The Shape of the Thing：AI 指数曲线·软件工厂·滚动颠覆（Mollick 2026-03）¶

Ch04.168 The Shape of the Thing：AI 指数曲线·软件工厂·滚动颠覆（Mollick 2026-03）¶

📊 Level ⭐⭐ | 12.2KB | entities/the-shape-of-the-thing-mollick.md

The Shape of the Thing：AI 指数曲线·软件工厂·滚动颠覆（Mollick 2026-03）¶

2026-06-07 引用自 Ethan Mollick《The Shape of the Thing》，One Useful Thing，2026-03-12。

AI 能力指数曲线¶

Mollick 用多个 diverse benchmarks 证明 AI 能力呈指数上升：

StrongDM Software Factory 案例¶

三人团队构建了完全不需要人类写代码或 review 的软件工厂：

规则： - "Code must not be written by humans" - "Code must not be reviewed by humans"

运行方式： - 人类提供产品 roadmap（未来功能规划） - Coding agents 用 roadmap 构建软件 - Testing agents 在模拟客户环境中测试软件（测试 agent 自己构建测试环境） - 两组 agent 互相反馈迭代 - 最终结果人类 review 后直接发给客户 - 无需任何人看代码

成本：每位 human engineer 每天约 $1,000 AI token 费用（相当于自身工资）。

详见 Simon Willison 和 Dan Shapiro 的第一手观察报告。

Rolling Disruption 模式¶

一周内的三个案例说明"rolling disruption"如何运作：

模式：AI 能力跨越阈值 → 突然改变人们对 AI 的认知 → 市场/就业/政策同步反应。

RSI：递归自我改进¶

主要 AI 公司明确将 RSI 列入路线图：

• Anthropic（Dario Amodei）：Davos 2025-01 解释用 coding + AI research 模型构建下一代模型；Anthropic 工程师几乎不再自己写代码
• OpenAI：2025-02 发布 Codex 时声明"第一个对自己创建有实质贡献的模型"
• Google DeepMind（Demis Hassabis）：所有主要实验室都在积极关闭 self-improvement loop

RSI 仍可能遇到瓶颈（算力/数据/研究难度），但它已不再是科幻——而是每个主要实验室的明确目标。

我们仍在窗口期¶

Mollick 的核心论点：我们可以看到 Shape of the Thing，但我们仍然可以 influence 它。

原因： - 我们还没有 AI 使用规则或 role model - 每个正在弄清楚如何用好 AI 的组织都在为其他人树立先例 - 塑造 AI 的窗口可能不会持续太久

关键引用¶

"The instability of that single week in February was a preview of what it feels like when the increasing ability of AI starts to interact with markets, jobs, and governments all at once."

"We can see the shape of the Thing now, but we can still influence the Thing itself, and what it means for all of us."

"Engineers within Anthropic barely write code themselves anymore."

相关主题¶

• Jagged Ai Frontier Mollick — Jagged Frontier / Bottleneck / Reverse Salient（Mollick 的能力地图框架）
• Co Existence Paradigm Shift Agentic Ai Mollick 2026 — Co-Existence 范式（Mollick 2026-06 更新，更激进的 agentic 叙事）
• Management As Ai Superpower Mollick — 管理作为 AI 超级能力（同一作者，delegation 方程）
• 原文存档

深度分析¶

指数曲线的含义：从"渐进"到"跨越"¶

Mollick 的多个 benchmarks 图表指向同一个结论：AI 能力不是渐进增长，而是在特定阶段出现跨越。^ 这与传统的 S 曲线技术采用模型不同——AI 的指数曲线是跨任务的统一现象，从图像生成到软件工程到复杂推理，都遵循同一轨迹。关键在于，这种指数增长不是自然规律，而是多个独立研发团队在相同方向上投入算力和数据的综合结果。当 METR、GPQA、GDPval、Humanity's Last Exam 全部呈现相似曲线时，指向的是系统性的技术进步而非个别突破。这意味着 AI 能力的提升不是靠某个天才的灵光一现，而是靠可复制、可预测的工程迭代。这让预测 AI 的发展轨迹变得比预测传统技术更"科学"——虽然具体时间点仍有不确定性，但曲线的形状是可以观察的。

StrongDM 软件工厂的组织创新含义¶

StrongDM 的实验意义不在于"AI 能写代码"，而在于它彻底重构了软件生产的组织形式。^ 传统软件工程依赖"人类写代码 → 人类 review → 人类部署"的线性链条，而软件工厂将人类退化为"产品 roadmap 提供者"和"最终结果 review 者"，中间所有环节都由 AI agents 自主完成。两组 agents（coding + testing）互相反馈迭代，形成自我纠正的循环，这实际上是某种形式的 continuous integration/continuous deployment (CI/CD)，只不过 pipeline 中的执行者从人类工程师变成了 AI 系统。成本结构也因此改变：每位 human engineer 每天 $1,000 AI token 的消耗与其工资相当，意味着 AI 的边际成本正在与人类劳动的替代成本趋同。这不仅是效率提升，更是组织结构的根本性重设计。

Rolling Disruption 的机制：能力阈值触发多维连锁反应¶

Mollick 观察到的一周内三个事件（Citrini Research 报告、Block 裁员、Pentagon vs Anthropic）看似独立，实际上共享同一机制：AI 能力跨越某个阈值 → 触发人们对"AI 能做什么"的认知更新 → 市场、就业、政策同时反应。^ 这种滚动的连锁反应比传统技术采用周期更快，因为 AI 的能力变化会直接影响信息传播速度和决策速度。华尔街可以在几天内对一份虚构报告做出大幅股价波动反应，说明市场对 AI 叙事的高度敏感性。Block 将 AI 作为裁员借口，则说明 AI 影响不仅来自实际能力变化，也来自社会叙事的变化。Pentagon vs Anthropic 的冲突则显示，AI 能力的增长正在将 AI 公司推向与政府政策直接对抗的位置。这三个维度——市场、劳动力市场、政策——会在 AI 能力继续提升时持续相互强化。

RSI 的真实含义：不再是理论，而是工程路线图¶

递归自我改进（RSI）在 2025 年之前更多是理论概念，2025 年之后成为明确工程目标。^ Dario Amodei 在 Davos 2025 的表述（用 coding + AI research 模型构建下一代模型）、OpenAI 称 Codex 为"第一个对自己创建有实质贡献的模型"、Demis Hassabis 确认所有主要实验室都在关闭 self-improvement loop——这些不是推测，而是公司战略陈述。关键是"关闭 loop"这个表述：实验室不是在探索 RSI 是否可能，而是在积极解决工程问题使 RSI 成为现实。如果 RSI loop 最终关闭，指数曲线会变得更陡，因为反馈循环会自我加速。这并不意味着一定会达到 AGI，但确实意味着 AI 能力的提升速度会持续超出大多数组织的预期和准备水平。

窗口期的本质：规则真空中的先行者优势¶

Mollick 强调"我们仍在窗口期"，核心论点是：我们还没有 AI 使用规则或 role model。^ 这意味着每个组织在 2026 年做出的 AI 采用决策，实际上都在为其他所有组织设定先例。Simon Willison 和 Dan Shapiro 观察 StrongDM 软件工厂后撰写的第一手报告，正在成为其他组织规划 AI 采用的参考框架。这种"规则真空"的状态不会持续太久——随着越来越多组织确立实践，行业标准会逐渐形成，先行者的实验会变成后来的规范。因此，2026 年的 AI 决策不仅关乎效率，也关乎标准制定权。早期采用者不只是"先用 AI 的组织"，而是"定义 AI 怎么用才算合理的组织"。

实践启示¶

立即行动：将 AI 采用视为组织能力建设，而非效率工具¶

大多数组织仍在将 AI 视为"提高效率的工具"，但 Mollick 的分析指向更深层的转变：AI 正在重塑组织结构和竞争规则。^ 实践建议：成立专门的工作组，系统性地映射 AI 能力边界与组织流程的匹配程度。不要仅关注"AI 能帮我做什么"，而是问"哪些组织结构会因为 AI 而变得过时"。StrongDM 的软件工厂不是效率提升项目，而是组织重设计实验。

监控能力阈值：建立 AI 进展的早期预警系统¶

Rolling Disruption 的特征是 AI 能力跨越阈值后产生的连锁反应。^ 实践建议：建立跨职能的 AI 情报小组，持续追踪 METR、GPQA、GDPval 等 benchmarks 的变化趋势，以及主要 AI 公司的产品发布周期。目标是提前识别"能力跨越"可能引发的市场、政策、组织反应，而非事后被动应对。订阅主要 AI 公司的发布说明、关注 METR 的定期更新，都是低成本的情报来源。

重新设计工作流程：以"无人类写代码/review"为假设前提¶

StrongDM 的两条规则（Code must not be written by humans / Code must not be reviewed by humans）代表了一种激进但可实现的组织设计。^ 实践建议：选择团队内一个具体的软件工程流程，尝试设计一个"零人类编写/ review 代码"的版本。即使不完全实施，这个练习也会暴露当前工作流程中对人类直接参与的隐性依赖，并揭示 AI 可以介入的节点。关键是改变问题框架：从"AI 能帮人类做什么"到"人类不在代码链中时系统怎么运转"。

参与标准形成：记录并分享你的 AI 采用实践¶

Mollick 强调每个正在弄清楚如何用好 AI 的组织都在为其他人树立先例。^ 实践建议：主动记录团队在 AI 采用过程中发现的有效方法和失败教训，通过内部 wiki、行业会议、博客等渠道分享。在规则真空期，实践者的经验会成为行业标准的基础。StrongDM 公开了软件工厂的技术细节，Simon Willison 和 Dan Shapiro 写了第一手观察报告——这些都成为全行业的参考资源。你组织的 AI 实验记录，可能是行业急需的参考资料。

为 RSI 做准备：评估现有流程的递归自我改进潜力¶

RSI 路线图已经明确（Anthropic/OpenAI/Google DeepMind 都在推进），这意味着 AI 能力的提升速度不会减缓，只会加速。^ 实践建议：盘点组织内哪些流程当前完全依赖人类判断，而这些判断本身可以被 AI 训练数据捕获和迭代。RSI 的核心是 AI 用历史数据改进 AI——如果你的组织在某些领域积累了大量高质量的过程数据，这些数据可能就是未来 RSI 系统的重要输入。主动建立高质量的数据 pipeline，就是在为未来的 RSI 竞争做准备。