一文看懂 Web3 等社会实验与 AI 等科学实验的区别

作者：Packy McCormick

来源： notboring.co

取得进展可能是困难的、混乱的、曲折的，重要的是，对于不同种类的产品，取得进展的速度和路径是不同的。今天的文章是我对两类产品的思考：科学实验和社会实验。

成功的科学实验产品显然推动了世界的前进；社会实验产品在短期内没有那么明显的好处，也更混乱，但我认为从长远来看，它们同样重要，尤其是与科学实验产品相结合时。

一些尖端科技产品是科学实验的结果，另一些则是社会实验的结果。

科学实验产品在早期面临着很多技术风险，将产品推向市场可能需要大量的时间和资金。但当一个产品最终客观上足够好时，他们面临的市场风险就会减少。发布前或发布时通常会有研究论文出来。想想人工智能、生物技术、能源、芯片和太空等。

社会实验产品面临的技术风险较小，可以在几个月而不是几年的时间内进入市场，但一旦发布，就会面临与依赖人作为产品关键组成部分相关的非常现实的风险。这些产品进入市场时已经部分成型，并与他们的用户一起发展。想想 web3、社交媒体和市场等。

这是非常明显的区别之一，但当我通过这个框架看世界时，我明白了很多东西。我们经常把所有东西都归到“技术”，这导致了一堆困惑。

最近，随着加密货币的下跌和人工智能的飙升，这种困惑一直是人们关心的问题。

对于人工智能这个科学实验来说，什么都没有，什么都没有……然后砰的一声，一只完全成形的蝴蝶从蛹中出来。对 web3 这个社会实验来说，小小的燧石引发采用，而采用又塑造产品，什么都没有，有了一些，有了更多，再更多，“可能没有”。..... 然后砰的一声，一些出乎意料的事情发生了，一切又回到了原点。

社会实验产品是在公众视线中制造出来的，其中不可避免的起伏展示给世界看。科学实验产品是在私下形成的，并且在大多数问题都解决之后才进入公众的意识。当然，技术并不总是完美的。

但转眼间我们就从沉默变成了“这太神奇了”，现在 Stability AI 已经开源了 Stable Diffusion 等模型，OpenAI 也跟着开源了 Whisper。几乎每天都有新的东西。上周，谷歌旗下的 DeepMind 展示了一个可以发现矩阵乘法算法的人工智能。人工智能 AI。

值得注意的是，许多科学实验一旦进入市场就会失败，要么是因为它们还没有真正发挥作用，要么是因为它们为时尚早，要么是因为将实验扩展到商业水平很难。某种产品类别可能在技术上或经济上长期不可行，即使研究人员的工作预期是，当成本曲线达到某一点，或这种投入变得更便宜时，一切都会水到渠成。有些公司有点过于兴奋，在科学或经济学还没有完全正确的时候就急于入市。

虽然个人的努力经常会失败，但他们进行的实验会推动这一类别向前发展，一项技术创新建立在下一项技术创新之上，直到有产品足够好或最终准备好进入市场。

从长远来看，人工智能等科学实验类别的进展是这样的：

这条线看起来有点像 s 曲线：缓慢增长，快速增长（AI 现在在这里），然后再次缓慢增长。这是一条永不下降的平滑线：一项新的创新为未来的产品奠定了新的技术基础。当所有的果汁都被榨干，需要一种新技术来触发新的曲线时，增长就会放缓。

从事科学实验的人受益于实验室的相对隐蔽性。他们可以修补、搞砸、继续修补、取得进步、后退十步，然后取得突破，所有这些都是在他们自己的隐蔽小天地里完成的。显然，私下修补面临自己的挑战——获得资金可能更困难，问题真的很难解决，死胡同经常出现——但在一天结束的时候，最大的问题有一个客观的答案：你做出这个了东西吗？

构建社会实验的人没有这样的奢侈。虽然技术发挥着重要作用——区块链、代币标准、零知识证明等等都是主要的技术创新——但人是产品本身的必要组成部分。人是混乱的、善变的、诡计多端的、浮躁的、易激动的，以及使我们成为人的所有其他美好品质。此外，大多数加密产品也是货币技术，而货币增强了所有这些人类属性。

这意味着，虽然构建社会实验的人可以私下对他们的技术进行修补，但他们无法在实验室里模拟完整的产品体验，并发布一个解决所有的问题完美产品。他们需要将产品发布到现实世界的公共实验室，然后顺其自然。

更糟糕的是，他们经常需要在产品功能出来之前进行宣传，因为他们需要在拥挤的市场中脱颖而出，吸引人们，这样产品才能真正实现他们最初认为它可能实现的功能。即使抱有最好的意图，最好的情况下它会被称为无用，最坏的情况下它会被称为骗局。

看看推特的早期（“我为什么要知道人们午餐吃了什么？”）以及所有关于 Clubhouse 的评论，一个小型初创公司的应用程序如此受欢迎，以至于成千上万的成年人为它的衰落欢呼，或者几乎所有的 web3 产品。所有的胜利和失败都在公众舆论的舞台上上演，导致整个类别出现了剧烈的波动。

这并不是要为真正的骗局开脱，称其为有趣的实验。相反，真正的骗局具有双重破坏性，因为他们伤害了自己的用户，并给善意的项目蒙上了阴影。

从长远来看，web3 等社会实验类别的进展是这样的：

这条线看起来更像过山车，有上升的趋势，但沿途有一些令人不适的下降。当事情看起来不错时，人们涌入，当事情不理想时，人们出来，任何技术都会发生这种情况，但当人们涌入时，产品本身就会变得更有用，而当人们出来的时候，产品就会变得不那么有用。附加资金和价格会放大这种效应。

社会实验将是混乱和坎坷的，这显而易见，人工智能已经明白了这一点，但每当这种混乱和坎坷在现实中真正发生时，我们会再次感到惊讶，想知道这种衰落是否意味着“X 的终结”。在绘制这些曲线的几天后，我将这篇文章的一些内容输入 GPT-3，它准确地预测了两条曲线的形状（GPT-3 的输出为绿色）：

GPT-3 是一项科学实验的结果，它依赖于数百万人过去无知觉的参与，这些人在互联网上发布的东西现在为模型提供了素材。然而，无论其他人是否使用，任何用户现在所拥有的单人游戏体验都是有价值的。事实上，如果我是世界上唯一一个使用 GPT-3 的人，它对我来说甚至更有用：你们都会认为我是一个超级天才机器人，可以产出大量非凡数量的好素材。

另一方面，如果一个神秘的超级程序员构建了一个技术上完美的区块链，它解决了可扩展性三难困境，永远不会崩溃，比 web2 基础设施更容易构建，但我是唯一使用它的人，它对我来说完全没有用。

梅特卡夫定律指出，一个网络的价值与使用它的人数成正比，对于需要建立网络效应的社会实验来说，这是两面性的。在早期阶段，让合适的人使用合适的产品是非常困难的，大多数网络企业失败都是因为这个冷启动问题。

这就是为什么炒作往往是社会实验产品的必要成分，也是为什么社会实验类别的进展看起来像是一堆炒作周期串起来的。

Gartner Hype Cycle的Y轴是能见度(Visibility)，而不是进度(Progress)，但由于社会实验产品需要用户为其提供价值，所以两者之间存在直接的关联。正如a16z在 《加密价格创新周期》 中所描述的那样，两者之间也存在间接关系，因为更高的价格会吸引更多的人来生产更多的产品。

在科学实验类别中，能见度与进度之间的关系几乎完全是间接的，但它是存在的。炒作和能见度吸引更多的人和资源，从而加快进度，降低成本，形成良性循环。这是S曲线的陡峭部分，也是为什么科学实验类别的实际进展看起来不像炒作周期堆叠(进展不下降，只是减速)，而更像是堆叠的S曲线：

这并不是说炒作不会影响公众对科学实验的看法。人工智能的成功并不取决于让很多人使用还不够好的聊天机器人；它取决于让相对少数的技术迷对进展感到足够兴奋，从而为了解决真正困难和重要的问题而不断取得进展。

现在世界上最酷的事情之一就是许多科学实验类别同时绽放，而且往往是相互协调的。除了人工智能，科技生物、机器人和可再生能源似乎都正在从实验室跳入现实世界，产品比人们预期的更好，成本结构比专家预测的更好。人工智能是真正有用和有趣的，而不是令人失望的。Moderna 在创纪录的时间内将基于 mRNA 的新冠病毒疫苗推向市场，挽救了数百万人的生命。现在，人工智能和生物技术正在以惊人的方式结合，比如 DeepMind 的 AlphaFold 和 Atomic AI。太阳能成本直线下降，开辟了新的用例和需求来源。

在相对隐私的环境下，经过一系列繁琐、艰难的工作后，这些产品显然非常有用，以至于采用它们正成为一件不需要考虑的事情。这是在商业化之前在实验室里安静地做科学实验的好处之一。

细心的读者可能会注意到，太阳能受益于学习曲线和莱特定律，成本和效率的提高是生产更多太阳能电池板的直接结果。所以采用很重要。对于任何企业来说，一旦它成为企业，采用是非常重要和必要的；这才是重点。一旦科学实验走出实验室，进入市场，它们通常会从规模经济中受益。

但采用并不像社会实验那样是产品本身。10 亿人购买太阳能电池板会使成本更快下降，并且使更快地接近物理极限的边缘成为可能，但这并没有改变科学。10 亿人相信比特币会直接让比特币更强大、更有用，而如果只有 10 个人相信比特币，它就不会这样。

社会实验的生存和死亡取决于网络效应，网络效应是为少数能到达另一边的社会实验预先处理所有人类混乱而获得的奖励。网络效应可以变得如此强大，以至于不管一家公司生产的东西有多糟糕，人们都会留下（比如 Facebook)。

但真正的网络效应是很难实现的。比特币和以太坊都是在非常安静的市场环境中起飞的，在非常小的第一和第二个加密周期中，从忠实信徒的核心开始，向外扩展。

这是教科书式的网络效应创造。从一个小领域开始，增加参与者之间的密度和联系，然后才开始添加相邻的网络。这在牛市中是很难做到的，当一群人急于做任何看起来有一点点希望的事情，就会稀释甚至毒害利基市场，特别是当 web3 产品被设计成开放和无需许可的时候。

我一直以 Farcaster 为例来说明什么是好的，因为我认为他们在多个方面做了很多非常聪明的事情，也许没有什么比这更聪明的了：将能够使用产品的人限制在志同道合的核心人群中。这让产品有机会尽可能地像一个科学实验，在关心产品的人的集体投入下，私下制造错误和修复错误。

在写这篇文章之前，我一直认为大型加密项目之所以会在熊市中建立，是因为只有真正在乎的人才会坚持下去，而且噪音和竞争更少。这是一部分原因。但我认为更重要的是，外部世界的完全缺乏兴趣，让社会实验尽可能地映射科学实验。

下一轮牛市的开始是缓慢的，在安静的实验室里酝酿的社会实验变得对人数不多但不断增长的群体足够有用，以抵御被创世空投吸引的那些人不可避免的冲击，并抵御炒作。

我希望将前沿技术分解为科学实验和社会实验，并观察它们各自的曲线。这篇文章只是一个起点——我们还没有讨论何时寻找什么指标——但至少，我们可以停止在 AI 和 web3 等技术之间做苹果和橘子的比较，并开始关注更有趣的部分，比如曲线可能重叠和相互加速的地方。

我们现在可能正处于人工智能这一阶段，开始模糊科学实验和社会实验之间的界限，特别是随着 Stability AI 决定开源其模型。

我还认为，人工智能将是 web3 的最终最佳用例。人们需要一种方式来拥有、许可并从他们的数据中受益。回顾过去十年左右的时间，如果我们把 web3 早期的所有失误和错误视为主要事件的必要实验，我不会感到惊讶。

虽然科学实验的好处通常看起来更直接、更明显——一种新的救命药物或更便宜的电力解决了明确的问题——但人类的独特性，以及我们首先解决困难科学问题的能力，来自于我们作为社会生物的协调和合作能力。民主是一场血腥、混乱的社会实验。

让我们变得混乱的东西也让我们变得神奇。社会实验和科学实验一样重要，即使它们会带来坎坷。