第十六章 常规科学为什么能够取得巨大成功
一、能够共同开始，比每次重新开始更困难
一位研究者打开论文，看到一个定理、一组假设和一种证明技术，通常不需要首先讨论什么是数学、什么是论证、什么值得研究。他可以迅速判断结果与自己工作的距离，决定阅读哪条引理，检查哪个条件。这种能够共同开始的状态，是数学长期积累的一项巨大成就。它使陌生人可以合作，使上一代留下的问题能够进入下一代的研究，使一个人的失败有机会成为另一个人的起点。
如果每次合作都必须从头商定所有对象的含义，研究者的大量时间就会消耗在建立最低限度的相互理解上。共同规则减少这种消耗。它们让研究者把注意力集中在有限的困难上，而不必同时解决全部基础问题。因此，讨论数学家的未来，首先应当承认既有研究组织所创造的这种能力。没有它，新典范的倡议也很难形成可理解、可批评的数学内容。
库恩在《科学革命的结构》中把常规科学与共享典范联系起来，强调成熟共同体通常围绕公认范例展开解谜活动；困难的持续解决，与典范发生根本变动，并非同一过程（库恩，1962／2012）。本书借用这一问题框架，并进一步讨论：当其中一些研究能力进入工具，支撑共同研究的规则会怎样变化？哪些能够封装，哪些仍需在具体研究中重新形成？
常规科学的成功不在于它免除了创造，而在于它组织了创造。一个稳定方向把无穷多种可能的疑问缩减为一组有积累关系的问题。研究者知道某种估计为什么重要，知道一个反例能够否定什么，知道证明中可以借用哪些结果。这些知识不只存在于教科书的字句中，也存在于共同体的训练、交流和实际判断之中。
二、共同问题怎样产生积累
设想一个研究小组研究某类方程解的稳定性。这是一个说明机制的假想场景。他们同意研究对象的范围，同意什么叫扰动，也同意哪些量能够表示解的差异。一人改进局部估计，一人研究边界条件，一人寻找极端例子。这些劳动之所以能够相互支援，是因为它们共享问题的骨架。
如果每个人使用完全不同的稳定性定义，成果也可能有价值，但相互连接就需要额外工作。必须说明一种稳定性是否推出另一种，在什么条件下二者一致，又在什么条件下分离。这种翻译本身可以成为数学研究，可是在翻译完成之前，不能把不同论文中的结论直接相加。共享定义使积累更便宜，定义分化则可能打开新问题。二者都重要，其成本结构却不同。
常规研究还能够形成难度的连续台阶。一个一般命题暂时无法证明，可以研究有限情形；有限情形仍过于复杂，可以寻找特殊构造；特殊构造失败，又能分析失败位置。这样的安排使长期目标不必依靠一次灵感完成。研究者在中间成果中获得反馈，学生也能在较小问题上进入共同事业。
这里已经出现本书所说的封装。一个被反复检查的引理，可以成为以后研究中的可调用环节。使用者未必每次都重新证明它，但必须理解适用条件。封装并不必然要求机器参与；数学文本、符号系统和教学制度已经封装了大量能力。人工智能带来的变化，是这种封装开始覆盖更多搜索、组织和生成活动，并以更低成本被持续调用。
三、精密研究中的创造
公众容易把常规研究理解为按说明书工作。这种理解低估了问题内部的困难。知道目标是什么，并不意味着知道怎样到达目标。一个不等式的改进可能要求重新选择变量，一种分类可能要求发现隐藏的不变量，一个存在性证明可能要求发明新的构造。研究仍然包含犹疑、冒险和意外，只是这些活动发生在相对稳定的问题框架内。
例如，要证明一个运算满足结合律，任务看起来完全明确，但具体结构可能迫使研究者寻找新的表示。直接展开无法控制的表达式，在引入适当变换之后可能变成容易核验的恒等式。此时创造发生在证明方式中，而不是运算定义本身。另一位研究者可能修改运算，使结合律不再成立，却获得更适合分组与括号效应的结构。这是不同层次的创造，不能只赞美后一种而贬低前一种。
从职业角度看，精密研究的价值还包括可靠性的积累。错误证明会污染后续工作，含混定义会制造虚假的一致。有人愿意反复检查边界情形、修补技术缺口、整理相互冲突的记号，整个领域才有可能向前发展。这些劳动常常不具有戏剧性，却是复杂数学能够扩展的条件。
因此，本书提出从常规解题走向多元数学发生，不是把创造与不创造分别分配给两个时期。研究重心的拓展意味着：除在既有框架中创造答案之外，也持续研究框架怎样构成、能否变化、变化后产生什么。新框架一旦展开，同样需要大量精密的常规工作。二者之间存在循环，而非一道永久分隔的职业边界。
四、范例怎样训练判断
数学教育中的例题，不只是抽象规则的插图。学习者通过比较多个例子，逐渐形成判断：这个假设可能太强，那个结论需要分情况，这种构造值得尝试，那种计算很可能只是偶然。这样的判断不能全部压缩成一张提前列好的规则表，因为实际问题会改变规则的相关程度。
一个学生初次学习商结构，可能只会复述定义。只有当他遇到不相容的等价关系，亲自看到运算无法良好定义，才开始理解为什么必须检查代表元的选择。错误例子在这里与成功例子同样重要。它让学生知道什么东西正在承担论证重量，知道表面相似的式子为什么可能属于不同结构。
当人工智能能够自动检查部分条件，训练目标也会变化。学生不必用同样多的时间完成每次机械展开，却仍需理解检查究竟覆盖了什么。软件说某个有限样本没有问题，不能由此推断所有对象都满足要求；形式证明通过，也不能由此推断形式命题准确表达了最初的建模目标。成熟判断包含对这些层级关系的辨认。
所谓人—AI复合研究能力，正是在这种接续中形成。学习者提出一个对象，工具展示后果，反例改变学习者对对象的理解，新理解又改变下一轮提示、程序和形式化表达。能力不只是原有人的能力加上一个固定机器功能，而是在多次互动中重新组织。常规训练可以为这种互动提供基础，却不能把全部训练固化为手工重复。
五、稳定框架的收益与代价
共享框架让研究成果容易交流，也会使某些问题不容易进入视野。若共同体习惯用一个指标评价进展，能够迅速改善该指标的工作就比较容易获得支持；改变问题表达方式的工作则可能显得不够直接。这样的倾向不必由恶意造成，它往往来自时间有限、评价需要可比、研究者必须作出选择这些现实约束。
困难在于，合理的局部选择可能汇合为狭窄的整体方向。每位研究者都选择最容易被理解的项目，整个领域就可能越来越熟悉同一类问题，越来越难以为新对象建立语言。被排除的方向未必更好，但缺少展开机会会使其优劣根本无法被认真辨认。共同体在此需要承担的责任，是维护探索条件，而不是预先承认所有异议都正确。
这也解释了为什么封装可能加剧内卷。若工具让一个成熟方向中的许多技术步骤显著变便宜，而研究职位、发表位置与评价方式仍主要围绕同一小组标志性问题配置，参与者就可能增加产量以维持原有排名。个人效率的改善没有转化为新的研究空间，反而提高了留在原处所需的产出。
不过，不能仅凭论文数量增长宣布发生了内卷。数量增长也可能服务于真实扩大的问题范围。需要观察新增工作是否揭示了新的现象，是否形成了可接续的方法，是否让更多原来无法处理的问题得到处理。内卷是能力增长与价值组织之间出现某种失配，不能简化为人多、文章多，或竞争本身。
六、新探索怎样使用旧积累
一个提出新数模型的人很快会遇到常规数学的帮助。他需要集合与映射表达对象，需要代数语言描述运算，需要分析工具处理连续变化，也可能需要概率论表达不确定性。这些工具不因为研究目标新颖就失去价值。相反，成熟封装可以让探索者把有限精力投向真正需要改变的部分。
假定一个候选模型要求单元带有影响范围。最先要回答的，往往不是它是否宣告了数学革命，而是影响范围如何表示、两个单元如何区别、组合后是否仍在对象集合中。已有函数、核、测度或算子理论可能提供直接表达。充分使用这些表达，才能看清候选模型究竟改变了什么。如果成熟理论已经解决了全部技术困难，创新贡献可能主要在建模入口，而不是新建一个数体系。
这种辨认不会使研究失去意义。把某类经验转化为可以持续研究的数学对象，本身可以产生应用价值和解释价值。但它要求研究者接受贡献可能与最初设想不同。常规知识在这里既是支持，也是检验：它帮助新想法形成，同时防止熟悉内容在新名称下被误认成全新成果。
新探索因此需要一种双重耐心。一方面，不因为初步构造还很简单就急于否定；另一方面，不因为理念宏大就免除具体比较。过早否定使可能性无法展开，过早认证则使研究停止学习。稳健的发生过程允许目标保持开放，同时要求每一步已经作出的结论有相应证据。
七、公共可靠性是一种共同生产
一条定理成为常用工具，通常还要经历从发表到稳定使用的过程。读者把它放进不同情境，教学者尝试解释关键步骤，应用者发现某个条件难以满足，后来者补充更合适的形式。在这些活动中，结果的适用边界逐渐清楚，证明也可能得到简化。工具的可靠性不是单靠作者最初的自信建立的，而是在持续使用和检查中形成。
这对人工智能数学具有直接意义。一个系统在特定题库上表现良好，只说明某类任务已经具备一定封装条件。研究者若把它用于新的对象，原有可靠性不能毫无变化地迁移过去。应当辨认新任务与已有任务的共同部分，并对变化最大的地方增加检查。可靠封装因此总是带有范围，而不是一个不再需要思考的总开关。
同时，公共可靠性也依赖人们能够报告问题。如果发现错误会招致不合理惩罚，研究者可能倾向于隐藏失败；如果维护工作长期无人承担，工具就可能与现实使用脱节。一个共同体能否接受修正，直接影响它能够封装多少复杂能力。数学的严格性不仅存在于证明形式中，也存在于发现缺口后愿意公开修补的实践中。
这种实践可以使人的判断层级发生变化。使用成熟工具时，研究者不必每次回到全部底层细节，却仍应判断任务是否落在适用范围内，结果是否与其他证据冲突，以及何时需要重新展开底层检查。分层判断让封装真正释放注意力。若始终要求每位使用者从头重做所有劳动，封装便失去意义；若完全取消范围判断，封装又可能变成盲目信赖。
由此可见，常规科学不仅积累命题，也积累可信使用的条件。人工智能研究要继承的正是这项能力：把一次成功转化为可重复的实践，再把可重复实践转化为下一层探索的起点。新典范发生需要这样的地基，而地基本身也可以继续改进。
八、把常规研究变成可以上升的起点
在本书的生涯框架中，常规研究最值得保留的能力，是准确进入问题、控制论证依赖和使成果可接续的能力。需要改变的，是把某一种既有难题的稀缺性永久当作职业价值来源。工具可以改变稀缺性，而研究者应有条件把已积累的能力带入新的活动。
这种转变可以从很小的安排开始。一个研究组在完成既定任务时，固定保留一部分精力检查定义的替代方案；一次讨论除了问证明是否正确，也问对象为何这样构成；一项工具开发除了报告速度，还报告它使哪些先前难以探索的分支获得了展开。如此，常规工作就不只是消耗问题，也参与生成问题。
需要警惕另一种新的单一标准：要求每个人都必须发明典范。如果所有研究者为了职业安全竞相宣称基础革命，验证、整理和接续工作便可能被进一步轻视。数学共同体需要不同位置的研究者，也需要同一个人在不同阶段承担不同任务。典范多元化的意义，恰在于扩大可以认真从事的数学活动，而不是把所有人压进另一条统一赛道。
常规科学之所以成功，是因为它把个体探索组织成能够延续的共同事业。面对人工智能，应当继承这种组织能力，再把它用于更开放的问题空间。当成熟能力成为可调用条件，研究者可以在其上展开新的对象、新的方法与新的合作。由此产生的关键问题已经不只是怎样更快完成现有研究，而是怎样允许研究活动自身发生变化。