新颖性瓶颈：理解 AI 辅助工作中人类努力规模的框架

我们提出了一个提炼人类-AI 协作机制的模型，称为新颖性瓶颈：任务中需要人类判断的比例创建了一个不可约的串行组成部分，类似于并行计算中的阿马尔定律。在该模型中，假设任务可分解为原子决策，其中一部分 $\nu$ 为“新颖的”（不在代理人先前覆盖范围内），且规格、验证和错误纠正每个都随任务规模而扩展。在这些假设下，我们推导出几个非显而易见的后果：(1) 人类努力不存在光滑的亚线性规模，它从 $O(E)$ 急剧过渡到 $O(1)$，没有中间规模类别；(2) 更好的代理人提高了人类努力上的系数，但并非指数；(3) 对于 n 个人类的组织与 AI 代理人，最优团队规模随代理人能力而减小；(4) 通过团队并行，墙钟时间实现 $O(\sqrt{E})$，但总人力成本保持 $O(E)$；(5) 生成的 AI 安全轮廓呈非对称性——AI 在前沿研究上受限，但在利用现有知识方面则不受限。我们表明这些预测与来自 AI 编码基准、科学生产率数据和从业者报告的观察结果一致。我们的贡献并非证明人类努力必须按线性规模增长，而是一个框架，识别新颖性比例作为 AI 辅助生产力的关键参数，并导出澄清——而非驳斥——关于智力爆炸和“数据中心里的天才之国”等常见叙事的后果。