Douglas Engelbart 常被記成「發明滑鼠的人」。但如果只記得滑鼠，我們其實錯過了他最重要的發明。
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 已經把問題說得很清楚：
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。
他提出的 H-LAM/T framework，把實際 problem-solving capability 看成一個 compound system：
- Human — 人本身；
- Language — 我們用來表示問題的語言、符號、概念；
- Artifacts — 紙筆、電腦、介面、軟體等外部工具；
- Methodology — 我們解題、協作、研究、決策的方法；
- Training — 人如何學會熟練使用前面這些東西。
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 還有一個我特別喜歡的想法：bootstrapping。
一般團隊有兩種工作：
- 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。
這讓 bootstrapping 第一次可以被大規模加速。
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
- Douglas C. Engelbart (1962). Augmenting Human Intellect: A Conceptual Framework.
- Computer History Museum. 1968 Timeline — The Mother of All Demos.
- Computer History Museum. Douglas C. Engelbart profile.
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
- AI 都會 coding 了，我為什麼還要學程式？ — 當 generation 變便宜，為什麼 understanding、debugging 與 verification 反而更重要。
- 第二大腦不是資料倉庫 — 從現代 knowledge tools 回到同一個問題：工具究竟有沒有讓新的 inference 更容易發生？
