当科学开始研究自己：科技竞争正在进入“元科学”时代

来源：市场资讯

（来源：知识分子）

图源：AI生成

撰文｜赵军上海交大安泰经管学院教授

科学研究习惯于把目光投向外部世界：从宇宙结构、生命起源到物质性质，人类不断通过观察、实验和理论寻找自然运行的规律。然而，一个长期被忽略的问题正在变得越来越重要：生产科学知识的体系本身，是否也能够成为科学研究的对象？同行评议是否真的能够识别最有价值的项目，什么样的资助方式更有利于高风险探索，怎样的评价制度能够鼓励原创而不是制造重复？这些过去通常被归入科研管理的问题，正在被重新理解为可以观察、比较和验证的科学问题。

美国白宫科技政策办公室发布的《科学：新黄金时代》，把“元科学”（Metascience）推到了国家科技战略讨论的前沿（请参见本文作者赵军此前文章《从“无尽的前沿”到“新黄金时代”：美国为何要重新定义科学能力？》）。所谓元科学，是指运用科学方法研究科学自身运行规律，探索科学知识如何产生、评价和改进，以及什么样的制度和组织方式更有利于形成高质量、原创性的科学发现。它与我们熟知的“科学学”（science of science）既有联系，也有所区别：科学学更多解释科学发展的规律及其社会机制，而元科学更强调通过数据分析、制度比较和科学实验，检验如何改进科研体系。因此，元科学并不是研究宇宙、生命或人工智能，而是研究科学知识如何被生产、评价、传播和纠正。它关心的不只是哪些制度能够提高突破性发现的概率，也关心科研结果是否可靠、失败是否得到记录、错误能否被及时发现，以及科学体系能否根据证据修正自身。一个值得关注的变化由此出现：国家科技竞争正在从争夺科技人才和抢先发表科学成果，进一步延伸到研究和改造产生这些成果的制度。

这一变化触及了现代科学发展的一个根本矛盾。过去几十年，科研人员、研发投入、实验平台和论文数量不断增长，但资源扩张并不必然带来同等幅度的知识进步。科学体系的规模已经空前庞大，真正稀缺的却可能不再只是资源，而是识别重要问题、容纳非共识判断、组织复杂验证并从失败中学习的能力。未来科技竞争不仅要看谁拥有更多科研资源，也要看谁更善于理解科学活动的规律，并据此持续改善知识生产方式。

现代科研体系建立在一整套人们已经习以为常的制度之上：科学家通过项目申请获得资助，同行通过匿名评审判断研究价值，期刊通过论文发表确认成果，大学和科研机构则依据论文、经费和奖项配置职位与资源。这些制度塑造了现代科学的基本秩序，也支撑了过去数十年的知识扩张。但一个经常被忽略的事实是，其中很多制度并不是经过严格比较后设计出来的，而是在历史演化中逐渐形成，并依靠惯例不断延续。

同行评议就是一个典型例子。人们通常相信，同行评议可以依靠专业判断筛选最有价值的研究，但它是否会系统性偏好成熟方向、知名机构和低风险项目，是否不利于青年研究者、交叉学科和非共识探索，仍然缺乏充分而一致的证据。同样，三年或五年的项目周期为什么适合科学发现，研究人员为什么要花费大量时间反复撰写申请书，论文数量为什么能够代表科研质量，这些深刻影响科学家行为的规则，很少像一项科学理论那样接受持续检验。

科研体系由此出现了一个特殊现象：科学要求研究结论能够被验证，却很少要求生产这些结论的制度接受同样严格的验证。元科学的兴起，正是试图弥补这一缺口。它不再满足于笼统地呼吁“完善评价机制”或“提高科研效率”，而是进一步追问，哪些制度在什么条件下有效，哪些看似合理的规则实际上压缩了原创空间，以及如何通过数据追踪、制度比较和政策实验寻找更好的科研组织方式。

科学制度也因此开始从静态规则转变为可以反复测试的公共工具。在达到基本质量标准的项目中引入部分随机资助，是否比层层排序更公平？赋予项目经理更大判断权，是否能够更早识别新兴方向？长期稳定支持与短期竞争项目，哪一种更有利于基础研究？只有当这些问题被持续研究，科技政策才不再只是分配资源，而开始具有自我学习和自我修正的能力。

元科学最容易引起关注的部分，是研究什么样的科研制度更容易产生重大突破。但从完整意义上看，它所关心的远不止“如何成功”，还同时研究科学知识是否可靠，研究结果能否重复，方法和数据是否足以接受检验，负面结果为什么难以发表，错误结论又为什么可能在引用和传播中长期延续。它关注的是科学知识从产生到纠正的全过程。

这一区分非常重要。一个科研体系可能发表大量新颖成果，却缺乏重复验证和主动纠错能力；也可能通过严密规范减少错误，却因为评价过于保守而压缩高风险探索。真正健康的科学体系必须同时具备两种能力：既要鼓励研究者提出大胆问题，进入尚未形成共识的领域，也要保证新发现能够被检查、质疑、重复乃至推翻。原创性与可靠性并不是相互排斥的目标，而是科学必须同时守住的两条边界。

过去十多年中，一些领域出现的可重复性争议，使人们逐渐认识到，科研问题并不都能归结为少数研究人员的不规范行为。期刊偏好新颖和阳性结论，评价体系奖励论文和引用，科研机构强调短期可见成果，这些激励会共同影响选题、数据处理和结果报告。元科学的重要意义，就在于把过去主要依靠道德批评的问题，转化为可以分析的制度问题。它所要改变的不是某个研究者，而是使大量研究者作出相似选择的规则环境。

因此，元科学并不是科研管理的另一个名称。科研管理关注项目有没有完成、经费是否合规、程序是否履行；元科学关心的则是这些程序是否真正提高了知识的质量和原创性。一个项目按期结题，并不意味着它推动了科学进步；一个平台购置了先进设备，也不意味着它形成了有效研究能力。元科学要求所有制度安排最终回到一个基本标准：它是否提高了可靠知识和重要发现出现的概率。

人工智能正在使元科学问题变得更加紧迫。过去，计算机主要承担计算、检索、模拟和数据处理等辅助工作；今天，人工智能开始进入科学发现过程本身。它能够阅读海量文献，从复杂数据中寻找模式，生成研究假设，预测蛋白质结构，筛选材料组合，并帮助科学家缩小实验搜索空间。科学发现由此从相对线性的“假设—实验—验证”，转向模型、数据、理论和实验持续循环的过程。

但人工智能提高的首先是生成可能性的速度，而不是确认知识的能力。模型可以一次提出成千上万个候选分子，却不能替代药理实验和临床验证；可以预测材料具有某种性能，却不能保证它能够稳定制造；可以生成看似完整的研究结论，却也可能放大原有数据中的偏差和错误。当提出假设的能力快速增长，实验、测量、工程放大和真实世界验证反而可能成为更稀缺的环节。

这意味着，AI for Science改变的是科学发现的技术条件，元科学研究的则是如何围绕这些条件重新设计科研制度。人工智能可以扩大科学探索的空间，但哪些机器生成的假设值得验证，实验资源应当如何分配，自动化研究结果如何接受审计，AI参与形成的论文和评审意见如何确认责任，都需要新的规则。科研体系不能只是给传统流程加上一层人工智能，而必须重新安排数据、模型、实验和评价之间的关系。

人工智能还可能进一步冲击现有科研评价机制。当论文、申请书和评审材料的生成成本迅速下降，数量指标会变得更加失真；当研究人员能够在短时间内提出大量候选方向，同行评议也可能面临难以承受的信息负担。未来科学最重要的瓶颈，或许将从“能否产生更多结果”，转向“能否判断哪些结果真实、重要并值得继续投入”。人工智能越强，科学体系的判断、验证和纠错能力就越重要。

从这个角度看，有组织科研也需要被重新理解。有效的组织不是把所有研究都纳入统一任务，而是根据问题性质选择不同方式。对目标明确、路线能够分解的任务，需要项目经理、跨机构协同和快速迭代；对方向尚不清晰的基础问题，则必须保留个人探索、多路径竞争和非共识空间。元科学的价值，正在于帮助政策制定者判断，什么问题适合集中组织，什么问题必须依赖分散探索，以及不同组织方式应当如何根据实际效果不断调整。

对中国而言，元科学的意义不是照搬美国科研制度，也不是在现有体系之外再设立一个新概念，而是把科研制度本身纳入证据检验。经过长期建设，中国已经形成规模庞大的科研人员、大学、科研院所、企业研发机构和重大科技基础设施，在航天、高铁、通信、新能源等领域展示了突出的工程组织能力。中国能够围绕明确目标集聚资源、分解任务并推动复杂系统协同，这是国家创新体系的重要优势。

但重大工程与原创科学具有不同规律。工程任务通常可以围绕目标设计路线、配置资源和考核进度，而真正的基础研究往往无法事先判断哪一条道路能够成功。它需要允许不同方向长期并存，允许青年研究者挑战已有判断，也允许一些研究在投入多年之后没有形成预期结果。集中力量与自由探索不是相互否定的两种选择，而应当分别适用于不同类型的问题。真正困难的是建立识别问题性质并匹配组织方式的能力。

元科学为这种识别提供了新的方法。中国可以系统比较稳定支持与竞争性项目对长期原创成果的影响，研究个人资助、团队资助和机构资助各自适合什么领域，也可以追踪同行评议对青年学者、交叉研究和非共识项目是否存在持续偏差。科技评价改革也不应止于减少几项指标或者替换几种表格，而应当建立改革后的效果评估机制：研究者是否获得了更多科研时间，选题是否更加多样，真正重要而高风险的研究是否得到更早支持。

可重复性、负面结果和科研失败同样需要被重新认识。一个只记录论文、奖项和成功案例的体系，很难知道多少研究方向已经被事实否定，多少失败经验被不同团队反复重复。科学不能奖励所有失败，但必须区分缺乏能力导致的失败与探索未知带来的失败，并为后者建立记录、共享和学习机制。能够及时暴露错误、保存失败知识并阻止无效路径重复投入，本身就是科研效率的重要组成部分。

近年来，各地建设概念验证中心和中试平台，表明创新政策开始更加关注从科学发现到现实应用的中间过程。但这一变化也可能再次陷入“用建设代替能力”的惯性。一些概念验证中心被理解为新的办公空间，中试平台被理解为新的设备集合，平台数量增加了，能够识别技术潜力、设计验证方案和组织真实场景试验的能力却没有同步形成。概念验证的本质是降低技术、市场和产业化不确定性，中试的价值是连接实验室条件与真实生产环境。平台只是载体，判断、验证和调整路径的能力才是真正的基础设施。

这也要求创新体系形成新的专业力量。科学家擅长发现知识，工程师擅长实现技术，企业家擅长识别市场，但复杂创新过程还需要能够跨越科学、工程、产业、资本和政策边界的组织者。技术转移因此不能继续被理解为成果完成后的交易服务，而应当前移到技术识别、概念验证、工程放大和应用形成的全过程。国内一些高校已经开始探索培养技术转移硕士这类复合型人才，其价值不只是增加一种专业，而是为创新体系补充连接不同阶段、组织验证和推动学习的关键能力。

不过，创新组织者不能替代科学家，任务管理也不能替代科学共同体。中国真正需要的，不是一种模式统摄所有创新活动，而是形成一个能够区分研究类型、选择适当机制并根据结果持续修正的体系。对战略任务，要提高跨主体协同和工程验证能力；对原创研究，要保护长期探索和学术自主；对处在科学与产业之间的技术，要完善概念验证、中试熟化和首用机制。创新体系的成熟，正在于每一种创新都能够获得与其规律相适应的组织方式。

现代科学从来不是科学家个人活动的简单集合，而是由大学、科研机构、资助制度、同行评议、学术期刊和重大科技计划共同支撑的复杂体系。这些制度曾经释放出巨大的知识生产能力，但没有任何制度能够永久适应科学发展的需要。当研究规模、技术工具和竞争环境发生变化，生产科学知识的方式也必须随之调整。

元科学真正带来的变化，是要求科技政策本身接受科学方法的检验。资助制度是否有效，不能只看经费执行率；评价改革是否成功，不能只看取消了多少指标；科研平台是否有价值，也不能只看面积、设备和项目数量。所有制度最终都必须回答同一个问题：它是否提高了可靠知识、原创发现和现实应用持续出现的概率？

人工智能可能使知识生成速度达到前所未有的水平，但越是在结果快速涌现的时代，越需要一个能够判断、验证和纠错的科学体系。未来的科技强国，不仅要能够生产更多知识，也要能够识别哪些知识值得信任；不仅要能够组织重大任务，也要能够保护非共识探索；不仅要总结成功经验，也要能够从错误和失败中学习。

科学开始研究自己，意味着科学体系终于把自身也视为一个可以观察、实验和改进的对象。未来国家科技竞争的深层差距，或许不只体现在谁拥有更多实验室、论文、算力和科研经费，还体现在谁能够更早发现自身制度的问题，更快修正无效规则，并把每一次制度学习转化为下一次知识突破。科技强国首先应当形成一个善于学习的科学体系。

本文作者赵军，上海交通大学安泰经管学院教授，研究领域为技术转移、科技创业和创新管理。