AI时代的总轴效应（系列四篇）

science

第一篇｜换了电机，没拆总轴

1882年9月4日，爱迪生在纽约珍珠街的发电站开始送电。按常理推想，工厂应该很快换上电机，生产率随之起飞。实际发生的事情慢得多：到1900年前后，美国工厂里由电动机提供的机械动力还不到5%，制造业生产率真正的跃升要等到1920年代，中间隔了将近四十年。

经济史学家保罗·戴维（Paul David）花了很多年研究这段“失踪的四十年”。他找到的答案不在电机身上，而在工厂里那根长长的钢轴。我把他描述的现象称为“总轴效应”：新技术的收益，被为旧技术设计的组织方式锁住，直到那套组织方式被拆掉，收益才释放出来。

一根轴说了算的工厂

19世纪的工厂只有一个动力源，一台蒸汽机，更早的时候是一架水轮。动力顺着一根贯穿厂房的钢轴传出去，轴上挂满皮带轮，皮带再把动力分给每一台机器。

这根轴几乎决定了工厂的一切。传动距离越长，损耗越大，所以厂房盖成多层，一层层围着动力源堆起来。机器放在哪儿，看的是离轴有多近，而不是工序的先后，半成品常常在楼上楼下来回搬。所有皮带以同一个速度转，哪怕只用一台机器，整根轴也得转起来；轴一坏，全厂停工。工厂的布局服务于动力的分配，产品怎么做反倒排在后面。

电机来了，工厂没变

电机刚出现时，工厂主做了最顺手的事：拆掉蒸汽机，换一台大电机，接着带那根总轴。燃料省了一点，控制方便了一点，除此之外工厂照旧运转。戴维形容这是把一套新技术系统叠在旧结构上面。

后来出现了一种过渡做法，叫“成组驱动”：把总轴切成几段，每段配一台电机，带一组机器。灵活了一些，但电机仍是被“加”进旧设备体系里的，传动轴和皮带照样主宰车间。

真正的转折是“单机驱动”，每台机器装一台自己的小电机。乍看只是电机变小变多了，实际上动摇了工厂的组织原则。动力不必集中分配以后，厂房可以盖成单层的长条形，墙体也不用再加固去承重头顶的传动装置；机器可以按工序排开，物料顺着一个方向流过去；某台机器坏了、某个车间要改造，不再牵连全厂；工人可以自己决定什么时候开机。一战前夕，福特在高地公园工厂把固定的流水线布局推向成熟，厂里同时用着成组驱动和单机驱动。用电线而不是传动轴输送动力，正好配得上这种以流动为核心的生产方式。

四十年的等待，十年的爆发

转变来得很集中。美国制造业中电力驱动的占比，1899年约5%，1919年刚过一半，1929年接近80%。按戴维和加文·赖特（Gavin Wright）的估算，制造业全要素生产率在1909到1919年间年均只增长约0.2%，1919到1929年却跳到每年约5.3%。在那之前的三十年里，制造业产出相对于资本和劳动投入，每年增长还不到1%。同一个十年里，制造业的资本产出比也掉头向下，扭转了几十年的上升趋势。道理很朴素：沉重的传动轴、皮带和加固厂房都省掉了，同样的产出用不了那么多固定资本。

拖了这么久，第一个原因是沉没成本。旧厂房还能用，为了单机驱动去拆一座正常运转的工厂，账算不过来。日本1923年的一项研究发现，纺织厂安装单机驱动的设备成本比成组驱动高10%到27%，这还没算新建厂房才拿得到的好处。所以最先用上单机驱动的，多是新建的工厂。

第二个原因是配套设施。很长时间里工厂只能自己发电，直到1914至1917年以后，区域电力公司的实际电价大幅下降，中央电站的发电能力超过了工厂自备电站，便宜的外购电力才普及开来。这背后也有电力监管和投资体制的变化，不单是技术进步。

第三个原因最容易被忽略。戴维和赖特特别强调，1920年代的爆发并非电机单独促成。一战前后大规模移民基本停止，1920年以后工业工人的实际工资比十年前高出五到七成。劳动力变贵，逼着企业重新设计岗位、稳定队伍、提高招聘标准。新式工厂需要识字、会算、能很快学会新操作流程的工人，这又恰好赶上了美国高中教育的普及。电机、厂房布局、管理方式、劳动力和制度，几样东西在同一个十年里凑齐了，爆发才会发生。

还有一个耐人寻味的细节。英国和日本的工厂电气化起步比美国晚，一旦启动却推进得更快。到1930年，日本工厂的电力转型甚至比美国更彻底，而它的技术几乎全靠引进。后来者不必重走弯路，可以直接照着已经证明有效的新工厂去建，日本不少小工厂干脆从手工作坊一步跨进了单机驱动。

同样的故事，已经演过一次

戴维1990年写那篇著名的《发电机与计算机》，想回答的其实是另一个问题：计算机到处都是，生产率统计里为什么看不到它。他和赖特后来指出，1980年代个人电脑的普及路径和成组驱动很像。许多个人电脑被拿去模拟大型机终端，只用了一小部分能力；文档更漂亮了，报表更好做了，工作的组织方式却基本没动。等到网络和系统集成逼着企业重新设计流程，收益才慢慢显现。

回头看，电机最重要的意义是让动力可以分散。动力一旦可以分散，工厂就可以围绕工序来组织，不必再围绕动力。所以总轴从来不只是一根钢轴，它是一种组织原则：一切都连到同一个中心，按同一个节拍转。

今天多数企业引入AI的方式，和1900年的工厂主很像，把AI当作一台更好的动力源，接到原有的组织和流程上，然后奇怪效果为什么不如预期。AI时代的总轴是什么，是下一篇要讨论的问题。

第二篇｜AI时代的总轴是什么

今天大多数组织，仍然是围绕“人的认知劳动很稀缺”这个前提搭起来的。层级、分工、审批、周会，几乎所有习以为常的组织安排都从这里来。AI正在让这个前提松动，这些安排却原封不动，我认为它们就是AI时代的总轴。

个人更快了，公司没有更赚钱

先看两组放在一起有点别扭的证据。

个体层面，AI的效果相当扎实。斯坦福和MIT的研究者跟踪了一家《财富》500强软件公司的5000多名客服人员：分批引入生成式AI助手后，每小时解决的问题平均多了14%，新手和低技能员工的提升达到34%，资深员工则几乎没有变化。写代码、写文案、做数据分析，类似的研究结果还有不少。

企业层面就是另一幅景象了。MIT的NANDA项目2025年的初步报告估计，企业在生成式AI上投了300亿到400亿美元，约95%的试点没有带来可衡量的利润回报。这份报告没有经过同行评审，样本和口径都有人质疑，具体数字不必太当真。更大规模的调查给出了相同的方向：普华永道2026年1月对95个国家和地区4454位CEO的调查中，56%的人说迄今没有从AI中看到显著的财务收益；麦肯锡2026年8月发布的全球调查里，80%的受访者说AI提高了自己的工作效率，但只有37%的组织报告AI对息税前利润有正向贡献，和上一年基本持平。

这两组证据并不是同一种测量，一个是在真实企业里分批上线工具后测得的任务效率，一个是企业自报的财务结果，中间还隔着时间滞后。经济学家布林约尔松（Erik Brynjolfsson）等人提出过“生产率J曲线”：人工智能这类通用技术在早期需要大量无形的配套投入，这些投入在国民账户里很难计量，于是早期的生产率增长会被低估，等配套投入开始见效，又会被高估。所以这里的落差，有一部分可能只是时候未到。

不过NANDA报告对原因的判断，和总轴的故事对得上。报告认为问题主要出在AI和组织的日常运作接不上：工具不能从反馈里学习，也嵌不进人们真实的工作方式。模型本身的好坏，倒是次要的。

更有分量的证据来自上一轮技术浪潮。2002年，布雷斯纳汉（Timothy Bresnahan）、布林约尔松和希特（Lorin Hitt）用美国企业的详细数据检验了信息技术和组织方式的关系，发现信息技术与一种新的工作组织形式互为补充：一线员工的职责更宽，决策更分散，团队更多地自我管理。技术和组织改造一起推进，生产率效应才显著。这几乎就是计算机时代版本的单机驱动。

认知劳动稀缺，是一根看不见的轴

19世纪工厂的总轴源于一个物理约束：动力稀缺，而且只能集中产生。现代组织面对的是另一个约束，懂行的判断、专业的分析、准确的写作，都要靠昂贵而有限的人来完成。于是组织围绕“怎么分配有限的人类判断力”来设计。

好的判断稀缺，决策权就集中到少数人手里，信息一层层往上报，指令一层层往下传。一个人学不会所有东西，就把一件事拆成几个岗位接力，每个交接点都会产生等待、误解和信息损耗。人的注意力有限，决策就攒起来批量处理，于是有了周会、月报、季度规划和年度预算，整个组织按同一个节拍转，很像总轴上同速的皮带。部门的预算和话语权往往跟人头挂钩。知识散落在文档、邮件、会议纪要和人的脑子里，人读得懂，机器却很难调用。

在认知劳动稀缺的世界里，这些安排合情合理。可一旦AI让大量认知工作变得便宜、随叫随到，它们就开始拖后腿了。

三个阶段

对照电气化，企业用AI的方式大致可以分成三个阶段。

第一个阶段相当于换动力源：给员工配上聊天助手和编程copilot，流程和组织不动。单个任务确实快了，省下来的时间却常被交接、等待和审批吃掉。这和当年用个人电脑模拟终端差不多，工具很强，用法很旧。我估计今天大多数企业都停在这里。

第二个阶段相当于成组驱动：把某个部门或某一段流程整体自动化，比如客服、代码审查、合同初审、报告生成。局部指标会明显好看，上下游却没跟着变。运营管理里有个老规律，在非瓶颈环节提速，整个系统的产出不会增加，只会让瓶颈前面堆起更多半成品。客服回复快了，退款还要走三级审批，客户的体验不会有本质变化。

第三个阶段才是单机驱动：以AI为基本单元，重新设计工作流程和组织边界。要问的问题变成了“如果认知劳动几乎免费，这件事本来该怎么做”。可能的样子是，一个小团队带着一组agent端到端负责一件事，取代跨部门的接力；决策权下放到离问题最近的人，因为分析和信息准备已经不稀缺了；问题出现就处理，不必等周会；团队按结果考核，不按人头。

调查数据也指向这个方向。麦肯锡2026年的调查里，只有约6%的组织能把5%以上的息税前利润归功于AI，这些“高绩效者”中近四分之三从根本上重新设计了工作流程，其他组织只有约四分之一。NANDA报告也发现，少数拿到回报的企业把实施权交给业务负责人和一线管理者，同时保留问责。这两项都是横截面调查，证明不了因果，但方向和总轴的逻辑一致。

这根轴也不好拆

电气化时代拆总轴，难在沉没成本、配套设施和劳动力。今天这三样都还在，只是换了形态。

沉没成本从厂房变成了组织资本。岗位体系、审批流程、IT系统、考核制度，都是多年投入攒下来的，还能用，推倒重来的代价一目了然，收益却说不清。配套设施从电网变成了数据和系统：数据能不能被AI读到，系统之间通不通，权限和合规规则清不清楚，模型能不能在具体业务里持续学习。很多公司的数据散在几十个系统和无数人的邮箱里，AI再强也无从下手。

劳动力的问题更尖锐。1920年代的新工厂需要能快速学会新流程的工人，今天的新组织需要能定义问题、判断AI输出、并为结果负责的人，也需要会带人机混合团队的管理者。激励机制更麻烦：部门的权力和预算如果跟人数挂钩，一个真正有效的AI方案，在部门负责人眼里首先可能是威胁。

还有一个电气化时代没有的难题，责任归属。电机转反了，谁负责一清二楚；AI给出一个错误判断，该谁负责？这个问题有制度性答案之前，很多企业会本能地在AI后面再加一道人工审批，等于把总轴又装了回去。

一张诊断表

下面这张表，可以用来对照自己的团队处在哪个阶段。

维度	阶段一：换动力源	阶段二：成组驱动	阶段三：单机驱动
AI的角色	个人助手	某个环节的自动化工具	流程的基本组成单元
流程	不变	局部重组，上下游不变	从结果倒推重新设计
决策	集中，层层审批	局部加速，审批链不变	下放到离问题最近的人
节奏	周会、月报、季度规划	局部实时，整体仍按批次	连续运转，按需触发
衡量方式	使用率、节省的工时	环节指标（响应时间、处理量）	端到端结果（周期、质量、成本）
组织边界	按职能分部门	按职能分部门	按结果组织的小团队
瓶颈在哪里	员工的采纳意愿	未改造的上下游环节	人的判断力与责任机制

有个简单的自测办法：把你们在用的AI工具全部拿掉，组织结构图需要改吗？不需要的话，大概还在第一或第二阶段。

电气化的历史还提醒我们，单机驱动最先出现在新建的工厂里，后来者往往推进得更快。放到今天，从第一天就按AI原生方式搭起来的新组织，可能比改造中的老组织更早拿到收益。老组织也有新组织没有的东西：客户、数据、行业知识和信任。关键在于它们肯不肯在某个边界清楚的领域里，像建新厂那样从头设计一条流程，而不是处处给旧流程加装新电机。

下一篇换到我自己最熟悉的行业。药物研发的总轴是什么，AI在这个行业的表现，为什么几乎是“换了电机，没拆总轴”的翻版。

第三篇｜药物研发的总轴

先交代立场：我自己在这个行业创业，下面的判断难免带着从业者的偏向，读者可以自行打个折扣。

我的看法是，药物研发的总轴，就是那条从靶点到上市、分阶段接力、逐级把关的研发管线。过去十年，AI被装进了这条管线的几乎每个环节，局部确实快了，可决定一款药成败的那个判断，并不在这些环节里。

一座按阶段接力的工厂

把药物研发看成一座工厂，它的生产线大致是这样的：先找到一个与疾病相关、能被药物干预的靶点并验证它；再从海量分子里筛出能作用于靶点的苗头化合物；接着反复修改分子，把活性、选择性和成药性调到位；然后做动物实验、毒理和药代研究，申报临床；临床又分一期、二期、三期，依次检验人体安全性、初步疗效和确证疗效，最后审批上市。

每个阶段由不同团队负责，常常还分属不同公司：学术机构发现靶点，生物技术公司做早期研发，外包研究机构做实验，大药企买下项目推进临床。阶段之间是一次次交接，和一场场“进还是不进”的评审会。

这套管线有它的道理。实验又贵又慢，专家判断稀缺，风险只能分段控制，那就先用便宜的实验筛掉大部分候选，再把昂贵的资源压在剩下的少数上。在认知和实验资源都稀缺的年代，这是很理性的安排。

代价也摆在那里。一款新药通常要十年以上，进入临床的项目最终只有约一成获批。行业里还流传着一个“反摩尔定律”（Eroom’s Law）：1950年以来，每十亿美元研发投入换来的新药数量大约每九年减半，六十年间下降了约80到100倍。2010年前后这条下降曲线停了下来，此后大致走平，但研发效率低下仍是行业的共识。

和工厂的总轴一样，这条管线也在塑造它承载的一切。项目只能串行推进，前一段不结束后一段不开始，每个出口都守着一道门，整体速度由最慢的环节和最保守的评审决定。每个阶段都在优化自己的指标，化学家盯活性和成药性，毒理团队盯安全性，临床团队盯入组和终点，每一段都做得很好，却没有哪一段直接对“这个药最后能不能治好病人”负责。项目失败了，原因往往留在某份内部报告里，很少回流到上游，下一次选靶点很难从中学到什么；放到全行业，阴性结果大多根本不发表。数据随时在产生，决策却要等季度评审会。

AI装在了哪里

AI几乎进入了管线的每一段：靶点预测、蛋白结构预测、分子生成、虚拟筛选、ADMET性质预测、临床试验设计和患者招募，每一段都有令人振奋的加速故事。要判断整体效果，得看管线出口的数据。

2024年，波士顿咨询公司的研究者在《Drug Discovery Today》上发表了第一份系统分析，统计了AI原生生物技术公司的临床管线。2015年以来，这些公司及其合作药企共有75个AI发现的分子进入临床。截至2023年底，已完成一期临床的24个分子里，21个成功，成功率在80%到90%之间，而行业历史水平大约在40%到65%。已完成二期的10个分子里，4个成功，约40%，与行业历史上30%到40%的水平相当。

这些数字要谨慎看待，作者自己也反复强调这只是初步分析。二期只有10个分子，4比10的统计不确定性非常大，95%置信区间大约从12%到74%。更要紧的是，作者逐一查看后发现，二期没有继续推进的6个分子中，只有2个是因为试验数据阴性，另外4个是出于商业优先级调整、临床执行困难等原因停下的。也就是说，这组二期数据几乎说明不了AI分子的疗效究竟如何。一期的高成功率可能部分来自选择效应，早期的AI公司往往挑选验证更充分的靶点；作者认为这解释不了全部差异，但也无法排除。他们还做了一个思想实验：如果一期和二期的成功率保持这个水平，一个分子走完全部临床阶段的概率会从5%到10%提高到9%到18%，研发效率近乎翻倍。需要说明的是，这几位作者来自一家为药企提供咨询的公司，研究也由该公司资助。

即便只把它当早期信号，这组数据的结构也值得琢磨。一期临床主要检验安全性和药代动力学，考的是分子本身的性质：毒性可不可控，能不能在人体内达到合适的浓度。这恰恰是AI最擅长的东西，可计算、可预测、有大量历史数据可学，一期数据上的优势也最清楚。二期检验的是疗效，作用于这个靶点到底能不能改善这种病。行业历史统计中，二期失败有一半以上是因为疗效不足，而疗效在很大程度上取决于管线最上游的那个决定：靶点和生物学假说对不对。

AI已经证明自己能把分子做好，药物研发真正的瓶颈却在“选对问题”。前者可以在一个阶段内部闭环优化，后者的对错要等五到十年，到二期数据出来才揭晓。AI也在向上游走：2023年，涉及AI发现靶点的分子已占这批临床管线的三成以上，我们能确认的、针对全新靶点并已通过一期的分子至少有三个。但AI能不能帮我们迈过疗效这道关，现有数据还回答不了。

在非瓶颈环节提速，系统的产出不会增加。分子设计得再快再好，如果它作用的靶点本身不对，照样会在二期倒下，只是倒得“干净”一些。

为什么这根轴格外难拆

套用第二篇的三个阶段，制药行业的第一阶段是给科学家配AI助手，查文献、写报告、写代码，个人效率涨了，流程一点没变。第二阶段是在某个环节部署AI平台，生成式化学、虚拟筛选、AI驱动的外包服务，这是如今的主流，也是多数AI制药公司的商业模式。有个现象值得多想一步：大药企和AI公司的合作，大多按管线阶段设里程碑，AI公司交付一个临床前候选分子，拿一笔里程碑款，项目随后进入药企原有的开发体系。这种合作结构本身就在加固旧的总轴，AI公司成了一台接在旧轴上的新电机。至于第三阶段，围绕新的基本单元重新设计研发流程，在行业里还很少见。

药物研发的总轴格外难拆，除了第二篇说的那些原因，还多出几层。一部分总轴是法定的，临床分期和临床前规范属于监管体系，不能也不该随便拆，能重新设计的空间主要在临床前和临床设计环节。实验有物理瓶颈，计算可以瞬间完成，细胞却要按自己的节奏长，AI能减少要做的实验，没法让一个实验更快出结果。商业模式建在管线上，授权交易、里程碑付款、按阶段估值的融资，整个行业的金融结构都按管线阶段给资产定价，不按阶段组织的研发连估值都成问题。数据被切碎在各阶段、各公司之间，格式各异，阴性结果大多不公开，AI能学到的往往只是管线中的一段。评价体系也在奖励管线的长度，很多团队的考核看项目数量和推进到第几期，很少看背后的假说有多可靠。

单机驱动之所以带来飞跃，是因为工厂从此可以围绕工序来组织。换到药物研发，问题就变成：当分子设计、数据分析和文献推理都不再稀缺，研发流程该围绕什么来组织？我的答案是假说，这是最后一篇要谈的。

第四篇｜拆总轴之后

这一篇写的是我对拆掉研发总轴之后的设想，也是我们自己正在押注的方向，所以它既是观察，也是立场。

简单说，我认为下一种研发组织应该以假说为基本单元，让计算和实验紧密闭环，把最上游、最关键的那个判断提前拿出来，低成本地反复检验。

从分子到假说

单机驱动的实质，是换掉了工厂的基本单元，从“一根轴带一群机器”变成“一台电机带一台机器”。基本单元变了，布局、流程和管理才会跟着变。

药物研发现在的基本单元是分子。管线里流转的是分子，评审会讨论的是分子，交易买卖的也是分子。我说的假说，是一个能被证伪的生物学陈述，比如“在某一类患者中，干预某个靶点能逆转某种疾病表型”，分子只是检验它的工具之一。围绕分子组织研发，核心问题是怎么把这个分子做好；围绕假说组织研发，核心问题就成了怎么最快、最便宜地发现这个假说是错的。

这个方向有证据可依。2015年的一项研究估计，有人类遗传学证据支持的药物机制，从临床走到获批的成功率大约是没有这类证据的两倍；2024年发表在《自然》上的更新研究把这个倍数定在2.6倍，而且这种优势主要体现在二期和三期，也就是检验疗效的阶段。在分子诞生之前把假说检验得扎实一些，能直接改变最后的成功率。

单机驱动式的研发会是什么样

对照单机驱动给工厂带来的变化，可以大致想象一个拆掉了总轴的研发组织。

工厂从多层堆叠变成单层流水线，研发则从串行接力变成闭环迭代：计算提出假说，实验快速检验，结果马上回流修正模型，一个循环以天或周计，而不以阶段计。系统的速度由学习循环的周期决定，最慢的那次评审会不再说了算。

重心会从“做好分子”挪到“尽早证伪”。与疗效相关的证据要尽量前移，用更接近人体的实验体系，比如患者来源的细胞、类器官、功能基因组学实验，在投入大量化学资源之前，先看这个假说在人体相关系统里站不站得住。二期临床要回答的问题，应该尽可能在上游就被部分回答。

失败的性质也会变。单机驱动让一台机器出故障不再拖垮全厂；在新的研发组织里，每个被证伪的假说、每个阴性实验结果，都应该回流到模型和知识库，让下一个假说更好。旧管线里，失败是要尽快忘掉的沉没成本，到了新组织里，失败就是训练数据。

组织形态上，一个小团队加一组AI系统，从假说生成一路负责到关键验证，不必在五个部门之间接力，决策在数据出来的时候就做。衡量方式也随之改变：旧管线看项目数量和推进到第几期，新组织更该看检验一个假说要花多少钱、一个学习循环要多久，以及最终进入临床的假说有多大比例被证明是对的。

这个设想可以被检验，也应该被检验。如果它成立，以假说为中心、在上游经过充分证伪的项目，二期临床的疗效成功率应当明显高于行业基线。这需要几年的数据和足够的样本，但它是这个论点最终要过的那道关。

新厂和旧厂

电气化的经验是，单机驱动先出现在新建的工厂里。药物研发大概也一样，AI原生的研发组织可以从第一天起就围绕假说和闭环来设计，没有旧管线的包袱。新厂的短板也很明显：缺临床开发能力，缺大规模患者数据，缺走完整个研发周期的资金和经验，这些恰好是大药企手里有的。

所以我觉得比较现实的路径，是在一个边界清楚的领域里，比如一个疾病方向或者一个早期发现单元，像建新厂那样按新逻辑搭一条流程，跑通了再扩展。大药企把研发体系推倒重建不现实，AI公司单独走完全程也不现实。比起在旧管线的每一段加装AI，这样更有希望看到系统层面的回报。

当年的日本没有先行者的包袱，电气化反而做得更彻底。今天那些旧管线积累较少、实验执行又快的研发生态，有没有机会跳过“换电机”这一步，值得观察。

这个论点的边界

类比有它的极限。电气化的收益很大一部分来自物理层面，省掉了传动轴、皮带和加固的厂房；药物研发的根本瓶颈却是生物学知识本身。我们对很多疾病的理解还有大片空白，AI模型擅长在已有数据范围内插值，面对真正未知的生物学未必靠得住。重新设计组织，能让我们更快发现自己错了，但不保证一定找得到对的答案。

实验的速度也有物理上限。闭环再紧，细胞还是按自己的节奏长，动物实验和临床试验都需要时间，AI能让我们少做实验，没法让生物学加速。有些总轴则是在保护病人，临床分期和监管审查并非效率低下的遗留物，要拆的是研发的组织方式，安全底线不在其列。

历史也不会简单重复。1920年代的爆发，靠的是电机、工厂布局、劳动力市场、电价和宏观投资环境同时到位，戴维本人一再提醒，不能拿历史的相似去预测未来的具体路径。AI的收益会不会像电气化那样最终集中释放，没有任何保证。药物研发的周期本来就长，我们目前的判断对不对，也要等时间来验证。

你的总轴在哪里

回到电机。它替代了蒸汽机，但真正改变工厂的，是“集中分配动力”这件事从此不再必要。AI正在替代大量认知劳动，它最大的影响，也许是让“围绕稀缺的人类判断力来组织一切”变得不再必要；在药物研发里，可能是让“按分子分阶段接力”变得不再必要。

所以对一个正在引入AI的组织来说，比“该用哪个模型”更值得花时间的问题是：我们的总轴是什么，它当初是在什么约束下建起来的，这个约束今天还成立吗？

参考文献

第一篇

1. Paul A. David. The Dynamo and the Computer: An Historical Perspective on the Modern Productivity Paradox. American Economic Review, 80(2), 1990.
2. Paul A. David & Gavin Wright. General Purpose Technologies and Productivity Surges: Historical Reflections on the Future of the ICT Revolution. In The Economic Future in Historical Perspective, Oxford University Press, 2003.
3. Warren D. Devine Jr. From Shafts to Wires: Historical Perspective on Electrification. Journal of Economic History, 43(2), 1983.
4. IEEE. Milestones: Pearl Street Station, 1882.

第二篇

5. Erik Brynjolfsson, Danielle Li & Lindsey Raymond. Generative AI at Work. NBER Working Paper 31161, 2023.
6. MIT Project NANDA. The GenAI Divide: State of AI in Business 2025. 2025（报道见 Fortune）.
7. PwC. 29th Global CEO Survey. 2026.
8. McKinsey & Company. The state of AI in 2026: On the road to ROI. 2026.
9. Erik Brynjolfsson, Daniel Rock & Chad Syverson. The Productivity J-Curve: How Intangibles Complement General Purpose Technologies. American Economic Journal: Macroeconomics, 13(1), 2021.
10. Timothy F. Bresnahan, Erik Brynjolfsson & Lorin M. Hitt. Information Technology, Workplace Organization, and the Demand for Skilled Labor: Firm-Level Evidence. Quarterly Journal of Economics, 117(1), 2002.

第三篇

11. Madura K. P. Jayatunga et al. How successful are AI-discovered drugs in clinical trials? A first analysis and emerging lessons. Drug Discovery Today, 29(6), 2024.
12. Jack W. Scannell et al. Diagnosing the decline in pharmaceutical R&D efficiency. Nature Reviews Drug Discovery, 11, 2012；2010年后的趋势见 Scannell 为经合组织撰写的 Eroom’s Law and the decline in the productivity of biopharmaceutical R&D, 2023.
13. John Arrowsmith. Phase II failures: 2008–2010. Nature Reviews Drug Discovery, 10, 2011（报道见 Fierce Biotech）.
14. John Arrowsmith & Philip Miller. Phase II and Phase III attrition rates 2011–2012. Nature Reviews Drug Discovery, 12, 2013.
15. Richard K. Harrison. Phase II and phase III failures: 2013–2015. Nature Reviews Drug Discovery, 15, 2016.

第四篇

16. Matthew R. Nelson et al. The support of human genetic evidence for approved drug indications. Nature Genetics, 47, 2015.
17. Eric Vallabh Minikel et al. Refining the impact of genetic evidence on clinical success. Nature, 629, 2024.