The Overhang

编译摘要

核心结论 1：当前 AI 的重要约束之一不是模型能力不足，而是能力与典型使用之间存在巨大 capability overhang。
- 关键证据：Mollick 以 Zork 3D、Umberto Eco library reconstruction 和 Blender/video trailer 为例，主张现有模型在适当 harness 和指导下已经能完成原本需要跨研究、设计、编码团队数周的工作；他强调自己此前甚至不知道模型能操作 Blender。
核心结论 2：当生成变快变便宜后，人类优势从“亲自产出”迁移到四类输入：deep knowledge、wide knowledge、taste、agency。
- 关键证据：deep knowledge 用于识别 jagged frontier 与领域错误；wide knowledge 提供跨域模式和提示词汇；taste 负责选择/拒绝海量候选；agency 负责主动探索尚未被地图化的能力边界。
核心结论 3：即使 frontier 停止推进，已有 capability overhang 仍足以驱动显著组织和经济变化，因此 adoption / work redesign 是独立于模型训练速度的变量。
- 关键证据：文章明确说即使所有实验室明天停止训练新模型，也不会消除现有能力与使用之间的落差；真正可塑的是人机协作方式究竟增强还是替代人的努力。

关于能力案例的质疑：Zork、Eco library 与 book trailer 都是作者亲自挑选和迭代的展示性案例，不是随机任务样本；“weeks of human work”是经验估计，不能作为生产率 benchmark。
关于“massive overhang”的质疑：文章没有给出典型用户使用率、行业采用率或任务覆盖统计，因此只能支持定性存在，不能量化 overhang 大小。
关于四种优势的质疑：deep/wide knowledge、taste、agency 是作者的框架，不是互斥完备的能力分类；责任、所有权、关系与制度权限等其他人类优势没有被系统讨论。
关于不可替代性的质疑：作者明确拒绝画“AI 永远不会跨越”的亮线，因此四种优势应理解为当前有效的人机互补杠杆，而非永久人类专属能力。

与 Capability-Overhang 对标：既有页面把 overhang 放在 UI/产品暴露问题上；Mollick 把它扩大到工作层——能力已经存在，但组织、个人知识和探索行为尚未把能力转成结果。
与 Taste 对标：当生成供给增加，Taste 从“做得漂亮”转成选择机制：哪些输出保留、丢弃、重组，决定最终价值。
与 Judgment / agency 对标：domain expert 能判断 AI 何时越界，agency 则决定是否主动去测试未知边界；二者共同把“模型能力”变成“可用能力”。
综合判断：Capability Overhang 不只是产品设计债务，也是组织学习债务。模型能力、可用接口、领域知识、品味和主动探索任一项缺失，都会让可实现价值停留在潜能而非实际生产力。