知识。在追求别人失败过的项目方面，如果有人可以游刃有余，那非爱迪生莫属。他对自己能力的信心，在追求照明工作时表现得尤为明显。尽管许多科学家都知道电灯泡照明在技术上是可行的，但他们坚称已经证明这一技术永远无法实现经济效益。对此，爱迪生持不同看法。
爱迪生不仅在实验方法上表现出令人敬佩的态度，还在他的工作流程中融入了高度的实用性。他深知，只有在商业上可行，他的发明才能从实验室走向市场。因此，即使在早期实验阶段，他也会考虑到像可制造性这类因素。对于那些商业前景不明的项目，他不愿投入太多时间。然而，与其说爱迪生渴望致富，不如说他更希望用自己的技术改变世界。因此，他所关注的实际因素更多地被当作一种限制来看待。虽然他并没有专注于盈利最大化，但他明白自己的创意需要具备盈利性。那些只关注盈利的人不会像爱迪生那样投身于照明事业，因为技术上的风险实在太高。
爱迪生设想了一个雄心勃勃的系统，需要众多技术革新。这个系统如此前瞻性，也许只有他能构想出来。而且令人敬佩的是，他不仅按时完成了这个项目，而且还实现了盈利。看来，他对实验的坚定承诺在很大程度上功不可没。爱迪生和他的团队“那些男孩们”不断地对系统的每个部分进行实验，以改进和深入了解爱迪生庞大系统中的各个子系统。他们希望全面了解每个子系统的每个组成部分在各种条件下的表现。作为示例，我将分享来自我的Works in Progress文章的两个摘录。
第一个摘录出自埃德蒙·莫里斯的爱迪生传记。它详细描述了爱迪生和他的得力助手威廉·巴切勒如何进行一次又一次灯丝实验的过程：
这两位男士连续数周割切、平整，并将来自各种纤维物质的细丝进行碳化处理，他们尝试了山核桃、冬青、枫木、玫瑰木细条；沙棘髓；猴面包树皮；姜根；石榴皮；充满香气的桉树和肉桂树皮；乳草；棕榈叶；云杉；涂过焦油的棉花；月桂木；雪松；亚麻；椰子纤维；煮在枫糖浆中的黄麻；以及浸泡在橄榄油中的菲律宾麻。然而，爱迪生拒绝了六千多种尝试，因为这些样本都会变形或裂开……
在酷热的夏日里，当阳光晒得人们只能依靠草帽和藤编阳伞遮挡时，爱迪生想到了使用竹子。在自然界中，没有哪种植物比竹子更直、更坚韧。竹子不仅易于切割和弯曲，而且它硬化的表皮能够承受内部的压力。更重要的是，竹子对电流具有很强的抵抗力。当他将竹子外层切下的环形片碳化后，这些片段在冷态下显示出 188 欧姆的电阻，甚至有一片能在真空中发出相当于 44 支蜡烛的亮光。
爱迪生的这种方法远不止于灯丝的研发。下面这段描述了他的一位主要技师如何将新泽西门洛公园的实验室外场地改造成下曼哈顿他们后来安装的 1/3 比例模型。他写道：
爱迪生的技师 Kruesi 和一组工程师及六名挖掘工人，把新泽西州门洛公园实验室的多余土地改造成了爱迪生在下曼哈顿首个照明区的三分之一比例模型。这个团队不断测试电力输送系统，在门洛公园的红土中挖掘、铺设并反复调整实验性的导管系统。他们进行了无数次实验，旨在找到既能高效传导电流又能防水、抵御纽约市无处不在的老鼠的材料。
整个过程充满了爱迪生式的经典试错法。最初铺设的地下导线和电箱因为连续两周的雨水而遭到破坏，尽管它们被煤焦油包裹并有额外木材保护。当挖掘工人重新挖掘出这些失败的尝试以评估损害时，Kruesi 和一位年轻的研究员在实验室的图书馆和化学实验室里不懈地研究和测试了大量的化学混合物。经过不断的尝试，他们最终找到了一种特殊的混合材料 —— “精制的特立尼达沥青在氧化亚麻油中煮沸，再加入少量石蜡和蜂蜡”，这种混合物能够有效地保护电流免受雨水和老鼠的侵害。
爱迪生将自己坚持不懈的实验风格融入了他的实验室文化。鉴于实验室旨在放大爱迪生的影响力，这一点尤为重要；他是个思想远超手头能力的人。因此，他雇佣了更多助手。爱迪生并未遍寻世界各地以聘请最顶尖的研究人才，他的许多雇员甚至没有科学背景。这对于爱迪生而言并不是问题，因为大多数人都在执行他指定的研究计划。门洛公园实验室的一些员工拥有高级科学学位，但更多的员工并没有。大体上，实验室的运作和活动都是围绕爱迪生及其想法展开的。因此，实验室的生产力随着他的关注点而变化。在某个项目领域工作一段时间后，爱迪生经常会感到躁动，渴望转向新项目——他对新鲜事物充满渴望。实验室的资源和额外助力也会随他转移。正如我们在下一节中所见，这与通用电气研究实验室招聘人才和选择问题的方式截然不同。
门洛公园实验室在电气领域的活动，为如何将实验室的工作集中于一个重大系统提供了绝佳的管理范例。即使 Answer.AI 不打算全身心投入某一领域，它仍可以将这一方法应用于特定的专注团队，同时让其他团队继续探索初级阶段的想法。在爱迪生不太集中精力的实验阶段，他的实验室更像是一个“发明工厂”，不断尝试和调整。此外，爱迪生偏好应用并致力于理论以外的实验，这在新兴科学领域中，无疑可以为 Answer.AI 带来灵感。
当然，爱迪生的某些做法比其他方面更为出色。最明显的“不足”是他的实验室过度依赖他个人。没有他和他的伟大想法，实验室可能会停滞不前。虽然爱迪生在技术愿景、实用性和实验方法上的成就值得效仿，但通用电气研究的经验也应当被纳入考虑。通用电气更像是一个典型的工业研发实验室，其运作方式非常适应电力科学在 20 世纪初期的成熟阶段。
从年轻的 GE 研究实验室中学到的经验教训
不同于爱迪生的电力研究方法，年轻的 GE 研究实验室同时进行多个互不相关的项目，招募了众多才华横溢的研究人员，并赋予他们更大的自由来运用科学方法在商业化项目上发挥。尽管该实验室没有像爱迪生那样专注于未来派项目，也没有人因此获得像“门洛的魔法师”或“录音魔法师”这样的昵称，但早期的 GE 研究依然赢得了诺贝尔奖，并使灯泡技术得到显著提升，更加经济高效。
埃尔廷·莫里森对 GE 研究在早期几十年的深远影响有过这样的描述：
毫无疑问，在斯克内克塔迪的电气工程和部分物理学领域的研究，不仅做得更出色，而且比任何一所美国大学在这些领域的研究更加引人入胜。
在其鼎盛时期，甚至像卡尔·康普顿这样的杰出研究者都希望他们的学术部门能够像 GE 研究那样运作。
虽然 GE 同时进行了多种多样的项目，但有一个统一的目标贯穿其中：提升 GE 产品和制造过程的质量与盈利性。在这个统一目标的指引下，各种项目都受到了鼓励。特别是在实验室初创期，研究大多具有很强的应用性。
威廉·库里奇是实验室早期最出色的应用研究员之一。1905 年，他在 MIT 教授课程的同时，兼职加入了实验室。他具有当时许多 MIT 教授所具备的全面技能，不仅在物理和冶金学方面有深入了解，而且他的实操能力也远超一般铁匠，接近实际操作者的水平。正是凭借这种多元化的技能，他的科学研究方式并不像典型的学术研究。库里奇在描述自己在 GE 取得成功的过程时表示，他主要是“依靠实验本身，而非仅凭冶金学知识”。
威利斯·惠特尼，GE 研究的创始主任兼前 MIT 教授，正是看中了库里奇的这种独特能力，将他招募进来，继续发展惠特尼自己的研究。惠特尼最初的研究发现了一种改进的金属化纤维灯丝，这一发现为实验室带来了可观的利润。惠特尼相信，如果使用真正的金属灯丝，效果可能会更好。他认为库里奇及其金属加工技能非常适合深入探索这一领域。
库里奇将他的实际技能和科学知识巧妙结合，致力于解决这一问题。埃尔廷·莫里森对库里奇的工作流程做了简要描述：
他把钨粉混合到铋、镉和汞的合金中。接着，他通过细小的模具把这种混合物拉成线，制成了一种银白色的柔软电线。当时，他以为已经实现了钨的延展性，认为研究告一段落。然而，当电流穿过这根电线时，汞、镉和铋被蒸发掉了，留下的却是非延展的钨。不过，这也创造了他所能得到的最纯净的钨。
在我的《FreakTakes》文章中，我继续描述：
经过多次尝试，他找到了一个有效的方法：将更纯净的钨经过一系列特殊的金属加工工艺，在适当温度下加工成直径大约 1 毫米的钨棒。这些 1 毫米的钨棒可以不断地被拉细，通过越来越小的模具，最终制成直径仅为 0.01 毫米的钨丝。这些钨丝放在真空密封的灯泡里，电流通过时，每瓦电力能产生 1 烛光的亮度，使灯泡寿命增长至原来的 27 倍。
五年之内，85% 的灯泡都采用了钨丝。随着项目的深入，越来越多的研究化学家和技术助手参与到库利奇实验的各个复杂环节。结果证明了其有效性。通用电气对工厂进行了改造，投入生产新型灯泡。随后，库利奇转向了其他研究领域。
库利奇的混合型工作方式，与爱迪生的风格相似，对 Answer.AI 来说无疑是一个重要的参考点。但通用电气研究的工作不仅仅限于库利奇那样精通应用科学的领域。这个实验室擅长利用那些具有学术背景的杰出人才。欧文·朗缪尔就是最佳例证。我在原文中这样描述他的兴趣：
值得一提的是……朗缪尔并不是真正对灯泡感兴趣。严格来说，这并不完全准确。他对灯泡感兴趣，一方面是因为他认为钨这种金属非常有趣，它能承受极高的温度，为科学家提供了广阔的实验空间；另一方面是因为这些真空密封的灯泡为科学实验提供了一个无污染的环境。
对朗缪尔而言，灯泡更像是进行科学实验的实验场。但威利斯·惠特尼却知道如何引导这样的科学家，使其研究成果转化为具有实际价值的成果。实验室采纳了我所称的“宽松控制下的自由探索”原则，鼓励像朗缪尔这样的基础研究者进行创新和实验。
Langmuir 在实验室的第一天，就被指示去了解同事们正在进行的项目，并被鼓励自由探索任何他感兴趣的现象，条件是这些研究必须与实验室正在解决的实际问题紧密相关。这种安排确保了 Langmuir 的研究成果能直接应用于 GE 的日常运营，减少了研究“无用”的风险。Langmuir 因此有了充足的时间深入探索各种科学问题。
Langmuir 最初关注的是一个常见问题：当时的灯泡容易变黑。人们普遍认为这是由于灯泡真空度不够引起的。对于 Langmuir 来说，这个问题提供了一个探索他感兴趣领域的绝佳机会。Morison 这样描述 Langmuir 的想法：
“如果残余气体或不完善的真空导致灯泡变黑，那么研究在灯泡中加入不同气体后的效果就是一个好机会。Langmuir 告诉 Whitney，他的目标很简单，就是研究在高温下，各种气体在低压环境中如何相互作用。这一领域的知识尚且匮乏，他希望通过研究来满足自己的好奇心。”
Langmuir 花了三年时间来进行这项研究。他测试了多种气体和不同的温度，过程中不断发现意想不到的结果，这些结果引导他开展全新的实验。最终，他发现导致灯泡变黑的并非真空度不足，而是钨蒸汽颗粒沉积在灯泡壁上。问题的关键在于温度。
他还发现，不同气体对蒸发速率的影响各异。例如，氮气可以将蒸发速率降低 100 倍。但是，向灯泡中添加氮气会大幅降低灯泡的电效率，使其成本效率低于普通灯泡。尽管如此，Langmuir 认为这是一种进步。
后续的研究让他相信，通过增加灯丝直径可以解决效率问题。实验证实了这一点。他还发现，以特定方式卷曲灯丝可以减少热量损失。最终，他开发出了一种新型灯泡，使用惰性气体而不是真空来减少灯泡变黑，并配备了卷曲的钨灯丝。这种新型灯泡每烛光只需 0.5 瓦特，寿命是其他灯泡的三倍之久。这一创新不仅解决了灯泡变黑的问题，还大幅提升了灯泡的效率和使用寿命，开创了照明技术的新篇章。
当朗缪尔完成了通用电气研究部门的灯泡项目并将其交给工程团队后，他开始关注他在与实验室应用性更强的员工交流时发现的一个不寻常现象。实验室里的灯泡设计依赖的是在灯丝两端之间只有几毫安的电流流动。在给《科学月刊》的一封信中，朗缪尔提到了这个现象，他写道：
我觉得这个现象非常奇怪。理查森和其他科学家的研究表明，在钨丝灯使用的高温下，理论上应该有很多安培的电流在这个空间内流动。换言之，按照当时关于热灯丝电子发射的理论，制造钨丝灯时应该会遇到很大的难题。然而我们并没有遇到这样的问题，这一点让我觉得非常不寻常，值得深入研究。
在之后的研究中，朗缪尔发现了如今所知的空间电荷效应。这项发现与库利奇的后续研究相结合，共同促成了通用电气全新型号的 X 射线管的诞生。
在通用电气的“自由发挥但受限范围”的工作原则下，朗缪尔不仅推动了多个新产品线的开发，还在他的钨丝研究中创造了重要的知识。这些成果不仅仅是为了增加公司的财务报表。在项目中，他发现钨蒸汽的凝结方式与当时的学术理论不符，这促使他深入探索这一现象，并因此被认为是表面化学领域的开创者。他的这些努力最终为他赢得了诺贝尔奖。
在通用电气实验室，朗缪尔式和库利奇式的研究人员之间形成了一种互补的合作关系，后者的技能更常见于实验室中。我认为，像 Answer.AI 这样的公司也会有许多像库利奇那样的人才：他们不仅理解学术理论，而且擅长将理论应用于实际复杂的问题中。像 Jeremy Howard 这样的人很可能对如何利用这些人才有极好的洞察力。通用电气的“自由发挥但受限范围”原则可以为 Answer.AI 提供策略指导，帮助他们考虑如何在日常运营中有效利用基础研究人员的才华。
朗缪尔在通用电气研究实验室的职业生涯为我们提供了一个清晰的示例，展示了如何在实际应用环境中充分利用基础研究者的潜力。朗缪尔对调查任何异常现象都充满好奇，这本身就足够令他满足。然而，正是他对正确异常现象的深入研究，才使得他的工作对通用电气研究部门产生了重大的价值。
总体来看，选择运用爱迪生或通用电气（GE）的策略需要考虑恰当的时机和场合。一个研究总体来看，选择运用爱迪生或通用电气（GE）的策略需要考虑恰当的时机和场合。一个研究领域或技术区域的成熟程度在很大程度上决定了应该采用哪一套原则。爱迪生作为先驱，不得不承担构建一个庞大的技术系统的重任，以支持他的革命性发明——电灯泡。相比之下，通用电气研究所则在一个已有的技术领域里进行工作，这个领域的科学已相对成熟，用户技术也已经存在（多亏了爱迪生），但该技术仍需大量改进，才能真正实用和经济。
实验室可以同时采纳这两种策略。事实上，爱迪生的许多项目相较于他的照明事业来说规模较小。在现有领域，如电信领域发明时，爱迪生将自己的发明天赋局限在现有技术体系内。他明白，没有人会仅因为他发明了一个略有改进但完全不同的新型电话设备就去彻底重建电话基础设施。因此，在改良贝尔的电话系统时，他只是发明了一种能直接接入系统的碳传声器，这使得通话声音更加清晰。这就是他的贡献：一个能够简洁地接入现有系统的创新装置。虽然这些技术可能不如爱迪生的照明系统那般引人注目，但它们仍足以使他成为当时举世闻名的发明家。
关键在于影响力。在追求最大影响力的过程中，我坚信 Answer.AI 将能巧妙地利用这两位工业研究巨头的策略。
从其他历史上伟大的工业研发实验室学习
接下来，我想分享一些我在 Substack 上撰写的关于其他研究机构的重要经验教训。这些组织的介绍没有特定的顺序。
BBN 与 CMU 自动驾驶团队：在创新与实用之间找到平衡
FreakTakes 最近报道了两个在 DARPA 历史上卓越的合作伙伴，他们都在项目的创新性和技术的实用性之间找到了完美的平衡点。第一个是负责开发 ARPAnet 的 Bolt, Beranek 和 Newman（简称 BBN）。第二个则是卡内基梅隆大学（Carnegie Mellon）的自动驾驶车辆团队。
BBN 在学术和商业领域之间找到了一个独特的位置。它最初由麻省理工学院（MIT）的声学教授创立，目的是更加大胆地进行他们的合同研究。在公司发展的最初几十年里，他们逐渐将业务拓展到计算领域，这一切都是在 BBN 副总裁 J.C.R. Licklider 的领导下进行的。不久，BBN 成为剑桥最杰出研究人员的聚集地，他们纷纷离开学术岗位，投身于 BBN 的研究工作。BBN 的声望也日益提升，甚至被誉为“剑桥的第三大学”。
BBN 的主要收入来源是来自 DARPA、研究资助机构和航空航天公司的研究合同。BBN 的定位颇具特色：在工业界，BBN 更注重新颖性和尖端技术的研发；而在学术界，BBN 则侧重于开发短期内人们就能使用的实用技术。J.C.R. Licklider 就是一个例子，他放弃了麻省理工学院的终身教职，加入 BBN，致力于开发更实用的技术。正是凭借这样的定位，BBN 能够吸引到最优秀的人才。
在 BBN，最有才华的研究人员拥有广泛探索和发挥思维的自由。BBN 的许多项目都展示了一小团队拥有广泛技术知识的成员的巨大潜力。例如，只有八名 BBN 的成员就主导了早期 ARPAnet 的发展。团队规模的选择并非偶然，项目的工程负责人 Frank Heart 在他的口述历史中解释了他为什么偏爱这种团队规模。
我相信，重要的成就往往由一小群全面了解整个项目的人共同完成。换句话说，过去软件人员对硬件有一定了解，硬件人员也会编程。他们不是一群孤立的个体，而是彼此都对整个项目有深刻理解的团队。在我看来，这在任何大型项目中都至关重要。如果将其视为一种管理风格，那我认为这很关键。我还认为，这些团队成员都是极其有才华的。通常，由一小组极其优秀的人来完成任务效果最好——如果能做到的话。虽然这并不总是可行，但如果要归纳为一种管理风格，那就是聚集少数顶尖人才，让他们充分了解彼此的工作。
洛克希德“臭鼬工厂”传奇人物“凯利”约翰逊在组建团队建造实验飞机时也有类似看法。特别是在项目初期，保持小团队规模，由了解相关领域的专家组成，这种做法有着充分的理由。从技术历史的角度看，杰里米对小团队的信念似乎得到了证实。
BBN 是一个研究公司的理想典范，它全面拥抱技术创新。与之相对的是 CMU，这所大学完全拥抱了系统构建，并采用了类似企业的管理实践。CMU 在 20 世纪后期的系统工作亮点是其自主车辆项目。该学术团队由负责技术整合和具有管理风格的研究人员组成，他们有效地推进了新技术系统的构建。
CMU 的定位既不同于工业界，也不同于传统学术界。这一点在 DARPA 1980 年代中期的自主车辆项目中表现得尤为明显。CMU 似乎是唯一一个对技术创新和系统整合都充满热情的承包商。与此同时，负责 DARPA 自主陆地车辆项目的国防主要承包商马丁·玛丽埃塔只关注如何使用保守、过时的技术来达成 DARPA 的演示目标。学术视觉研究小组更倾向于利用摄像头数据发表论文，而不是直接帮助构建有效的驾驶系统。CMU 是项目中唯一真正致力于构建创新和功能性系统的承包商。DARPA 最终认识到了这一点，并提供了充足的资金支持 CMU 建造接连几代的自主车辆。之后，这一成就便成为了历史。
卡内基梅隆大学（CMU）在执行这项工作时，采用了一种类似公司的管理结构，这在大多数学术实验室中较为罕见。例如，Chuck Thorpe 承担了项目管理工作，他的晋升是基于对车辆性能的贡献，而非传统学术评价指标 h-index。尽管他的职位更偏向商业模式，团队内部依然保持了学术职位的设置。在项目中使用研究生是一个典型的例子，项目中的每位学生都要负责一个独立部分，并且可以将其撰写成论文。
(在我对 Chuck Thorpe 的采访中，我探讨了团队是如何降低学生论文失败风险的。)
这样的学术激励措施在一定程度上促进了 CMU 团队的持续创新。通常，这些学生的论文能够与现有系统完美结合，比如有论文将某传感器数据处理时间从 15 分钟缩短至 90 秒。1988 年，这种激励机制甚至促使研究生 Dean Pomerleau 成功地利用神经网络指导车辆行驶，这一发现对世界产生了重大影响。
Answer.AI 也同样重视深入的技术创新和可部署技术的构建。因此，Answer.AI 可以借鉴 BBN 和 CMU 的策略，找到这两方面的平衡。BBN 和 CMU 的成功案例应该会激励 Answer.AI 的创始人信任他们设定的发展方向。如今，这种平衡在组织中并不常见，但历史上已有组织成功实现了这种平衡，并因此改变了世界。
然而，长时间没有实现颠覆性成果可能会引起不安。这种不确定性部分地导致学术界更倾向于追求短期内能带来逐步改进的成果。对于浪费时间和资金的担忧是现实存在的。Answer.AI 的创始人无疑希望找到一种方式，确保他们的时间和精力都投入到有价值的问题上。在这方面，我认为贝尔实验室（Bell Labs）在选择问题上的方法，对我之前讨论的方法有很多可取之处。
贝尔实验室选择问题的策略
贝尔实验室在其全盛时期对研究人员的管理非常著名——这是有理由的。然而，与许多人的认知不同，贝尔并没有让研究人员完全自由地追求他们感兴趣的课题。贝尔采用了一种类似于通用电气（GE）的“在小范围内给予较大自由度”的管理方式，一位长期在贝尔工作的化学家将其描述为“有限的自由”。贝尔使用这种方法的最有效工具之一就是他们优秀的系统工程师团队。
贝尔拥有比 GE 还要广泛和庞大的产品线。即使研究团队的小幅改进也能带来巨大的回报。当然，这并不适用于 Answer.AI。然而，贝尔对系统工程师的运用对 Answer.AI 来说仍然极具启发意义，尽管 Answer.AI 可能以不同的方式来应用它们。
正如我在 FreakTakes 上详细报道的，贝尔的系统工程师通常会整合多个知识领域，把合适的研究人员引入到最需要解决的问题上。这些系统工程师在自己的头脑中融合了 STEM（科学、技术、工程和数学）背景、对贝尔制造过程的细节了解、对贝尔实施问题的理解、对贝尔费用的深入认识，以及对贝尔实验室研究人员的熟悉。
贝尔深知这些系统工程师（Systems Engineer）是他们“秘密武器”的重要组成部分，保证实验室能将有限的资源投入到具有足够增长潜力的正确问题上。我在贝尔实验室文章的结尾部分写道：
对于熟悉这些系统的人来说，在这些系统中找到一个问题并不难，这就是为什么许多研究人员和工程师不觉得有必要引入外部帮助。但是，仅仅找到一组好问题并不等同于找到最佳问题。挑选出最佳问题本身就是一种专业。当经过适当的审查后，可能会发现最佳问题的财务价值是普通好问题的 10 倍、社会效益是 50 倍，或者成功的可能性是 2 倍时，系统工程师的价值就凸显出来。
我的前一篇文章进一步深入探讨了贝尔的系统工程师如何引导研究人员解决特定问题。现在，我认为任何新兴的应用科学组织，如果能够专职指派一个人来担任系统工程师的角色，应该认真考虑这个选择。
当然，这些系统工程师需要明确的指引，明白他们应探索何种技术。现今，许多行业和学术领域的职位将收入或潜在引用次数视为衡量影响力的标准。但对 Answer.AI 来说，这样的评价标准并不足够，也不应该是。怎样更好地引导这些工程师，应该由 Jeremy 和 Eric 来决定。
作为一家追求创新，不依赖大型工业运营的公司，BBN 可能是个不错的灵感来源。它的一些标志性项目都是由系统工程师风格的贡献开始的。例如，DARPA 项目经理 Larry Roberts 发起的 ARPAnet 合约，J.C.R. Licklider 的具有远见的“未来图书馆计划”，以及 BBN 公司的 Jordan Baruch 在 1960 年代初向国家卫生研究院（NIH）提出的建立现代医院运营系统的计算机系统构想。这些项目的发起人都具有类似于 Bell 实验室系统工程师的经验，他们不仅有技术背景，还经常与顶尖的学术研究人员交流，了解现代工业的问题，并能预估潜在项目的成本和复杂性。
自从 Bell 实验室解散以来，很少有机构能像它那样有效地利用系统工程师，并设定类似 Bell 的目标。如果像 Answer.AI 这样的实验室能够承诺将大量员工时间投入到这个目的中，那将是非常令人期待的事情。
思维机器公司资金问题的启示故事
思维机器公司（TMC）的案例虽不如前述例子直接具有教育意义，但其犯下的一个关键性错误令其值得一提。TMC 不慎将自己置于一个不利的境地，即从那些与公司利益不同步的投资者处筹集资金。
对不熟悉 TMC 的人来说，这家公司在商业上彻底失败。尽管如此，因其破产而被视为全盘失败是不公正的，因为公司确实实现了许多设定的技术目标。TMC 本是以技术目标为导向，而非特定市场，这使其成就尤为显著。公司由马文·明斯基的 MIT 实验室博士生丹尼·希利斯创立，他希望通过 TMC 实现其研究生论文中构想的目标：打造一台真正的并行计算机，以提升所有科学家的研究能力。TMC 聚集了顶尖研究人员，甚至在连续几个夏天中邀请理查德·费曼担任“实习生”，在技术上取得了诸多成就，为现代并行计算领域奠定了基础。在我们的首次对话中，对并行计算技术了解深入的杰里米对 TMC 的技术成就给予了高度评价，他强调 TMC 首次运用了许多至今仍被该领域采用的方法，这是极其惊人的。
然而，尽管 TMC 拥有高效的团队和卓越的技术成果，这些都未能弥补其管理上的失误。公司在财务管理上的放纵并不匹配其技术声誉。事后看来，一些管理决策，比如一份代价高昂的长期租赁合同，本可在不改变公司总体策略的情况下避免。但更深层次地，公司在技术目标与筹资目的之间存在明显的不一致。
TMC 的两位主要赞助方是 DARPA 计算机部门和私人投资者。Hillis 及其一流的技术团队的目标完全与 DARPA 的目标相契合。在追求建造技术上最先进的并行计算机的过程中，DARPA 的资金支持无疑是理想选择。同时，DARPA 计算机部门也认为，在最初的几年里，TMC 的研发工作进展得相当顺利。但是，Hillis 和技术团队热衷于为科学研究构建机器的热情，并没有扩展到更具盈利性的领域，例如在银行数据库或沃尔玛的物流管理中部署这些机器。随着时间的推移，TMC 面临的压力日益增大，被迫更多地关注于这些领域的工作。看来，即使在初期更加合理地使用资金，TMC 迟早也会让其资助者之一感到失望。
如果 TMC 仅依赖 DARPA 的资金，并且更加节俭地使用这些资金，它今天可能还存在，并且可能已经建立起超越 NVIDIA 的声誉。
模仿 20 世纪中期的美国工业研发模式对现有企业而言不易
20 世纪中叶，美国的工业研发实验室经历了起伏。这些实验室之所以受到现代研究人员的怀念，不仅仅是因为怀旧。事实上，这些实验室成立不久，许多顶尖研究者便已经认识到这种模式的特殊之处。
1927 年，当时担任普林斯顿大学物理系主任、兼任通用电气合同工的卡尔·康普顿在一封寄给《科学》杂志的信中表达了对这些实验室的高度评价。他认为，尽管顶尖大学通常聚集了最优秀的人才，但这些工业研究组织在科学研究方面却表现出色。信中，康普顿特别赞赏了这些实验室在科学项目管理方面的成就：
正如一些大型工业研究实验室所展示的，其科研成果远超研究人员个人能力所能达到的水平
康普顿认为，大学的系部应该从这些杰出的工业实验室中吸取众多教训。其中最重要的一课是，构建研究团队和项目时必须专注于特定领域。他质疑了为何每个系都试图大致模仿整个领域的研究人员和研究问题构成的做法。没有任何企业会这样做。他认为：“这种策略会导致努力分散，若所有机构都这样做，最终我们将看到许多大学在许多方面都过于相似，同时都拥有表现平平的系部。”
在组织层面，康普顿认为由 N 位自主的教授、N 个独立的预算和少量的研究生组成的实验室模式，并不适合大多数项目。他认为所有系都采用这种模式是不理智的。康普顿在信中提出了一种他称为“康普顿模型”的研究部门结构。这种模型远比由大量自主教授进行零星研究、使用各自独立资金的部门要有更多的结构性。康普顿对这种模式的描述是：
在大学内部，我们还可以朝着更有效的组织结构努力！与我们习以为常的系相比，更具弹性的系部结构，围绕一两位部门内的杰出人物构建，能够为这些人提供组织和集中精力的机会，这在目前的体制下是很难实现的。
康普顿的这些见解表明，他相信通过改进大学的组织结构和研究方法，可以有效提升科研工作的质量和效率。
另一种理解这个模型的方式是把它看作是“资助部门负责人而非单个项目”的模式。这种模式让一到两个人几乎完全掌控一个部门的研究方向、人员招聘、项目选择和资本支出等。此外，这些人还有自由度，可以根据需要用聘请全职工程师或其他可自主决定的资本开支来替代额外教授或研究生的工资。
虽然这个模式理论上可行，但在现实的大学环境中实施却极其困难。以康普顿担任麻省理工学院院长时的经历为例，他未能成功推行此模式。现有的利益群体和组织结构使得这种转变难以实现。除非有特殊情况，否则大多数大学管理者甚至不会考虑这种模式。然而，卡内基梅隆大学的赛尔特校长成功建立了一个类似于康普顿模式的部门，并取得了卓越的成果。但这毕竟只是个例外，将现有部门改造为康普顿模式几乎无法实现。
伟大的老式实验室管理模式并非因为缺乏科学价值而从工业界消失。这些实验室主要在 20 世纪 70 年代和 80 年代逐渐消失。70 年代的经济衰退对研发预算造成了重创。80 年代，新的公司管理趋势使得公司管理变得前所未有地短视。这些因素，加上其他非科学因素，是这些实验室最终消失的主要原因。随着实验室的消失，整个世纪积累的运营经验也随之散失。如今，想要了解这些组织的运作方式，只能通过阅读口述历史或与已退休的工程师交流。
这些退休工程师通常会首先告诉你，我们应该恢复这些传统模式！即便是在 20 世纪末，当一场法庭案件结束了贝尔实验室的历史，贝尔实验室的研究人员仍然对其模式充满信心。在 20 世纪 20 年代，康普顿曾梦想着在大学里复制通用电气的模式。我们不应该害怕投入时间和资源来恢复这些古老的模式。从它们诞生之初到逐渐退出历史舞台，这些模式一直受到伟大工程师们的信任。
很多学术界人士都认识到，学术研究应该更像 BBN、CMU 或 GE 那样的研究机构。但他们往往无法改变现有的体制来实现这一目标。同样，许多研发部门的领导者也知道，他们的公司在规划研究开支时应该考虑更长远的 10 至 20 年时间范围，但股东和对股东敏感的 CEO 通常不会采纳这种长期视角。Answer.AI 有机会摆脱这些束缚。这个组织可以在新的时代、应用于新技术上，复兴这些伟大的传统模型。
(里斯作为 Answer.AI 的联合创始人，这个事实本身就值得人们感到安心。里斯长期以来一直批判那些导致公司难以维护广泛工业研发实验室的短视管理趋势。他创办了年轻的长期股票交易所，部分原因就是为了解决这些问题。)
结论：走自己的路
Answer.AI 的双头管理团队需要坚持公司的比较优势。没有必要与学术界的计算机科学研究人员或企业研发部门争夺他们积极参与的领域。企业研发、国家科学基金会资助的计算机科学研究人员和专注于通用人工智能 (AGI) 的实验室各有其专注和不涉足的领域，这些领域远远不能涵盖所有值得探索的好想法。Answer.AI 可以自由地进行自己的研究，无需与他人竞争。
许多人可能会认为该组织采用了一个未经验证的模式。然而，像我一样的 Answer.AI 创始人们相信这种模式其实是经过验证的，只是暂时消失了。因此，他们愿意承担其他人似乎不愿意承担的“组织风险”，去解决几乎没有竞争对手的问题。如果他们投入的 1000 万美元实验取得成功，这将可能激发一波研究人员和工程师的热潮，他们会创办小型研究公司，借鉴曾经美国工业研发领域中伟大“巨龙”公司的模式。
我祝愿杰里米和埃里克在他们任务的早期阶段好运。如果你是研究人员或工程师，无论在哪个领域，如果你希望你所在地区有像 BBN、CMU、TMC 或 Answer.AI 这样的组织，请通过 Twitter 联系我。我非常乐意探讨我能如何帮助你们。
