制度规范第一性溯源以及 AI 时代重新思考

什么是制度规范？

制度规范：本身只是一种按照某种预先约定的方式（先验）划分职责和权益的手段，使用该手段目的不同可以带来不同的效益。

制度规范的效益

稳定性 Robustness

“大而不倒”。牛马是制度中的一颗螺丝钉。

担责。划分清楚事件的职权，出事有明确的追责划分；但预先划分的流程不一定是最高效率的（恶性 bug 急着修复但需要先申请工单），以效率换稳定性，只能适用于先验较为稳定的成熟业务。

• Thinking：很多人说因为 AI 不能担责，所以职位不能替代。但每个职位的工资价值定价中已经包含了产出和风险成本，比如“药物制度制定阶层的奖励/惩罚代价要大于企业贿赂的成本/利润”而不仅仅以“制定标准的专业知识”考量，硅谷工资也包含了竞业跳槽风险成本。如果 AI 能够降低风险发生概率，那么这部分成本支出会大大减少。AI 发展到一定地步，当然还需要人担责，但不需要那么多人担责。比如如果风险概率足够低，那么在合同中完全可以以 AI 提供商担保风险。

扩张性 Scaling

系统扩张关键节点局限性。复杂度分摊到子节点，降低中心节点复杂度，但增加整体系统复杂度；复杂度分摊到中心节点反之。

均摊复杂度。一个中心节点服务多个子节点的时候，即使某类事件是小概率事件，反馈到中心节点都会有很高频次。因此用额外的流程将小概率事件的复杂度平摊到每个节点之中减少中心节点复杂度。但对整体系统来说复杂度是增加、冗余的（边缘递减 scaling）。比如科研管理模式见过两种老师形态，一种是课题组集中大组会，另一种是每个项目单独开小组会 or 1 v 1 个人 meeting。大组会，不同同学方向不一致，很多时候并没有精力关心其他人的课题方向，是利好老板统一规划时间整理，但将复杂度均摊到了同学身上；而频繁小组会更利好同学，但让老板的时间碎片化更加辛苦。

• Question：为什么需要中心节点？业务需要在宏观进行操作，一种是将业务抽离统一可以降低成本，另一种是本身就必须在宏观层面进行，比如管理。

如果将 AI 置于系统的不同位置，

• Thinking：如果以 AI 作为中心化节点，中心节点的能力可以低边缘成本扩张。因此会打破以前复杂度分摊设计，将更多成本分摊到中心，进而使得系统冗余度更低，系统扩张线性更好。这方面应用比如 AI 客服较为落地；
• Thinking：现阶段很多垂直业务逻辑还不能以 AI 作为中心化节点，中心节点仍然是人，以这个视角系统核心瓶颈在人之上，反而是鼓励将更多复杂度分摊到子节点，以大量冗余的算力保证人更加轻松同时利好算力提供商。