撕開AlphaFold的神話：這根本不是AI做出了科學，只是吃了幾十億堆出的數據紅利

真正的科學進步從來不靠“驗證閉環”。

編譯 | 王啟隆

出品丨AI 科技大本營（ID：rgznai100）

一個被寫進教科書的實驗，并不一定真能在當時改變世界觀；一個后來被證明正確的理論，也常常不是等到證據全部收口之后，才被科學共同體接受。

Dwarkesh Patel 在 2026 年 4 月 7 日更新的播客 Dwarkesh Podcast 里，對談量子計算與開放科學研究者Michael Nielsen，把當今科學史里最擰巴、也最容易被講得過分整齊的問題，重新翻了出來。

故事從邁克耳孫-莫雷實驗開始。按流行敘事，這場實驗幾乎像是直接終結了以太，并把愛因斯坦一步步推到了狹義相對論那里。可 Nielsen 提醒，真實歷史遠沒有這么直線：邁克耳孫本人很多年后仍然相信以太，洛倫茲和龐加萊已經摸到了一部分正確結構，卻沒有真正完成那次解釋躍遷，而更強的實驗驗證，往往要在共同體已經換了世界圖景之后，才慢慢補上來。

這讓人想到了AI 做科學最難的一層。現在很多人談科研自動化，都會自然想到“驗證閉環”——實驗、反饋、優化，只要這一套足夠密，科學似乎就能被不斷推進下去。但 Nielsen 反復指出，很多關鍵理論并不是等到驗證閉環徹底收口之后才被接受的；相反，它們往往是在證據仍然模糊、甚至帶有敵意的時候，被研究共同體先一步認出來。

Michael Nielsen 是一位因量子計算、開放科學和深度學習教材而被廣泛認識的研究者與寫作者，而 Dwarkesh Patel 則是近幾年最擅長把一個問題追到根上的科技播客主持人之一。兩人這次談的表面上是愛因斯坦、牛頓、達爾文、AlphaFold 和量子計算，真正追問的卻只有一個問題：人類到底是怎么認出“科學進步”正在發生的？

要點速覽

• 邁克耳孫-莫雷實驗并沒有像教科書敘事那樣直接“逼出”狹義相對論；它真正暴露的是，科學共同體經常要在并不徹底、甚至互相打架的證據里先做判斷。

• 科學進步沒有一套可復制、可程序化的統一流程。真正的瓶頸，往往出現在舊啟發式失效的地方。

• 達爾文的天才不只是“想到自然選擇”，而是把一個局部直覺做成了貫穿整個生物界的解釋框架；這也是為什么看似簡單的理論，并不真的容易被提出來。

• AlphaFold 的成功首先是一個實驗基礎設施與數據積累的故事，其次才是一個模型故事；這也讓“AI 算不算在做科學”變得遠比表面復雜。

• 對 AI 來說，難點不只在能否跑實驗，而在能否在長期含噪、敵意式、非清晰的反饋中維持多條研究路線并存。

• 科學如何前進，和研究共同體如何分配聲譽、個人如何真正內化知識，是同一件事的不同尺度。

為什么說科學進步常常跑在驗證閉環前面？

Dwarkesh Patel：今天我想聊的不是你在量子計算、開放科學、深度學習教材這些事情上的工作，而是一個更奇怪的問題：我們到底怎么識別科學進步？

這件事對 AI 特別重要，因為現在很多人都想閉合科學發現的強化學習驗證閉環。但我越準備這場對話，越覺得即使回頭看人類科學史，這件事也比我原來想得更神秘。

我想先從邁克耳孫-莫雷實驗和狹義相對論講起。因為教科書里的故事，和真實歷史，好像不是一回事。

Michael Nielsen：邁克耳孫-莫雷實驗通常被講成 19 世紀 80 年代那場著名實驗：它逼出了愛因斯坦后來的狹義相對論，從而改變了我們對空間和時間的理解。

但真實情況和這個流行敘事之間，有一個非常大的落差。邁克耳孫、莫雷以及同時代很多人理解這場實驗的方式，和愛因斯坦后來理解這件事的方式，并不是一條直線。愛因斯坦晚年甚至說過，他都不確定自己在提出狹義相對論時是否讀過那篇論文。即便他當時知道這篇論文，它對他的思考也遠不是決定性的。

邁克耳孫和莫雷真正想測試的，是各種不同的“以太理論”。如果追溯到 17 世紀，Robert Boyle 提出過一種想法：聲音是空氣中的振動，那光會不會也是某種介質里的振動？后來人們發現，聲音不能在真空里傳播，但光可以，于是“以太”就成了一個持續兩百多年的問題。

所以邁克耳孫-莫雷實驗本質上不是“證明以太不存在”，而是在不同以太理論之間做區分，尤其是測試所謂的“以太風”是否存在。實驗結果是，沒有測到以太風。這的確排除掉了一部分以太理論，但遠遠沒有排除全部，更重要的是，邁克耳孫本人后來一直都還相信以太。

Dwarkesh Patel：這正是我讀 Abraham Pais 那本《Subtle is the Lord》時最震驚的地方。我們平常聽到的版本都是：邁克耳孫-莫雷證明了以太不存在，于是物理學陷入危機，愛因斯坦用相對論解決了這個危機。

但你的意思是，這場實驗當時更像是在不同以太模型之間篩選，而不是一錘定音。

Michael Nielsen：對，而且這種差別非常重要。1887 年那次著名實驗之前，邁克耳孫 1881 年就已經開始做這類實驗了。后來他一生都在繼續做，直到 1920 年代末仍然沒有放棄以太。還有 Miller 這樣的人，到了 1920 年代還在高海拔上做實驗，試圖證明自己終于測到了以太風。

這說明一件事：科學史不是教科書里那種“一個實驗證偽一個理論，大家立刻換新理論”的故事。所謂證偽，在真實歷史里遠沒有那么干凈。你以為被證偽的是“以太”，可實際上也許只是某一種以太理論；另外一些版本還完全活著。

Dwarkesh Patel：而且你甚至不能從“某一種以太理論被打掉”直接推出狹義相對論。

Michael Nielsen：當然不能。后來洛倫茲已經寫出了參考系轉換的數學，也就是后來人們所謂的洛倫茲變換。但他對這套數學的物理解釋和愛因斯坦不同。他依然把它理解成相對于以太參考系的效應：長度收縮、時間膨脹，是物體在以太中運動時受到某種動力學影響的結果。

真正有意思的是，科學共同體往往會在更強驗證到來之前，就已經開始接受一種新的解釋框架。比如后來的 μ 子實驗，在 1940 年前后才真正更強力地顯示“時間膨脹”不是數學小技巧，而是某種物理實在。但相對論的共同體接受，顯然早于這個時間點。

所以問題來了：如果強驗證還沒完全到位，人類科學為什么還是會往前走？

Dwarkesh Patel：而且這里很吊詭的一點是，科學顯然確實會進步，但你又很難把這個進步過程說成一套預先寫好的流程。

Michael Nielsen：對，我其實很警惕“流程”這個詞。它暗示有一套事先設定好的步驟，好像大家都照那個流程行事。但真實世界不是這樣。你會看到洛倫茲、龐加萊、邁克耳孫這樣一流的科學家，在共同體整體已經開始轉向以后，仍然長時間留在舊圖景里。

沒有什么中央權威，也沒有一套中心化的方法，告訴大家什么時候該換世界觀。科學共同體的前進方式，比“流程”這個詞暗示的東西復雜得多。

Dwarkesh Patel：你剛才提到 Poincaré，我覺得這是個特別有意思的例子。洛倫茲是數學對了，但解釋錯了；Poincaré 似乎是某些概念也摸到了，但還是沒有真正把門踢開。科學史里總有這種“問題問對了，但最后一步沒走完”的案例。你覺得這里到底發生了什么？

Michael Nielsen：這種事你真得個案地看。Poincaré 非常驚人。他某種程度上已經理解了相對性原理，也幾乎理解了光速在所有慣性系中相同這件事。他離愛因斯坦用來推出狹義相對論的那幾塊拼圖，已經很近了。

但他還有一個多余的誤解：他把長度收縮理解成一種動力學效應，覺得好像粒子在運動中受了外力擠壓，才導致尺縮鐘慢。他沒真正跨到那個更激進的想法上——不是東西被“壓縮”了，而是空間和時間本身就和原先想的不一樣。

某種意義上，他可能是“知道得太多”了。既有知識、既有體系感，反而妨礙了他把舊圖景一下子整個扔掉。愛因斯坦這里做的，反而像是一種減法：不再往舊機制上補，而是直接說，空間和時間就是另一回事。

Dwarkesh Patel：這其實也讓我想到一個更大的問題。你看 Aristarchus 在公元前三世紀就已經提出日心說，但恒星視差直到 1838 年才被真正測到。也就是說，驗證閉環竟然拖了兩千年。

而且更奇怪的是，哥白尼的模型一開始既不更準確，也不更簡單。他甚至為了保住“勻速圓周運動”這種審美偏好，不得不加更多本輪。所以這不是一個“精度更高”或者“形式更簡”的故事。那人類憑什么提前知道哥白尼這邊更對？

Michael Nielsen：我沒有完整答案，但我覺得牛頓在這里給了一個很重要的線索。你先是用引力解釋了行星運動，但隨后同一套理論又解釋了地面上的拋物運動、月亮和太陽引發的潮汐。原本看起來彼此無關的三個現象，被一個框架打通了。

這種“統一性”的力量會讓一個理論顯得非常有說服力。也許它一開始不一定更準，但它開始把不同世界縫到一起。

牛頓為什么是“最后的魔法師”，這對 AI 有什么啟發？

Dwarkesh Patel：我很喜歡 Keynes 那篇講牛頓的文章。他那句名言是：牛頓不是理性時代的第一個人，而是最后一個魔法師。

我很想知道的是，牛頓在煉金術和天文學里，是不是在用同一套審美、直覺和啟發式？如果是的話，這些東西有沒有可能被遷移，甚至被編碼進 AI？

因為如果我們暫時做不出科學發現的驗證閉環，也許至少可以把“好品味”編碼進去。

Michael Nielsen：我覺得這里最關鍵的一點是：人類真正卡住的地方，恰恰是舊啟發式不再適用的地方。

因為人們本來就會把已經有效的方法學得很好、用得很好，所以他們不會老是在同一個地方摔跤。真正新的瓶頸，定義上就是原來的方法不再管用的地方。

所以如果你想把科學還原成一個可以不斷轉動的手搖曲柄，問題就在這里。你當然可以把一部分東西程序化，但每到真正重要的瓶頸處，那個曲柄就失效了。

你需要很多人去嘗試不同路徑。越難的突破，越意味著之前那套現成方法已經不夠了。也正因為如此，真正的突破一旦發生，才顯得那么驚人。

Dwarkesh Patel：也就是說，真正的難點不是把已有品味固化，而是遇到舊品味失效的時候怎么辦。

Michael Nielsen：對。量子力學就是典型例子。它之所以震撼，不只是因為它難，而是因為它逼你接受一整套和舊直覺完全不同的東西。進化論某種意義上也是如此，真正震撼的并不是“自然選擇”這四個字，而是這個機制居然能解釋那么多東西。

Dwarkesh Patel：所以如果真要把這套經驗遷到 AI 上，問題就不是“能不能把一套啟發式編成系統”，而是系統能不能在啟發式失效時還繼續往前走。

Michael Nielsen：對，這差不多就是問題的核心。真正困難的地方，定義上就是舊方法已經不再夠用了的地方。

Dwarkesh Patel：這也是我對達爾文最困惑的地方。1687 年牛頓發表《自然哲學的數學原理》，1859 年達爾文發表《物種起源》。直覺上，自然選擇似乎比萬有引力更容易想到。

Thomas Huxley 讀達爾文時甚至說過一句非常有名的話：怎么會沒早點想到這個？但沒有人會讀牛頓時產生這種感覺。所以到底哪里不一樣？

Michael Nielsen：我覺得達爾文最重要的地方，不是“想到自然選擇”本身。人工選擇這類想法，人類早就隱約知道了，至少動物育種者肯定長期知道其中一大塊。

達爾文真正的天才，在于他意識到這個機制對整個生物學有多核心。他把一個局部直覺，做成了一個能解釋整個生物圈的框架。他不是提出一個點子就停下，而是在《物種起源》里堆入大量證據、案例和推演，把它跟地質學、生物多樣性、環境適應這些問題全部焊到一起。

所以他的工作不是“想到了一個想法”，而是把這個想法做成了一個能站住的大解釋。

Dwarkesh Patel：我原本是從 Lucretius 開始想這個問題的。他在一世紀時就有一些看起來類似自然選擇的想法，可為什么這件事后來停了十九個世紀？

后來我才意識到，他那個版本其實和現代自然選擇差很多。他更像是設想世界早期有一次性的篩選，而不是持續發生的漸進過程，也沒有真正的生命樹概念。

還有一個重要背景是“深時間”。如果沒有 Lyell 那代地質學家把地球歷史的尺度拉開，進化論根本沒有時間容身。

Michael Nielsen：對，深時間很可能是關鍵阻礙之一。假如地球歷史只有幾千年，那進化論幾乎是不可想象的。你需要至少數千萬年、上億年的尺度，這個機制才變得站得住腳。

所以一個理論的出現，并不只是它在邏輯上能不能被想到，還取決于很多前提條件有沒有成熟。這也解釋了為什么看似“簡單”的想法，有時會被拖很久。

Dwarkesh Patel：而且達爾文主義還有一個很有意思的地方：它幾乎是被 Darwin 和 Wallace 同時獨立撞出來的。這意味著某些前置積木到了 19 世紀中葉，可能終于都到位了。

地質學帶來了深時間，殖民與航海擴展了生物地理學，化石記錄慢慢也在補全。似乎很多東西都要同時在場，這個理論才真正可能被提出。

Michael Nielsen：我覺得這個觀察很對。Lyell 和其他早期地質學家的工作，看起來確實是關鍵前提。至于是否還有別的阻礙、它原則上還能不能更早被提出，我沒有確定答案。但“這些條件必須到位一部分”看起來是高度可信的。

Dwarkesh Patel：所以一個理論“看起來很簡單”，和它在歷史上真的容易被提出，完全是兩回事。

Michael Nielsen：對。回頭看時，你很容易把很多必要前提都視為理所當然。但在那些前提還沒有出現之前，所謂“簡單理論”其實根本沒有落腳點。

AlphaFold 算不算科學解釋，AI 又能不能真的自動做科學？

Dwarkesh Patel：如果把話題拉回 AI，現在很多人都會拿 AlphaFold 當作一個標志性案例。你怎么看它？它到底是一個科學理論、一個科學解釋，還是別的什么東西？

Michael Nielsen：AlphaFold 當然是一個驚人的成功，但我想先給這個敘事降一點溫。

因為 AlphaFold 真正的底座，首先是蛋白質結構數據庫，是 X 射線衍射、核磁共振、冷凍電鏡，是幾十年實驗積累，是數十億美元級別的結構測定投入。換句話說，這首先是一個長期數據采集和基礎設施的故事，其次才是模型故事。

AI 那一層當然很厲害，但它只是整個成功故事的一部分。

Dwarkesh Patel：但哲學上還是有個問題。像廣義相對論這種理論，能推出很多它原本沒有被設計去解釋的現象，比如水星軌道近日點進動。而 AlphaFold 更像是一個一億參數的巨大系統，我們很難說它具備同樣的解釋外延。那這兩者是同一種“解釋”嗎？

Michael Nielsen：我覺得這里至少有三種可能。

第一種可能最保守：AlphaFold 不是經典意義上的科學解釋。按照傳統理解，真正的解釋應該自由參數盡可能少，形式盡可能簡潔，能解釋盡可能多的現象。AlphaFold 看上去明顯不是那種東西。

第二種可能是：它不是解釋本身，但它內部包含了大量可以被挖出來的局部解釋。你可以把可解釋性看成一種“考古學”，在模型內部發掘某些局部結構、規律和策略。像 AlphaZero 之于棋類，就已經隱約出現了這種情況。

第三種可能最激進，也最有意思：它其實代表了一種新的解釋對象。過去我們沒法對這種對象做太多事情，現在我們卻可以合并、蒸餾、正則化、對它做各種新操作。它不是經典理論，但它也不只是黑箱擬合。

Dwarkesh Patel：我的擔心是，如果我們只是讓模型不斷擬合觀察數據，它有可能只是在托勒密系統上越補越厚。它可能告訴你又發現了一個新的本輪，卻未必能跳到哥白尼或者愛因斯坦那種全局重構。

Michael Nielsen：這正說明，我們還沒有真正掌握怎樣和這類模型打交道。我們缺的是新的“動詞”。

比如你可以試著對模型施加約束，強迫它給出更簡單的解釋，或者問它能不能給你一個 90/10 版的說明。也許一開始它提供的是一個非常復雜、多參數的腳手架，但后來能在不斷蒸餾的過程中，把其中某種更有力量的結構逼出來。

Dwarkesh Patel：但我覺得難點在于，有些真正重要的理論躍遷不是局部簡化。比如從托勒密到哥白尼，或者從牛頓到愛因斯坦，你有時候需要做的是全局換框架。這不是簡單正則化就能自然完成的。

Michael Nielsen：對，所以你就必須問：什么東西會把研究程序逼到必須換框架？

從牛頓引力到廣義相對論，一個非常直接的強迫因素是：在狹義相對論里，因果影響不能超光速傳播，而牛頓引力卻是瞬時作用于距離。那它們之間就是根本沖突的。你一旦意識到這個沖突，舊解釋就不夠了。

然后你往往不會一步得到最終答案。你會先有很多中間態，很多不夠漂亮、不夠對的東西。最后完成時，理論才顯得優雅。但它并不是從第一天開始就這么優雅。

Dwarkesh Patel：所以如果我們認真想“AI 如何加速科學”，也許要區分兩類事情。一類是已知問題、局部優化，比如蛋白質折疊；另一類是像廣義相對論這種，需要長期保留多套研究程序、慢慢等強迫因素出現的東西。

你不能指望只把所有觀測喂給一個模型，然后希望相對論自己長出來。

Michael Nielsen：你說到一個很關鍵的點：必須長期維持多條研究程序并存。

歷史上有很多相似的例子。用牛頓理論解釋 Uranus 的異常，你最終找到了 Neptune，這是巨大成功。但幾乎同樣的思路拿去解釋 Mercury 的異常，人們發明了 Vulcan，卻找不到。你事先并不知道自己是在 Neptune 那一支，還是 Vulcan 那一支。

所以共同體必須允許很多看起來都合理的路線同時跑很久。研究多樣性在這里不是奢侈品，而是必要條件。

Dwarkesh Patel：這也是為什么我覺得“科學有緊密驗證閉環”這個說法其實很誤導。理論上實驗可以驗證，但相容理論其實永遠有無數個。你為什么后來會偏向那個“回頭看更對”的版本，這件事本身就很難形式化。

Lakatos 講過一個我特別喜歡的例子：Prout 在 1815 年提出一個假說，認為所有原子核的質量都應該是氫的整數倍。很多元素的原子量看上去確實接近整數，但也有一些像氯，測出來是 35.5。于是支持這套理論的人就不斷發明特設解釋：也許是雜質，也許是分數倍數。

后來人們發現，問題根本不在理論本身，而在于同位素混在一起，而同位素不能靠化學手段區分，只能靠物理手段區分。也就是說，這個驗證閉環不只是長，它還是敵意式的：正確理論會在很久時間里看起來像是錯的。

Michael Nielsen：我覺得這個例子很重要。因為它說明 AI 做科學的難點，不只是“能不能更快跑驗證”，而是剩下的瓶頸到底是什么。

AlphaFold 確實解決了一類瓶頸。但這不意味著它會自然解決所有瓶頸。你跟程序員聊也會發現類似情況：他們現在不再像過去那樣被寫代碼本身卡住，但開始被“有意思的設計想法”卡住。驗證閉環并沒有消失，它只是搬家了。

為什么外星文明可能擁有完全不同的技術樹？

Dwarkesh Patel：我特別喜歡你一個想法：如果有外星文明，它們很可能擁有完全不同于我們的技術棧。這和我原來的直覺很不一樣。我的本能假設一直是：文明發展到一定階段，大家都會收斂到同一套“科學”。

Michael Nielsen：我越來越覺得，科技樹比我們通常想象得要大得多。我們并不在樹梢，而可能還在樹根附近。

一個我很喜歡的例子是計算理論。丘奇和圖靈在 20 世紀 30 年代就給出了非常根本的底層結構，但公鑰密碼學這種極深的想法，卻是幾十年之后才從同一個理論底座里長出來的。后來又長出了區塊鏈、加密貨幣等一系列東西。

也就是說，底層原理可能早就有了，但上層深結構可以晚很久才被發現。

相變、編程語言、信息處理方式，可能都是這樣。底層物理不變，但可探索的高層結構極其豐富。

Dwarkesh Patel：如果真是這樣，那意味著不同文明可能沿著完全不同的路徑爬同一棵樹，甚至爬到不同的樹枝上。那就意味著長期會存在巨大的貿易增益。

Michael Nielsen：我覺得這是一個很有意思的推論。但它不只取決于想法。還要看制造能力、制度、交易成本，甚至權力結構。

我很喜歡的一個思想實驗是：“外星人的 GitHub”。如果你拿到一個外星文明全部算法和代碼的庫，那里面一定會有很多新思想，但我們要把這些思想真正讀懂、提取出來，恐怕要花極長時間。

我想到這一點，其實是從蛋白質來的。生物已經給了我們一個巨大的“機器庫”，里面有數億種蛋白質。我們今天連血紅蛋白、胰島素這種最經典的對象都還沒完全理解。

如果你把這個庫想成一個外星文明送來的禮物，你就會意識到：同樣受底層物理約束，不同路徑下仍然可以長出極其豐富、陌生的高層技術對象。

Dwarkesh Patel：而且這件事還有個挺重要的政治含義。如果不同文明之間真會長期保留巨大的比較優勢，那友善本身就會變得更有回報。

Michael Nielsen：這是個很有意思的觀察。不過比較優勢不是萬能咒語。黑猩猩也有某些比較優勢，但我們并不和黑猩猩建立貿易體系。交易成本、權力不對稱、組織方式，這些都可能讓“理論上的互利”變成現實中的支配關系。

所以這個想法很美，但它需要很多額外條件成立。

Dwarkesh Patel：我還想追問一個更大的問題。像諾特定理、丘奇—圖靈原理這種級別的深層原理，未來還會不斷出現嗎？還是說它們本來就稀有，我們已經快把大的都找完了？

Michael Nielsen：我沒有證明，只能說是直覺。但我長期的直覺是：我們不斷在已有底座中發現新的基本原語。

計算理論就是最典型的例子。你先有了通用可編程設備這種概念，后來又挖出公鑰密碼學，再后來挖出分布式賬本、加密貨幣。感覺像同一塊地基里不斷長出新的深層對象。所以我不太相信“深原理快挖完了”這種想法。

Dwarkesh Patel：可經驗上又有另一種現象。Bloom 那類研究會告訴你：維持同樣的技術進步速率，需要越來越多研究者、越來越多資源。那是不是意味著想法還在，但它們越來越難被找到？

Michael Nielsen：首先，那些研究通常看的是很窄的賽道、很窄的指標。它們當然抓到了一部分現實，但不一定抓到整個知識結構。

我更喜歡用“婚禮甜點臺”來想這個問題：如果臺上的甜點固定不變，最好吃的當然會先被拿走，后面只會越來越差。但科學不是一個靜態甜點臺，它后面有人不斷補新甜點。新領域會冒出來，新工具會出現，新制度會改變整個游戲。

所以靜態看，你確實可能感受到遞減回報；動態看，卻可能不斷有新低垂果實被創造出來。

Dwarkesh Patel：這其實也能幫助理解量子計算。它為什么不是 1950 年代就出現，而是到 1980 年代才真正成形？

Michael Nielsen：我覺得原因很平常，但也很真實：兩類前提差不多在同一個時期成熟了。

一方面，計算本身在 70 年代末、80 年代初突然變得非常顯眼。你可以買到個人電腦、Apple II、Commodore 64，計算不再只是抽象理論，而成了很多人日常可感的對象。

另一方面，在量子實驗那邊，單量子態操控也開始真正成熟。Paul trap 之類的進展，讓人第一次能認真想“如果把量子態當作計算對象，會發生什么”。

所以量子計算不是簡單靠天才拍腦袋從天上掉下來的，它是問題意識和實驗條件同時成熟的結果。

Dwarkesh Patel：那你自己為什么會那么早進去？

Michael Nielsen：很大程度上是運氣和品味。我 1992 年上了一門很好的量子力學課，課后去找 Gerard Milburn 要材料，他給了我一大摞論文，里面有 Feynman、Deutsch 那些最基礎的量子計算論文。

讀完之后你就會有一種感覺：這里有非常根本的問題，而且這里的工作量對一個年輕人來說又是可處理的。你會覺得，這是個值得挖的坑。

某種意義上，這就是“后續研究市場”的運作方式。一篇深論文出來之后，總會有人覺得：這里還有很多東西沒挖完，我要繼續挖下去。

開放科學、聲譽分配與集體科學，今天卡在哪里？

Dwarkesh Patel：我們再跳到你長期做的另一個方向：開放科學。你現在怎么看它？它算成功了嗎？

Michael Nielsen：有一個很樸素的成功標準：二十年前，你必須先解釋什么叫開放科學；今天大多數人已經知道這個詞了。人們至少會把它和開放獲取、開放代碼、開放數據這些事情聯系起來。

這本身已經是很大的成功。但我覺得更深的問題，是科學的聲譽經濟。

現代科學體系，本質上是圍繞論文和署名建起來的。你公開論文，別人承認這是你的工作，于是形成一種聲譽經濟，進而支持你的職業路徑。

到了數字時代，我們已經可以共享代碼、數據、進行中的想法，但這些東西對應的聲譽機制并沒有自然長出來。你該為共享數據拿多少聲譽？共享中間想法應不應該得到聲譽？這些都是社會建構的問題。

Dwarkesh Patel：也就是說，開放科學真正難的地方不只是“技術上能不能開放”，而是“制度上怎么給聲譽”。

Michael Nielsen：對。一個很有意思的例子是預印本文化。以前我會問物理學家和生物學家，為什么物理界盛行預印本，而生物界長期不這樣做。

生物學家會說：生物競爭太激烈了，我們必須保護優先權，所以不能先發預印本；物理學家則會說：物理競爭太激烈了，我們必須盡快上傳預印本，才能搶先確立優先權。

同樣一個“競爭太激烈”的理由，可以支撐完全相反的制度。這就說明聲譽歸屬經濟本質上是人們共同構造出來的。

Dwarkesh Patel：那集體科學呢？有沒有哪個例子最能說明“很多重要進展不是一個人懂完全部邏輯才完成”的？

Michael Nielsen：LHC 是個很好的例子。真正理解大型強子對撞機相關工作的所有層次——探測器、真空系統、逆問題、數據處理、量子場論——對一個人來說幾乎不可能。你可以高層理解很多東西，但不可能在深度上同時掌握全部細節。

這也是為什么會出現一篇論文一千多個作者。那不是形式主義，而是因為集體科學真的在深度上超出了單個人的認知帶寬。

做研究的人，怎樣處理高產、深度與真正內化的問題？

Dwarkesh Patel：最后我想問一個更個人的問題。怎么平衡高產與深度？

有些人像達爾文，感覺在一個問題上孕育幾十年；但也有像愛因斯坦這樣的人，在 1905 年一個年份里像同時打開了好幾條線。

Michael Nielsen：這是我自己也很焦慮的問題。

我會把創造性工作粗分成兩種。一種是例行工作。在這類工作上，你就應該盡量消滅拖延，盡量變快，能外包就外包。另一種是高方差工作，你必須允許自己花很多時間、去很多地方、跟很多人聊、做很多最后可能都不進最終成果的事。

很多人會偏其中一種：要么特別擅長高效率，要么特別擅長漫長孕育。但真正難的是在兩者之間找到平衡。

我以前在舊金山工作時，會故意每天走更長、更好看的那條路去上班。部分是因為風景好，但還有個作用：提醒自己，不是所有事情都該被效率原則統治。

Dwarkesh Patel：我最近越來越在意的另一件事是：怎樣才能真的把學到的東西學進去。

做播客很容易產生一種錯覺——我和很多頂級專家聊過，所以我應該更懂了。但事實上完全可能沒有。一個話題今天聊完，過兩周就蒸發了。

我現在最擔心的是，自己在很多主題上只是積累了某種“看起來懂”的表層理解，但沒有真正釘住。

Michael Nielsen：我覺得這里真正關鍵的是高要求情境，也就是更高要求的環境。

很多東西之所以留下來，不是因為你看懂了，而是因為你在寫、在教、在做項目、在解題、在被更高標準逼著交付。你必須在一個真正高要求的情境里，被迫拿出創造性產物——一篇文章、一門課、一個項目、一個系統。

我自己的經驗是，真正學進去的東西，通常都伴隨著長時間卡住。以前我覺得卡住很煩，現在反而覺得那可能是整個過程里最重要的一部分。因為正是這種艱難贏下來的過程，讓知識最后被你內化。

Dwarkesh Patel：這其實也很像你前面說的科學本身。不是因為驗證閉環順滑，所以才發生進步；而是很多時候恰恰因為它不順滑，人才被逼著形成更深的理解。

Michael Nielsen：對，我覺得這是同一件事的兩個尺度。一個發生在文明層面，一個發生在個人層面。

當你問“科學是怎么進步的”，某種意義上你也在問：“人到底是怎么學會真正理解一件事的？”

以上節選整理自 Dwarkesh Patel 與 Michael Nielsen 的對話。

完整原文鏈接：https://www.dwarkesh.com/p/michael-nielsen

（投稿或尋求報道：zhanghy@csdn.net）

【活動分享】"48 小時，與 50+ 位大廠技術決策者，共探 AI 落地真路徑。"由 CSDN&奇點智能研究院聯合舉辦的「全球機器學習技術大會」正式升級為「奇點智能技術大會」。2026 奇點智能技術大會將于 4 月 17-18 日在上海環球港凱悅酒店正式召開，大會聚焦大模型技術演進、智能體系統工程、OpenClaw 生態實踐及 AI 行業落地等十二大專題板塊，特邀來自BAT、京東、微軟、小紅書、美團等頭部企業的 50+ 位技術決策者分享實戰案例。旨在幫助技術管理者與一線 AI 落地人員規避選型風險、降低試錯成本、獲取可復用的工程方法論，真正實現 AI 技術的規模化落地與商業價值轉化。這不僅是一場技術的盛宴，更是決策者把握 2026 AI 拐點的戰略機會。