Douglas Engelbart 真正重要的不只是滑鼠:他想升級的是人類解決問題的能力

Engelbart 常被記成「滑鼠之父」,但他的研究計畫更大:擴張人類解決問題的能力。

Douglas Engelbart 常被記成「發明滑鼠的人」。但如果只記得滑鼠,我們其實錯過了他更大的研究計畫。

1968 年 12 月,Engelbart 和 SRI 的團隊做了一場後來被稱為 Mother of All Demos 的展示。

螢幕上出現了今天看起來再普通不過的東西:mouse、hypertext、多人協作、視訊會議、共享畫面、互動式文字編輯。

如果把這段歷史只讀成「他比別人早發明很多 GUI feature」,其實還是看得太小。

因為六年前,在 1962 年的 《Augmenting Human Intellect: A Conceptual Framework》 裡,Engelbart 已經把研究焦點放在一個更大的系統問題上。用我的話重述,他的重點是:

真正要被設計的,不只是一台更好用的電腦,而是一套讓人能處理更複雜問題的能力系統。

滑鼠只是那個系統裡的一個 artifact。

Engelbart 真正想改造的,是人類如何理解、推理、協作,以及改善自己的工作方式。

他關心的不是「電腦能做什麼」,而是「人因此能做到什麼」

Engelbart 在 1962 年報告裡對 augmentation 的定義,本質上是 capability-oriented 的。

他關心的是:一個人是否能更快、更深入地理解複雜情境;能不能找到更好的解法;甚至能不能處理原本複雜到根本無法有效處理的問題。

這個起點和今天很多 technology metric 很不一樣。

我們今天很容易問:

  • 任務快了多少?
  • 一個人現在能產出幾倍?
  • AI 幫忙完成了多少工作?
  • 點擊少了幾步?
  • 生成成本降了多少?

這些都可能重要。

但 Engelbart 會逼我們多問一層:

使用這個系統一段時間之後,人與團隊本身能不能解決以前解不了的問題?

人的能力,不只存在於腦中

Engelbart 最有力量的觀點之一,是他沒有把「智力」想成一個人腦裡固定的東西。

他把這套整體稱為 H-LAM/T:Human using Language, Artifacts, Methodology, in which he is Trained。也就是說,實際的 problem-solving capability 來自一個互相作用的 system,而不是單一工具:

  • Human — 人本身;
  • Language — 用來表示問題的語言、符號與概念;
  • Artifacts — 紙筆、電腦、介面、軟體等外部工具;
  • Methodology — 解題、協作、研究與決策的方法;
  • Training — 讓人能有效運用前述語言、工具與方法的訓練。

這個模型直到今天仍然很激進。

因為科技產業很容易只改其中一格:Artifacts。

新的 app。新的 model。新的 agent。新的 button。新的 interface。

然後我們期待人的能力自然提升。

但真正的能力提升,通常需要整個 system 一起改變。

為什麼 Git 不只是一個 version-control tool?

可以用一個不是 Engelbart 原始案例、但很適合今天理解他的現代 analogy:Git。

Git 的價值不是只有 repository format 或 commands。

它和 branching、commit、diff、merge、review、rollback 這整套 shared vocabulary 與 collaborative practice 一起工作。

真正產生能力的,不是一個 executable file,而是:

artifact + language + method + training + social practice。

Spreadsheet 也一樣。

它不是因為「把紙表格搬到螢幕」才強大,而是因為人逐漸形成 formulas、models、scenarios、what-if analysis 這些新的工作方法。

這正是 Engelbart 式問題的力量:

不要只問工具多了什麼功能;問它有沒有創造新的 problem-solving capability。

1968 那場 demo 真正展示的是一個工作環境

Computer History Museum 對 1968 demo 的記錄裡,可以看到 NLS 展示 collaborative editing、videoconferencing、word processing、hypertext,以及 mouse 等互動技術。

把這些 feature 分開看,每一個都很驚人。

但把它們合在一起看,更重要的是:Engelbart 正在嘗試打造一個 integrated intellectual work environment。

人不只是「使用一個工具」。

他們在新的 representation、navigation、communication 與 collaboration environment 裡工作。

這也是為什麼把他的 legacy 壓縮成 mouse inventor story 會有點可惜。

Mouse 是成功進入大眾市場的 artifact。

但 Engelbart 的問題是更大的:

我們能不能工程化地提升人類共同處理複雜問題的能力?

Bootstrapping:最有 leverage 的工作,是改善「改善能力」本身

Engelbart 後來把這套思考發展成更明確的 bootstrapping / ABC organizational improvement model:除了做核心工作,還要改善做事的方法,甚至改善「我們如何改善做事方法」本身。

可以先把它簡化成兩種工作:

  • 做事情;
  • 改善做事情的方法。

Engelbart 再往上一層:

我們能不能改善「我們改善工作方式的能力」?

可以把它簡化成:

work
↓
observe how we work
↓
find bottlenecks
↓
redesign tools / language / methods
↓
work better
↓
improve the improvement loop itself

這是一個 recursive improvement system。

它和今天 AI-native organization 的關係非常直接。

AI 讓 Engelbart 的問題重新變得 urgent

今天的 AI agent 已經可以:

  • 讀 issue history;
  • 分析 code review;
  • 整理 incident reports;
  • 總結 research notes;
  • 找 recurring friction;
  • 修改 workflow;
  • 生成 documentation;
  • 甚至協助建立下一個 tool。

這些能力讓 bootstrapping 裡的觀察、整理、比較與改進循環,有機會用更低的協調成本反覆進行。

但也帶來一個新的風險。

如果 AI 默默修掉所有問題、替團隊改寫流程、幫忙做掉所有 diagnosis,最後可能發生一個奇怪的結果:

system 變得更有效率,但人愈來愈不知道它為什麼有效。

這和我前面幾篇談的 Performance ≠ Learning、Generation speed ≠ delivery truth 是同一條 deeper pattern。

AI 可以提高 assisted performance。

但 augmentation 要求的是:human–AI system 的能力提高時,人與組織仍然保有理解、判斷、重新設計與接手的能力。

Automation 和 Augmentation 不是簡單的二選一

這裡需要一個重要邊界。

Engelbart 的思想不應被簡化成「automation 壞、augmentation 好」。

很多 automation 完全可以成為 augmentation system 的一部分。

例如自動化 repetitive work,可能讓人把 attention 留給更重要的 judgment;自動化 retrieval,可能讓團隊能處理更大的 information space。

真正要問的不是某一步有沒有被 machine 完成,而是整體效果:

  • 人能不能處理更複雜的問題?
  • shared representation 有沒有變好?
  • decision rationale 是否更可檢查?
  • failure 能不能變成 collective learning?
  • 團隊有沒有形成新的 vocabulary 與 method?
  • 使用者是否仍知道 system 如何運作、何時不該相信它?

如果答案只有「我們現在做得更快」,那也許是 productivity gain。

它可能很有價值。

但 Engelbart 會要求更高的證據,才把它叫做 augmentation。

一個 Engelbart 式的 AI 產品評估問題

如果今天要把 Engelbart 的 vision 壓成一個產品問題,我會用這句:

使用這個 AI 產品一年之後,使用者能不能解決以前解不了的問題,而且更知道自己是怎麼做到的?

這個標準比「省多少分鐘」、「完成多少 tasks」、「生成多少內容」都難。

但它也更接近 Engelbart 原本想解的問題。

真正好的 AI system,不只讓人做得更多。

它應該幫助人建立:

  • 更好的 representations;
  • 更清楚的 reasoning traces;
  • 更成熟的 shared vocabulary;
  • 更強的 problem-solving methods;
  • 更好的 collective learning loops。

也就是說:

不是只讓 machine 變得更聰明,而是讓 human–machine system 變得更有能力。

為什麼這場電腦革命還沒有完成?

我們今天確實擁有 Engelbart 當年難以想像規模的 computation。

滑鼠、hypertext、networked collaboration、視訊會議,早就成為日常。

但更深的一層問題仍然沒有結束:

電腦究竟是在替人完成更多事情,還是在擴張人類能理解、創造、協作與解決的問題空間?

AI 讓這個問題重新變得 urgent。

也許 Engelbart 最值得我們帶進 AI 時代的,不是某一個 interface invention。

而是一個更難的 North Star:

科技真正的成功,不只是 machine capability 上升,而是 human capability 也能一起 compound。

Primary sources

Boundary note:H-LAM/T、augmentation 與 Engelbart 的 1962 research program 有 primary-source foundation;Git、spreadsheet、AI-native organization 與「使用一年後的 capability」是本文用來翻譯這套思想的現代 analogy / design interpretation,不是 Engelbart 對今日產品的預言。

延伸閱讀

分享你的喜愛
子揚
子揚

曾子揚(Tzu-Yang Tseng / Alan),成大經濟系畢業,AI Product Builder。透過 Insightful Reading 探索 AI / computing、親密關係與學習,並把研究、產品實作、閱讀與寫作整理成清楚、可檢查、可使用的理解。

文章: 46