Superlinear-Returns（超线性回报）
定义
超线性回报（Superlinear Returns）：表现与回报呈超线性关系——多做一分不是多一分回报，而是多一分"下次做得更好"的资本或"跨过门槛"的资格。来源：Paul Graham《Superlinear Returns》（2023-10）。是理解"为什么少数人/组织/发现获得远超投入的回报"的底层概念。
两个根本成因
PG 把所有超线性回报现象归约为两类成因，二者常叠加：
| 成因 | 机制 | 典型案例 |
|---|---|---|
| 指数增长 | "做得好→下次做得更好"的正反馈（复利） | 创业增长率、名声（粉丝带来粉丝）、细菌培养 |
| 阈值/台阶函数 | 跨过门槛收益突变（winner-take-all） | 体育胜负、定理证明、市场网络效应的先发卡位 |
两者互相强化：跨过阈值触发指数增长（胜方损伤更少→更易再胜），指数增长帮你跨阈值（网络效应市场中增长够快可封杀潜在对手）。
学习：同时具备两者的最重要案例
知识指数增长（懂越多越易学新东西），且含阈值（学会阅读后学其他快得多；突破知识边界可开出全新领域）。边界处的新发现给首探者"整个新领域的全部新发现"——Newton、Dürer、Darwin 皆如此。这引出 PG 的核心启发式：寻求会复利的工作、always be learning、跟着好奇心走（别只学已知有价值的，否则砍掉离群值）。
与知识库主线的接合
以下是本库基于该随笔与 AI 工作主题的综合推演，不是 Paul Graham 原文已经验证的 AI 结论：若 AI 使"学习/生产"本身也指数化加速，回报曲线的斜率可能进一步陡化；这也可能同时放大头部差距和降低部分进入门槛。实际方向取决于组织、技能与分发机制，不能由本页单一来源推出。
关键数据点
- 概念来源：Paul Graham (2023-10)
- 两成因：指数增长 + 阈值/台阶函数
- 回报表达式：若增长率正比于表现，回报正比于 p
前提与局限性
- 本文是规范性随笔，非实证研究；"组织重要性下降"是 PG 的意识形态立场（去机构化、个体主义），写于 2023 年 AI 爆发前，未纳入"组织被 Agent 重组而非消解"的变量。
- "超线性回报→不平等是自然的"是一步规范性跳跃：承认结果是结果，不等于承认它无需治理。
- PG 承认运气是必要成分，即其"跟着好奇心"处方不保证结果，只提升概率。