真正的科学进步从来不靠“验证闭环”。
编译 | 王启隆
一个被写进教科书的实验，并不一定真能在当时改变世界观；一个后来被证明正确的理论，也常常不是等到证据全部收口之后，才被科学共同体接受。
Dwarkesh Patel 在 2026 年 4 月 7 日更新的播客 Dwarkesh Podcast 里，对谈量子计算与开放科学研究者 Michael Nielsen，把当今科学史里最拧巴、也最容易被讲得过分整齐的问题，重新翻了出来。
故事从迈克耳孙-莫雷实验开始。按流行叙事，这场实验几乎像是直接终结了以太，并把爱因斯坦一步步推到了狭义相对论那里。可 Nielsen 提醒，真实历史远没有这么直线：迈克耳孙本人很多年后仍然相信以太，洛伦兹和庞加莱已经摸到了一部分正确结构，却没有真正完成那次解释跃迁，而更强的实验验证，往往要在共同体已经换了世界图景之后，才慢慢补上来。
这让人想到了 AI 做科学最难的一层。现在很多人谈科研自动化，都会自然想到“验证闭环”——实验、反馈、优化，只要这一套足够密，科学似乎就能被不断推进下去。但 Nielsen 反复指出，很多关键理论并不是等到验证闭环彻底收口之后才被接受的；相反，它们往往是在证据仍然模糊、甚至带有敌意的时候，被研究共同体先一步认出来。
Michael Nielsen 是一位因量子计算、开放科学和深度学习教材而被广泛认识的研究者与写作者，而 Dwarkesh Patel 则是近几年最擅长把一个问题追到根上的科技播客主持人之一。两人这次谈的表面上是爱因斯坦、牛顿、达尔文、AlphaFold 和量子计算，真正追问的却只有一个问题：人类到底是怎么认出“科学进步”正在发生的？
要点速览
迈克耳孙-莫雷实验并没有像教科书叙事那样直接“逼出”狭义相对论；它真正暴露的是，科学共同体经常要在并不彻底、甚至互相打架的证据里先做判断。
科学进步没有一套可复制、可程序化的统一流程。真正的瓶颈，往往出现在旧启发式失效的地方。
达尔文的天才不只是“想到自然选择”，而是把一个局部直觉做成了贯穿整个生物界的解释框架；这也是为什么看似简单的理论，并不真的容易被提出来。
AlphaFold 的成功首先是一个实验基础设施与数据积累的故事，其次才是一个模型故事；这也让“AI 算不算在做科学”变得远比表面复杂。
对 AI 来说，难点不只在能否跑实验，而在能否在长期含噪、敌意式、非清晰的反馈中维持多条研究路线并存。
科学如何前进，和研究共同体如何分配声誉、个人如何真正内化知识，是同一件事的不同尺度。
为什么说科学进步常常跑在验证闭环前面？
Dwarkesh Patel：今天我想聊的不是你在量子计算、开放科学、深度学习教材这些事情上的工作，而是一个更奇怪的问题：我们到底怎么识别科学进步？
这件事对 AI 特别重要，因为现在很多人都想闭合科学发现的强化学习验证闭环。但我越准备这场对话，越觉得即使回头看人类科学史，这件事也比我原来想得更神秘。
我想先从迈克耳孙-莫雷实验和狭义相对论讲起。因为教科书里的故事，和真实历史，好像不是一回事。
Michael Nielsen：迈克耳孙-莫雷实验通常被讲成 19 世纪 80 年代那场著名实验：它逼出了爱因斯坦后来的狭义相对论，从而改变了我们对空间和时间的理解。
但真实情况和这个流行叙事之间，有一个非常大的落差。迈克耳孙、莫雷以及同时代很多人理解这场实验的方式，和爱因斯坦后来理解这件事的方式，并不是一条直线。爱因斯坦晚年甚至说过，他都不确定自己在提出狭义相对论时是否读过那篇论文。即便他当时知道这篇论文，它对他的思考也远不是决定性的。
迈克耳孙和莫雷真正想测试的，是各种不同的“以太理论”。如果追溯到 17 世纪，Robert Boyle 提出过一种想法：声音是空气中的振动，那光会不会也是某种介质里的振动？后来人们发现，声音不能在真空里传播，但光可以，于是“以太”就成了一个持续两百多年的问题。
所以迈克耳孙-莫雷实验本质上不是“证明以太不存在”，而是在不同以太理论之间做区分，尤其是测试所谓的“以太风”是否存在。实验结果是，没有测到以太风。这的确排除掉了一部分以太理论，但远远没有排除全部，更重要的是，迈克耳孙本人后来一直都还相信以太。
Dwarkesh Patel：这正是我读 Abraham Pais 那本《Subtle is the Lord》时最震惊的地方。我们平常听到的版本都是：迈克耳孙-莫雷证明了以太不存在，于是物理学陷入危机，爱因斯坦用相对论解决了这个危机。
但你的意思是，这场实验当时更像是在不同以太模型之间筛选，而不是一锤定音。
Michael Nielsen：对，而且这种差别非常重要。1887 年那次著名实验之前，迈克耳孙 1881 年就已经开始做这类实验了。后来他一生都在继续做，直到 1920 年代末仍然没有放弃以太。还有 Miller 这样的人，到了 1920 年代还在高海拔上做实验，试图证明自己终于测到了以太风。
这说明一件事：科学史不是教科书里那种“一个实验证伪一个理论，大家立刻换新理论”的故事。所谓证伪，在真实历史里远没有那么干净。你以为被证伪的是“以太”，可实际上也许只是某一种以太理论；另外一些版本还完全活着。
Dwarkesh Patel：而且你甚至不能从“某一种以太理论被打掉”直接推出狭义相对论。
Michael Nielsen：当然不能。后来洛伦兹已经写出了参考系转换的数学，也就是后来人们所谓的洛伦兹变换。但他对这套数学的物理解释和爱因斯坦不同。他依然把它理解成相对于以太参考系的效应：长度收缩、时间膨胀，是物体在以太中运动时受到某种动力学影响的结果。
真正有意思的是，科学共同体往往会在更强验证到来之前，就已经开始接受一种新的解释框架。比如后来的 μ 子实验，在 1940 年前后才真正更强力地显示“时间膨胀”不是数学小技巧，而是某种物理实在。但相对论的共同体接受，显然早于这个时间点。
所以问题来了：如果强验证还没完全到位，人类科学为什么还是会往前走？
Dwarkesh Patel：而且这里很吊诡的一点是，科学显然确实会进步，但你又很难把这个进步过程说成一套预先写好的流程。
Michael Nielsen：对，我其实很警惕“流程”这个词。它暗示有一套事先设定好的步骤，好像大家都照那个流程行事。但真实世界不是这样。你会看到洛伦兹、庞加莱、迈克耳孙这样一流的科学家，在共同体整体已经开始转向以后，仍然长时间留在旧图景里。
没有什么中央权威，也没有一套中心化的方法，告诉大家什么时候该换世界观。科学共同体的前进方式，比“流程”这个词暗示的东西复杂得多。
Dwarkesh Patel：你刚才提到 Poincaré，我觉得这是个特别有意思的例子。洛伦兹是数学对了，但解释错了；Poincaré 似乎是某些概念也摸到了，但还是没有真正把门踢开。科学史里总有这种“问题问对了，但最后一步没走完”的案例。你觉得这里到底发生了什么？
Michael Nielsen：这种事你真得个案地看。Poincaré 非常惊人。他某种程度上已经理解了相对性原理，也几乎理解了光速在所有惯性系中相同这件事。他离爱因斯坦用来推出狭义相对论的那几块拼图，已经很近了。
但他还有一个多余的误解：他把长度收缩理解成一种动力学效应，觉得好像粒子在运动中受了外力挤压，才导致尺缩钟慢。他没真正跨到那个更激进的想法上——不是东西被“压缩”了，而是空间和时间本身就和原先想的不一样。
某种意义上，他可能是“知道得太多”了。既有知识、既有体系感，反而妨碍了他把旧图景一下子整个扔掉。爱因斯坦这里做的，反而像是一种减法：不再往旧机制上补，而是直接说，空间和时间就是另一回事。
Dwarkesh Patel：这其实也让我想到一个更大的问题。你看 Aristarchus 在公元前三世纪就已经提出日心说，但恒星视差直到 1838 年才被真正测到。也就是说，验证闭环竟然拖了两千年。
而且更奇怪的是，哥白尼的模型一开始既不更准确，也不更简单。他甚至为了保住“匀速圆周运动”这种审美偏好，不得不加更多本轮。所以这不是一个“精度更高”或者“形式更简”的故事。那人类凭什么提前知道哥白尼这边更对？
Michael Nielsen：我没有完整答案，但我觉得牛顿在这里给了一个很重要的线索。你先是用引力解释了行星运动，但随后同一套理论又解释了地面上的抛物运动、月亮和太阳引发的潮汐。原本看起来彼此无关的三个现象，被一个框架打通了。
这种“统一性”的力量会让一个理论显得非常有说服力。也许它一开始不一定更准，但它开始把不同世界缝到一起。
牛顿为什么是“最后的魔法师”，这对 AI 有什么启发？
Dwarkesh Patel：我很喜欢 Keynes 那篇讲牛顿的文章。他那句名言是：牛顿不是理性时代的第一个人，而是最后一个魔法师。
我很想知道的是，牛顿在炼金术和天文学里，是不是在用同一套审美、直觉和启发式？如果是的话，这些东西有没有可能被迁移，甚至被编码进 AI？
因为如果我们暂时做不出科学发现的验证闭环，也许至少可以把“好品味”编码进去。
Michael Nielsen：我觉得这里最关键的一点是：人类真正卡住的地方，恰恰是旧启发式不再适用的地方。
因为人们本来就会把已经有效的方法学得很好、用得很好，所以他们不会老是在同一个地方摔跤。真正新的瓶颈，定义上就是原来的方法不再管用的地方。
所以如果你想把科学还原成一个可以不断转动的手摇曲柄，问题就在这里。你当然可以把一部分东西程序化，但每到真正重要的瓶颈处，那个曲柄就失效了。
你需要很多人去尝试不同路径。越难的突破，越意味着之前那套现成方法已经不够了。也正因为如此，真正的突破一旦发生，才显得那么惊人。
Dwarkesh Patel：也就是说，真正的难点不是把已有品味固化，而是遇到旧品味失效的时候怎么办。
Michael Nielsen：对。量子力学就是典型例子。它之所以震撼，不只是因为它难，而是因为它逼你接受一整套和旧直觉完全不同的东西。进化论某种意义上也是如此，真正震撼的并不是“自然选择”这四个字，而是这个机制居然能解释那么多东西。
Dwarkesh Patel：所以如果真要把这套经验迁到 AI 上，问题就不是“能不能把一套启发式编成系统”，而是系统能不能在启发式失效时还继续往前走。
Michael Nielsen：对，这差不多就是问题的核心。真正困难的地方，定义上就是旧方法已经不再够用了的地方。
Dwarkesh Patel：这也是我对达尔文最困惑的地方。1687 年牛顿发表《自然哲学的数学原理》，1859 年达尔文发表《物种起源》。直觉上，自然选择似乎比万有引力更容易想到。
Thomas Huxley 读达尔文时甚至说过一句非常有名的话：怎么会没早点想到这个？但没有人会读牛顿时产生这种感觉。所以到底哪里不一样？
Michael Nielsen：我觉得达尔文最重要的地方，不是“想到自然选择”本身。人工选择这类想法，人类早就隐约知道了，至少动物育种者肯定长期知道其中一大块。
达尔文真正的天才，在于他意识到这个机制对整个生物学有多核心。他把一个局部直觉，做成了一个能解释整个生物圈的框架。他不是提出一个点子就停下，而是在《物种起源》里堆入大量证据、案例和推演，把它跟地质学、生物多样性、环境适应这些问题全部焊到一起。
所以他的工作不是“想到了一个想法”，而是把这个想法做成了一个能站住的大解释。
Dwarkesh Patel：我原本是从 Lucretius 开始想这个问题的。他在一世纪时就有一些看起来类似自然选择的想法，可为什么这件事后来停了十九个世纪？
后来我才意识到，他那个版本其实和现代自然选择差很多。他更像是设想世界早期有一次性的筛选，而不是持续发生的渐进过程，也没有真正的生命树概念。
还有一个重要背景是“深时间”。如果没有 Lyell 那代地质学家把地球历史的尺度拉开，进化论根本没有时间容身。
Michael Nielsen：对，深时间很可能是关键阻碍之一。假如地球历史只有几千年，那进化论几乎是不可想象的。你需要至少数千万年、上亿年的尺度，这个机制才变得站得住脚。
所以一个理论的出现，并不只是它在逻辑上能不能被想到，还取决于很多前提条件有没有成熟。这也解释了为什么看似“简单”的想法，有时会被拖很久。
Dwarkesh Patel：而且达尔文主义还有一个很有意思的地方：它几乎是被 Darwin 和 Wallace 同时独立撞出来的。这意味着某些前置积木到了 19 世纪中叶，可能终于都到位了。
地质学带来了深时间，殖民与航海扩展了生物地理学，化石记录慢慢也在补全。似乎很多东西都要同时在场，这个理论才真正可能被提出。
Michael Nielsen：我觉得这个观察很对。Lyell 和其他早期地质学家的工作，看起来确实是关键前提。至于是否还有别的阻碍、它原则上还能不能更早被提出，我没有确定答案。但“这些条件必须到位一部分”看起来是高度可信的。
Dwarkesh Patel：所以一个理论“看起来很简单”，和它在历史上真的容易被提出，完全是两回事。
Michael Nielsen：对。回头看时，你很容易把很多必要前提都视为理所当然。但在那些前提还没有出现之前，所谓“简单理论”其实根本没有落脚点。
AlphaFold 算不算科学解释，AI 又能不能真的自动做科学？
Dwarkesh Patel：如果把话题拉回 AI，现在很多人都会拿 AlphaFold 当作一个标志性案例。你怎么看它？它到底是一个科学理论、一个科学解释，还是别的什么东西？
Michael Nielsen：AlphaFold 当然是一个惊人的成功，但我想先给这个叙事降一点温。
因为 AlphaFold 真正的底座，首先是蛋白质结构数据库，是 X 射线衍射、核磁共振、冷冻电镜，是几十年实验积累，是数十亿美元级别的结构测定投入。换句话说，这首先是一个长期数据采集和基础设施的故事，其次才是模型故事。
AI 那一层当然很厉害，但它只是整个成功故事的一部分。
Dwarkesh Patel：但哲学上还是有个问题。像广义相对论这种理论，能推出很多它原本没有被设计去解释的现象，比如水星轨道近日点进动。而 AlphaFold 更像是一个一亿参数的巨大系统，我们很难说它具备同样的解释外延。那这两者是同一种“解释”吗？
Michael Nielsen：我觉得这里至少有三种可能。
第一种可能最保守：AlphaFold 不是经典意义上的科学解释。按照传统理解，真正的解释应该自由参数尽可能少，形式尽可能简洁，能解释尽可能多的现象。AlphaFold 看上去明显不是那种东西。
第二种可能是：它不是解释本身，但它内部包含了大量可以被挖出来的局部解释。你可以把可解释性看成一种“考古学”，在模型内部发掘某些局部结构、规律和策略。像 AlphaZero 之于棋类，就已经隐约出现了这种情况。
第三种可能最激进，也最有意思：它其实代表了一种新的解释对象。过去我们没法对这种对象做太多事情，现在我们却可以合并、蒸馏、正则化、对它做各种新操作。它不是经典理论，但它也不只是黑箱拟合。
Dwarkesh Patel：我的担心是，如果我们只是让模型不断拟合观察数据，它有可能只是在托勒密系统上越补越厚。它可能告诉你又发现了一个新的本轮，却未必能跳到哥白尼或者爱因斯坦那种全局重构。
Michael Nielsen：这正说明，我们还没有真正掌握怎样和这类模型打交道。我们缺的是新的“动词”。
比如你可以试着对模型施加约束，强迫它给出更简单的解释，或者问它能不能给你一个 90/10 版的说明。也许一开始它提供的是一个非常复杂、多参数的脚手架，但后来能在不断蒸馏的过程中，把其中某种更有力量的结构逼出来。
Dwarkesh Patel：但我觉得难点在于，有些真正重要的理论跃迁不是局部简化。比如从托勒密到哥白尼，或者从牛顿到爱因斯坦，你有时候需要做的是全局换框架。这不是简单正则化就能自然完成的。
Michael Nielsen：对，所以你就必须问：什么东西会把研究程序逼到必须换框架？
从牛顿引力到广义相对论，一个非常直接的强迫因素是：在狭义相对论里，因果影响不能超光速传播，而牛顿引力却是瞬时作用于距离。那它们之间就是根本冲突的。你一旦意识到这个冲突，旧解释就不够了。
然后你往往不会一步得到最终答案。你会先有很多中间态，很多不够漂亮、不够对的东西。最后完成时，理论才显得优雅。但它并不是从第一天开始就这么优雅。
Dwarkesh Patel：所以如果我们认真想“AI 如何加速科学”，也许要区分两类事情。一类是已知问题、局部优化，比如蛋白质折叠；另一类是像广义相对论这种，需要长期保留多套研究程序、慢慢等强迫因素出现的东西。
你不能指望只把所有观测喂给一个模型，然后希望相对论自己长出来。
Michael Nielsen：你说到一个很关键的点：必须长期维持多条研究程序并存。
历史上有很多相似的例子。用牛顿理论解释 Uranus 的异常，你最终找到了 Neptune，这是巨大成功。但几乎同样的思路拿去解释 Mercury 的异常，人们发明了 Vulcan，却找不到。你事先并不知道自己是在 Neptune 那一支，还是 Vulcan 那一支。
所以共同体必须允许很多看起来都合理的路线同时跑很久。研究多样性在这里不是奢侈品，而是必要条件。
Dwarkesh Patel：这也是为什么我觉得“科学有紧密验证闭环”这个说法其实很误导。理论上实验可以验证，但相容理论其实永远有无数个。你为什么后来会偏向那个“回头看更对”的版本，这件事本身就很难形式化。
Lakatos 讲过一个我特别喜欢的例子：Prout 在 1815 年提出一个假说，认为所有原子核的质量都应该是氢的整数倍。很多元素的原子量看上去确实接近整数，但也有一些像氯，测出来是 35.5。于是支持这套理论的人就不断发明特设解释：也许是杂质，也许是分数倍数。
后来人们发现，问题根本不在理论本身，而在于同位素混在一起，而同位素不能靠化学手段区分，只能靠物理手段区分。也就是说，这个验证闭环不只是长，它还是敌意式的：正确理论会在很久时间里看起来像是错的。
Michael Nielsen：我觉得这个例子很重要。因为它说明 AI 做科学的难点，不只是“能不能更快跑验证”，而是剩下的瓶颈到底是什么。
AlphaFold 确实解决了一类瓶颈。但这不意味着它会自然解决所有瓶颈。你跟程序员聊也会发现类似情况：他们现在不再像过去那样被写代码本身卡住，但开始被“有意思的设计想法”卡住。验证闭环并没有消失，它只是搬家了。
为什么外星文明可能拥有完全不同的技术树？
Dwarkesh Patel：我特别喜欢你一个想法：如果有外星文明，它们很可能拥有完全不同于我们的技术栈。这和我原来的直觉很不一样。我的本能假设一直是：文明发展到一定阶段，大家都会收敛到同一套“科学”。
Michael Nielsen：我越来越觉得，科技树比我们通常想象得要大得多。我们并不在树梢，而可能还在树根附近。
一个我很喜欢的例子是计算理论。丘奇和图灵在 20 世纪 30 年代就给出了非常根本的底层结构，但公钥密码学这种极深的想法，却是几十年之后才从同一个理论底座里长出来的。后来又长出了区块链、加密货币等一系列东西。
也就是说，底层原理可能早就有了，但上层深结构可以晚很久才被发现。
相变、编程语言、信息处理方式，可能都是这样。底层物理不变，但可探索的高层结构极其丰富。
Dwarkesh Patel：如果真是这样，那意味着不同文明可能沿着完全不同的路径爬同一棵树，甚至爬到不同的树枝上。那就意味着长期会存在巨大的贸易增益。
Michael Nielsen：我觉得这是一个很有意思的推论。但它不只取决于想法。还要看制造能力、制度、交易成本，甚至权力结构。
我很喜欢的一个思想实验是：“外星人的 GitHub”。如果你拿到一个外星文明全部算法和代码的库，那里面一定会有很多新思想，但我们要把这些思想真正读懂、提取出来，恐怕要花极长时间。
我想到这一点，其实是从蛋白质来的。生物已经给了我们一个巨大的“机器库”，里面有数亿种蛋白质。我们今天连血红蛋白、胰岛素这种最经典的对象都还没完全理解。
如果你把这个库想成一个外星文明送来的礼物，你就会意识到：同样受底层物理约束，不同路径下仍然可以长出极其丰富、陌生的高层技术对象。
Dwarkesh Patel：而且这件事还有个挺重要的政治含义。如果不同文明之间真会长期保留巨大的比较优势，那友善本身就会变得更有回报。
Michael Nielsen：这是个很有意思的观察。不过比较优势不是万能咒语。黑猩猩也有某些比较优势，但我们并不和黑猩猩建立贸易体系。交易成本、权力不对称、组织方式，这些都可能让“理论上的互利”变成现实中的支配关系。
所以这个想法很美，但它需要很多额外条件成立。
Dwarkesh Patel：我还想追问一个更大的问题。像诺特定理、丘奇—图灵原理这种级别的深层原理，未来还会不断出现吗？还是说它们本来就稀有，我们已经快把大的都找完了？
Michael Nielsen：我没有证明，只能说是直觉。但我长期的直觉是：我们不断在已有底座中发现新的基本原语。
计算理论就是最典型的例子。你先有了通用可编程设备这种概念，后来又挖出公钥密码学，再后来挖出分布式账本、加密货币。感觉像同一块地基里不断长出新的深层对象。所以我不太相信“深原理快挖完了”这种想法。
Dwarkesh Patel：可经验上又有另一种现象。Bloom 那类研究会告诉你：维持同样的技术进步速率，需要越来越多研究者、越来越多资源。那是不是意味着想法还在，但它们越来越难被找到？
Michael Nielsen：首先，那些研究通常看的是很窄的赛道、很窄的指标。它们当然抓到了一部分现实，但不一定抓到整个知识结构。
我更喜欢用“婚礼甜点台”来想这个问题：如果台上的甜点固定不变，最好吃的当然会先被拿走，后面只会越来越差。但科学不是一个静态甜点台，它后面有人不断补新甜点。新领域会冒出来，新工具会出现，新制度会改变整个游戏。
所以静态看，你确实可能感受到递减回报；动态看，却可能不断有新低垂果实被创造出来。
Dwarkesh Patel：这其实也能帮助理解量子计算。它为什么不是 1950 年代就出现，而是到 1980 年代才真正成形？
Michael Nielsen：我觉得原因很平常，但也很真实：两类前提差不多在同一个时期成熟了。
一方面，计算本身在 70 年代末、80 年代初突然变得非常显眼。你可以买到个人电脑、Apple II、Commodore 64，计算不再只是抽象理论，而成了很多人日常可感的对象。
另一方面，在量子实验那边，单量子态操控也开始真正成熟。Paul trap 之类的进展，让人第一次能认真想“如果把量子态当作计算对象，会发生什么”。
所以量子计算不是简单靠天才拍脑袋从天上掉下来的，它是问题意识和实验条件同时成熟的结果。
Dwarkesh Patel：那你自己为什么会那么早进去？
Michael Nielsen：很大程度上是运气和品味。我 1992 年上了一门很好的量子力学课，课后去找 Gerard Milburn 要材料，他给了我一大摞论文，里面有 Feynman、Deutsch 那些最基础的量子计算论文。
读完之后你就会有一种感觉：这里有非常根本的问题，而且这里的工作量对一个年轻人来说又是可处理的。你会觉得，这是个值得挖的坑。
某种意义上，这就是“后续研究市场”的运作方式。一篇深论文出来之后，总会有人觉得：这里还有很多东西没挖完，我要继续挖下去。
开放科学、声誉分配与集体科学，今天卡在哪里？
Dwarkesh Patel：我们再跳到你长期做的另一个方向：开放科学。你现在怎么看它？它算成功了吗？
Michael Nielsen：有一个很朴素的成功标准：二十年前，你必须先解释什么叫开放科学；今天大多数人已经知道这个词了。人们至少会把它和开放获取、开放代码、开放数据这些事情联系起来。
这本身已经是很大的成功。但我觉得更深的问题，是科学的声誉经济。
现代科学体系，本质上是围绕论文和署名建起来的。你公开论文，别人承认这是你的工作，于是形成一种声誉经济，进而支持你的职业路径。
到了数字时代，我们已经可以共享代码、数据、进行中的想法，但这些东西对应的声誉机制并没有自然长出来。你该为共享数据拿多少声誉？共享中间想法应不应该得到声誉？这些都是社会建构的问题。
Dwarkesh Patel：也就是说，开放科学真正难的地方不只是“技术上能不能开放”，而是“制度上怎么给声誉”。
Michael Nielsen：对。一个很有意思的例子是预印本文化。以前我会问物理学家和生物学家，为什么物理界盛行预印本，而生物界长期不这样做。
生物学家会说：生物竞争太激烈了，我们必须保护优先权，所以不能先发预印本；物理学家则会说：物理竞争太激烈了，我们必须尽快上传预印本，才能抢先确立优先权。
同样一个“竞争太激烈”的理由，可以支撑完全相反的制度。这就说明声誉归属经济本质上是人们共同构造出来的。
Dwarkesh Patel：那集体科学呢？有没有哪个例子最能说明“很多重要进展不是一个人懂完全部逻辑才完成”的？
Michael Nielsen：LHC 是个很好的例子。真正理解大型强子对撞机相关工作的所有层次——探测器、真空系统、逆问题、数据处理、量子场论——对一个人来说几乎不可能。你可以高层理解很多东西，但不可能在深度上同时掌握全部细节。
这也是为什么会出现一篇论文一千多个作者。那不是形式主义，而是因为集体科学真的在深度上超出了单个人的认知带宽。
做研究的人，怎样处理高产、深度与真正内化的问题？
Dwarkesh Patel：最后我想问一个更个人的问题。怎么平衡高产与深度？
有些人像达尔文，感觉在一个问题上孕育几十年；但也有像爱因斯坦这样的人，在 1905 年一个年份里像同时打开了好几条线。
Michael Nielsen：这是我自己也很焦虑的问题。
我会把创造性工作粗分成两种。一种是例行工作。在这类工作上，你就应该尽量消灭拖延，尽量变快，能外包就外包。另一种是高方差工作，你必须允许自己花很多时间、去很多地方、跟很多人聊、做很多最后可能都不进最终成果的事。
很多人会偏其中一种：要么特别擅长高效率，要么特别擅长漫长孕育。但真正难的是在两者之间找到平衡。
我以前在旧金山工作时，会故意每天走更长、更好看的那条路去上班。部分是因为风景好，但还有个作用：提醒自己，不是所有事情都该被效率原则统治。
Dwarkesh Patel：我最近越来越在意的另一件事是：怎样才能真的把学到的东西学进去。
做播客很容易产生一种错觉——我和很多顶级专家聊过，所以我应该更懂了。但事实上完全可能没有。一个话题今天聊完，过两周就蒸发了。
我现在最担心的是，自己在很多主题上只是积累了某种“看起来懂”的表层理解，但没有真正钉住。
Michael Nielsen：我觉得这里真正关键的是高要求情境，也就是更高要求的环境。
很多东西之所以留下来，不是因为你看懂了，而是因为你在写、在教、在做项目、在解题、在被更高标准逼着交付。你必须在一个真正高要求的情境里，被迫拿出创造性产物——一篇文章、一门课、一个项目、一个系统。
我自己的经验是，真正学进去的东西，通常都伴随着长时间卡住。以前我觉得卡住很烦，现在反而觉得那可能是整个过程里最重要的一部分。因为正是这种艰难赢下来的过程，让知识最后被你内化。
Dwarkesh Patel：这其实也很像你前面说的科学本身。不是因为验证闭环顺滑，所以才发生进步；而是很多时候恰恰因为它不顺滑，人才被逼着形成更深的理解。
Michael Nielsen：对，我觉得这是同一件事的两个尺度。一个发生在文明层面，一个发生在个人层面。
当你问“科学是怎么进步的”，某种意义上你也在问：“人到底是怎么学会真正理解一件事的？”
以上节选整理自 Dwarkesh Patel 与 Michael Nielsen 的对话。
完整原文链接：https://www.dwarkesh.com/p/michael-nielsen
（投稿或寻求报道：zhanghy@csdn.net）
