一直以来，关于科学技术变革的基本理论认为，发现和发明是一种内生过程，此前积累的知识使未来的进步成为可能。在过去半个多世纪里，新的科学技术知识呈指数级增长，为取得重大进步创造了成熟条件。然而，一些研究发现，创新速度和科研生产率却正在下降，科技进步对经济增长的驱动力也趋于减弱。对此，学术界提出了多种解释。例如，“低垂的果实”被摘尽——能够快速提高生产率的创新均已问世；“知识的负担”在增加——创新对科研人员的数量及其专业化程度、受教育水平的要求随着知识积累而“水涨船高”。还有学者采用量化方法，探究颠覆性研究减弱的原因、范围和程度。当前，世界范围内科学研究的创新性和突破性到底处于什么水平，是否出现了发展放缓的趋势？决定或者影响科学研究取得突破性进展的因素和机制是什么？应如何看待某些领域颠覆性科学研究减弱的现象？本报记者日前就这些问题采访了相关学者。

　　区分巩固性成果与颠覆性成果

　　英国《自然》杂志网站1月刊发了美国明尼苏达大学卡尔森管理学院副教授拉塞尔·芬克（Russell Funk）、博士生迈克尔·朴（Michael Park）和美国亚利桑那大学社会学院教授艾琳·利希（Erin Leahey）合著的文章《论文和专利的颠覆性随着时间推移而减弱》。该文称，20世纪中期后发表的论文和专利突破过往研究、将科学和技术推向新方向的可能性越来越小。

　　这项研究的样本分为论文组和专利组。论文组包含收录于科学文献引文数据库“科学网”的24659076篇科研论文（1945—2010年发表）；专利组包含收录于美国专利及商标局“可视化专利”数据库的3912353项专利（1976—2010年发布）。芬克等人还使用其他数据来源验证他们的核心发现，包括数字图书馆“期刊存储”、美国物理学会语料库、微软学术图谱、生物医学和生命科学文献搜索引擎“公共医疗”。

　　首先，芬克等人依据传统的科技变革理论，区分了“巩固”和“颠覆”两种性质的科研成果。巩固性成果改进现有知识、巩固现状，例如奥地利裔美籍理论物理学家、理论化学家沃尔特·科恩（Walter Kohn）和华裔美籍物理学家沈吕九创立的“科恩—沈方程”；颠覆性成果颠覆和淘汰现有知识，驱动科学和技术走向新方向，例如美国生物学家、遗传学家詹姆斯·杜威·沃森（James Dewey Watson）和英国生物学家、生物物理学家弗朗西斯·克里克（Francis Crick）发现的脱氧核糖核酸（DNA）双螺旋结构。

　　接下来，芬克等人使用“巩固颠覆指数”（CD index）对样本进行分类。他们的思路是，设定某篇论文或某项专利为P，如果P是巩固性的，引用了P的后续研究较有可能也引用P之前的研究，因为涉及的知识前后相关；如果P是颠覆性的，引用了P的后续研究不太可能引用P之前的研究，因为知识的前后相关性较弱。巩固颠覆指数的范围是-1至1，指数越高颠覆性越强，指数越低巩固性越强。芬克等人计算了每篇论文和每项专利发表后第5年的巩固颠覆指数“CD5”，并将CD5不低于0.25作为颠覆性较强的标志。例如，科恩—沈方程的CD5为-0.22，DNA双螺旋结构的CD5为0.62，因此后者属于强颠覆性研究。

　　社会科学和自然科学颠覆性研究均在弱化

　　计算结果显示，1945—2010年，社会科学论文的CD5平均值从0.52降至0.04，降幅为91.9%；自然科学论文的CD5平均值从0.36降至0，降幅为100%。1980—2010年，计算机和通信领域专利的CD5平均值从0.30降至0.06，降幅为78.7%；医药领域专利的CD5平均值从0.38降至0.03，降幅为91.5%。无论是论文还是专利，其颠覆性在该研究覆盖时期的较早阶段下降得较快；专利的颠覆性在2000—2005年开始稳定。总体而言，20世纪后半叶以来，各个科研领域论文和专利的颠覆性都在减弱。

　　颠覆性研究的减弱还体现在语言层面。芬克等人计算了论文和专利的标题和摘要的“类符形符比”（独创词语与全部词语之比）。1945—2010年，不同领域论文标题的类符形符比降幅为76.5%—88%；1980—2010年，不同领域专利标题的类符形符比降幅为32.5%—81%。1992—2010年，论文摘要的类符形符比降幅为23.1%—38.9%（1992年以前的数据不可用）；1980—2010年，专利摘要的类符形符比降幅为21.5%—73.2%。芬克等人还发现，在自己的标题中使用过往研究标题中已出现过的词语的论文和专利作者越来越多。

　　除了词语的多样性和新颖性降低，特定含义词语的使用变化也反映了科学颠覆性减弱。通过对比1950年和2010年发表的论文以及1980年和2010年发布的专利，可以看到，表达创造、发现、感知新事物的词语减少，表达改善、应用、评估现有知识的词语增加。

　　为了判断颠覆性研究的减弱是相对意义还是绝对意义上的，芬克等人将全部样本的CD5分为5个区间（0以下、0—0.25、0.25—0.5、0.5—0.75、0.75—1），并对CD5不低于0的样本进行细化分析。结果显示，在该研究覆盖时期，虽然论文和专利总数增加，但增量主要来自0—0.25区间，CD5高于0.25的论文和专利数量没有显著变化。这就是说，颠覆性研究的绝对数量大体不变。不过，颠覆性研究在不同领域的分布随着时间推移而发生变化。例如，生命科学领域的颠覆性论文一直较多但已呈减少趋势，技术领域的颠覆性论文增加；化学和机械领域的颠覆性专利减少，计算机领域的颠覆性专利增加。

　　“知识的负担”影响颠覆性研究成果的取得

　　芬克等人从几个方面探索了上述现象的成因。首先，各领域论文和专利颠覆性减弱的情况相似说明，“低垂的果实被摘尽”的解释力有限——所有领域的“低垂的果实”在相同时期、以相近速度被“摘尽”的可能性很小。进一步计算显示，领域特定因素对论文和专利颠覆性的影响非常小；相比之下，作者的影响更大。对于较晚进入某一领域的科研人员来说，“知识的负担”可能更重，学术训练的专门化程度更高，因此，他们基于更有限的既有知识开展自己的研究，更难取得颠覆性成果。

　　其次，芬克等人分析发现，颠覆性研究减弱与科学技术质量下降、研究使用的数据特征或巩固颠覆指数的特征，以及学术出版、引用和署名方式的变化等因素均无明显相关性。

　　最后，芬克等人采用被引研究多样性、自我引用平均值、被引研究平均“年龄”这三个代理指标，考察了知识增长与科学研究颠覆性的关系，得到三点关键发现。一是被引研究多样性降低，这说明论文和专利作者利用既有知识的范围缩小。而且，被引用率前1%的研究不仅被越来越多地引用，它们的语义多样性也在降低。换言之，论文和专利作者越来越多地引用相同的已有研究，且已有研究的主题越来越相似。二是自我引用平均值上升，这同样说明论文和专利作者越来越依赖非常熟悉的知识。三是被引研究平均“年龄”上升。该指标通常用于衡量对陈旧知识的利用，它的上升说明论文和专利作者可能难以跟上知识扩张的速度，而是依赖更陈旧、更熟悉的知识。这三点都表明，论文和专利建立在更有限的既有知识之上。回归模型分析显示，被引研究范围缩小、自我引用增加、对陈旧研究的引用增加均与科学颠覆性呈负相关关系。

　　综合以上分析，芬克等人推测，即使“知识增长是一个内生过程”这一观点可能是正确的，它也要求科学家广泛接触现有知识；而随着知识总量扩大，这一点更难做到，因为科研人员需要提高专门化程度以实现职业发展。根据利希的研究《不只由生产率决定：可见性和专门化对学术收入有利》，专门化程度较高的科研人员生产率较高，而较高的生产率能提高可见度或知名度，后者对工资有直接、显著的正面影响。

　　调整科研激励机制可加速颠覆性研究

　　加拿大滑铁卢大学经济学副教授米科·帕克艾伦（Mikko Packalen）向本报记者表示，科学家天然地将科学视作一个累积过程，当今的科研活动得益于前人留下的思想、工具和方法。科研体系的许多组成部分——期刊、学术团体、学术机构创建于过去400年间，逐渐丰富了关于以往科学成就的历史记忆，强化了科学发现的累积性质。20世纪中期，针对学术期刊的引文索引面世，人们得以更加快速、清晰地量化每一项研究对后续研究的影响。现今，引文计量无处不在，对科研活动的累积层面进行量化十分便捷（尽管并不完美）。这驱使越来越多的科研人员从事侧重累积的巩固性研究，颠覆性研究则因不容易被量化而不那么受青睐。

　　美国耶鲁大学金融学教授布莱恩·T. 凯利（Bryan T. Kelly）、美国西北大学金融学教授迪米特里斯·帕帕尼古拉乌（Dimitris Papanikolaou）等人在2021年发表的研究《衡量长期技术创新》中，分析了1840—2010年美国政府、非营利机构、上市公司和非上市公司提交的专利文件。根据该研究，当前时代区别于此前所有时代的一点是：以往，颠覆性创新见于多个不同的技术领域；今天，颠覆性创新几乎全部来自计算机和数字技术领域。也就是说，技术突破的范围收窄。

　　帕克艾伦说，对科学颠覆性减弱的一个常见解释是重大的科学奥秘大部分已被揭开，人们很难产出更多的颠覆性创新。这种“停滞理论”虽然流行，但有可能是错误的。历史上，许多著名科学家都以为人类已经破解了一切重要的科学谜题，科技进步将不可避免地停滞；然而，每一次，科学悲观主义很快就被证明是错的。科学技术发展可能天然地具有周期性，但考虑到现今许多科研领域的投资规模庞大，或许这种周期应该更短，颠覆性创新的领域分布应该更广泛。

　　在帕克艾伦看来，科研激励机制的变化导致了颠覆性创新的“衰落”；巩固性研究对今日科学家的吸引力高于风险更大的颠覆性研究，而这在很大程度上源于依据引用情况评估科研表现。在这样的激励作用下，使自己的研究得到更多引用进而提升科研“业绩”的最佳策略就是，加入已经有很多研究的领域。这也意味着科学界可以通过调整激励机制来加速颠覆性研究。例如，开始衡量“引用影响”之外的方面，尤其是研究的创新性，这一点现在可以运用文本分析和机器学习算法便捷地实现。

　　帕克艾伦特别提醒，“颠覆”不应是科学研究的唯一目标。健康的科学体系包含三类研究：第一类是严格意义上的探索性研究，即探索全新的科学方向，此类研究绝大多数以失败告终。第二类是突破性、颠覆性研究，极少数探索性研究历经多年看似无果的探寻后最终得到变革性发现。第三类是渐进性、巩固性研究，即对突破性、颠覆性研究的发展，此类研究在一个或多个科研领域带来丰硕的应用成果。

　　因此，政策制定者面对的核心挑战是如何同时促进这三类研究。如果不为大量的探索性研究提供资金，也不可能产生渐进性、巩固性研究。自从科研评估开始强调引用计量，科研资助机构和高校管理人员在近半个世纪里系统性地忽视了探索性研究的益处，这造成了当下的科学“干旱”。科研资助者和管理者不能仅注重衡量科学的产出层面（论文发表数量、引用次数等），也应该衡量科学的投入层面（一项研究是否致力于探索新的科学方向）。

　　“巩固”与“颠覆”的平衡

　　英国伦敦政治经济学院经济学教授约翰·范·雷南（John Van Reenen）告诉本报记者，新的科学想法在旧想法的基础上内生增长，这个观点已流行了数百年。它符合人们的直觉，也通过数据得以证实。根据标准的内生增长理论，科研人员数量固定时，经济增长率也是固定的。这可以用一个简单的方程来表示：经济增长率=科研生产率×科研人员数量。然而，现实并非如此简单：当知识体量增大时，人们的学习时间更久，更难找到新想法、取得颠覆性成果，需要通过持续增加科研投入来抵消科研生产率下降。

　　雷南与美国斯坦福大学经济学教授尼古拉斯·布鲁姆（Nicholas Bloom）、查尔斯·I. 琼斯（Charles I. Jones）等人在2020年发表的研究成果《新想法是否越来越难寻？》中提到，考察多个行业、产品和企业后发现，1971—2014年美国科研生产率平均每年降低5.3%；若想维持相同的经济增长速度，每13年就需要使有效科研人员（不限于学术界）的数量翻一番。不过，雷南认为，科学界依然可以采取一些措施来推进颠覆性研究，例如，加大对创新活动的资源支持；鼓励良性竞争；鼓励科研人员在不同机构和国家之间自由地流动；在科研资助中给予颠覆性研究更大的自由度和更多经费。

　　美国佐治亚理工学院公共政策学院教授约翰·P. 沃尔什（John P. Walsh）对本报记者说，“站在巨人的肩膀上”是长期以来关于科学技术进步的公认看法。在他看来，科学颠覆性减弱的一个关键原因可能是，无论在一个国家内部还是在不同国家，主要从事巩固性研究的科研人员都增多了。这可以解释为何强颠覆性研究的绝对数量变化不大，而在所有研究中的比例减少。

　　沃尔什提出，不宜对颠覆性研究赋予过高价值。首先，科学颠覆性减弱是否真的是一个“问题”，尚不明确，这也可能是科学体系成熟化的迹象——科研人员将更多精力用于探索特定研究方向的可能影响，而不是探寻新方向。其次，在芬克等人的研究中，论文和专利的CD5曲线大幅下跌都是在该研究覆盖时期的较早阶段，后期逐渐缓和；这似乎说明颠覆性减弱已经停止，新的平衡达成。判断这是不是一件好事，需要考虑不同类型研究轨道的回报，巩固性研究也带来了许多非常重要的科学发现。

　　沃尔什不确定大力推进颠覆性研究是明智的。确保“巩固”与“颠覆”之间的平衡或许对科学技术发展更有益处，赋予“颠覆”过高价值可能使人们偏离能够带来切实回报的科研和技术路径。“一些媒体报道将芬克等人的发现解读为一个需要通过变革来解决的问题，我不这样看，没有明确的证据表明提高强颠覆性研究的比例会更好。”沃尔什说，巩固性研究推动现有领域向前，颠覆性研究开辟新道路，不断改变道路可能会干扰人们在当前的道路上前进。因此，相较于不断探寻新方向、忽略挖掘现有发现的意义和影响，科学体系保持适度“颠覆”也许更可取。

　　人工智能尚不能引领颠覆性研究

　　近来，ChatGPT等功能强大的新一代人工智能吸引了科学界和普通公众的强烈兴趣。人工智能的蓬勃发展和普及应用会不会引发颠覆性研究激增？

　　朴认为，思想生成在很大程度上决定着一项研究的颠覆性水平。人工智能或有助于提高某些科研过程的效率，例如文献综述、数据分析、写作，但思想生成大体上仍将是人类的任务。

　　沃尔什的看法是，人工智能或将助推巩固性研究，因为许多人工智能算法在本质上是基于已有模式进行推断的。不过，也许可以通过编写重视颠覆性的算法来让人工智能帮助人们寻找颠覆性的研究思路。这样做是否有用，则有待未来观察。雷南谈道，借助人工智能产出颠覆性研究的潜力可观，但现在言之尚早。许多新兴技术初看是革命性的，但可能需要极长的时间才能真正产生影响。

　　帕克艾伦称，ChatGPT等人工智能令公众着迷是因为它们不仅能够生成新的文本，而且与人类的作品相似。由于现有的人工智能是基于人类创作的文本、代码等训练的，它们的“创意”不会大幅偏离人类作品中的事实和观点。在人工智能有能力提出并测试全新的假设之前，不太可能激发大量颠覆性创新。不过，人工智能也许会从另一个方面助力颠覆性研究：如果巩固性研究今后能部分或全部由人工智能完成，将迫使人类科学家将精力投向自己更具优势的活动——全新的、突破性的探索。