第十八章 从典范更替走向多元典范的持续发生
一、为什么不只等待下一个统一答案
谈论科学进步，人们容易想象一幅接力图景：旧理论解决一批问题，困难积累，新理论出现，后来者围绕新理论继续前进。这种图景能揭示某些重大转折，却不能穷尽研究活动。许多方向的成长依靠长期共存的表达、互相借用的方法和没有立即决出胜负的模型。数学尤其能够容纳不同假设下的结构，并研究这些结构之间的关系。
本书提出多元典范的持续发生，并非宣布统一理论从此不再值得追求。统一能够揭示深刻联系，减少彼此隔绝的知识，也可能带来极强的解释与计算能力。问题在于，如果统一被预先规定为唯一合法终点，某些不同的对象构成方式可能在尚未充分展开之前就被当作过渡状态。研究应允许统一是成果，也允许经过检验的差异继续产生价值。
这里的多元不是把任意观点同时摆放在一张桌上。一个候选方向必须能够说明自己的对象、问题、方法和限制，并通过实际成果使他人理解为什么值得继续。多元典范的持续发生，指若干这样的方向能够反复形成、展开、分化、翻译与重组，而不必每次都以整个学科的单一更替为前提。
对数学家而言，这意味着生涯想象发生改变。研究者不必只寻找当前最受重视赛道上的一个空位，也可以参与构造新的问题空间。不过，新空间的成立不能由个人愿望保证。它需要足够清楚的表达、值得继续的问题，以及他人能够进入的接续方式。人工智能可能降低部分展开成本，却不会取消这些要求。
二、封装怎样改变探索的成本结构
新框架在早期经常面临一种困难：优点尚未显露，展开成本已经发生。研究者需要设计记号、编写程序、构造算例、检查一致性、寻找相关文献，才能判断一个想法是否值得继续。如果只有少数研究者能够承担这些前期成本，许多候选方案就会在得到基本检验之前消失。
当证明辅助、代码生成、符号计算和文献定位被逐步封装，单个探索者可以调用更复杂的工作链。一个定义的数种变体，不必全部等待人工逐一展开；一些基本反例可以较早出现；与既有结构的相似之处，也可能更快被发现。封装由此改变的，不只是完成成熟任务的速度，还包括哪些探索能够负担得起。
但成本下降具有不同分布。生成候选表达式可能很便宜，严格证明仍然昂贵；模拟一个模型可能容易，获取适当实验数据却很困难；比较表面结果可能迅速，确认两个结构真正等价则需要深入工作。如果只看到最便宜的一环，就容易把候选爆发误认为研究能力整体跃迁。应当观察完整循环中最难移动的环节。
一个重要的判断标准因此是：工具是否使被放弃的好问题重新可研究。若它只是帮助同一批人提交更多相近成果，封装主要改变了产量；若它使研究者能够同时检验互不相容的基本假设，并保留每条路线的完整证据，封装开始改变研究空间。前者也有价值，但后者更接近本书所讨论的典范多元化条件。
还有一个容易忽略的成本，是提出异议的社会成本。研究者即使能够计算候选，也可能因为缺少发表渠道、合作伙伴或训练支持而无法持续推进。工具降低操作成本，不会自动消除这些障碍。因此，“有工具就有新典范”的推断过于简单。真正的发生条件包含执行能力，也包含使不同结果能够被理解和继续的交流制度。
可以把这里的机会理解为一种可展开性：一个想法不必预先被公认正确，却能够获得足够条件呈现自己的后果。可展开性比鼓励大胆设想更具体，也比提前认证创新更谨慎。它允许共同体把支持投向一个过程，而不要求所有支持都在最初就被包装为对成功结果的押注。
三、四种多元，不能混为一谈
第一种是答案多元。同一个问题可以有多个解、多个证明或者多个近似方案。它们可能全部属于同一框架。第二种是模型多元。同一现象可以用不同变量、尺度或理想化条件表达，而研究者仍共享基本研究标准。第三种是研究纲领多元。不同团队把注意力组织在不同对象和问题族上，持续积累相互关联的成果。
第四种才是本书重点讨论的典范多元：对象的构成、典型问题、方法范例、评价习惯与共同体训练形成了相对稳定而又可以交流的差异。四种多元之间可以发生转化，却没有自动升级的阶梯。十万个答案不必产生一个新模型，许多新模型也不必形成新的研究共同体。
以一个假想的范围性影响问题为例。两种数值求解器给出同一积分模型的近似解，属于方法差异；改用离散网络表示影响关系，可能形成模型差异；围绕历史依赖与单元边界展开持续研究，可能形成研究纲领；若这一纲领进一步形成独特对象、代表性成果和可传授的方法，才有根据讨论正在形成的典范。
这种分层可以保护真正的创新。所有变化都被称作革命时，读者难以辨认贡献究竟在哪里；所有变化都必须达到革命规模才获承认时，重要的中间成果又会被轻视。层次明确的评价允许研究者诚实地说：目前建立了一个有用模型，尚未形成新体系，但已经打开若干此前不易表达的问题。
四、竞争为什么仍然必要
多元研究不能取消失败。若两种模型针对相同条件提出相互矛盾的结论，需要确定矛盾来自定义差异、计算错误还是经验判断。若一种构造声称普遍满足某性质，正确反例就必须产生后果。允许多条路线并行，不是让任何路线都获得不可撤销的生存资格。
竞争也不应被缩减为一张排行榜。某一模型可能计算速度较慢，却使证明依赖更透明；另一模型在某组数据上拟合较好，却无法迁移到新条件。若把所有优点压缩为单个分数，评价本身可能锁定研究方向。应当根据任务说明权重，并公开哪些重要性质没有进入排名。
实际研究可以采用共同任务与特有任务相结合的方式。共同任务检验基本能力，防止新框架通过回避一切已有问题制造虚假优势；特有任务展示新的表达空间，防止旧框架用自己最擅长的问题垄断全部评价。两种任务都必须具体，并允许对手提出有针对性的反例。
竞争最有价值的结果，有时不是确定唯一胜者，而是发现条件边界：甲模型适于短时局部影响，乙模型适于长时历史依赖，二者在某个参数范围内近似一致。边界知识会改变研究者的选择，也可能成为下一步统一或重组的起点。这样的结果同样属于数学的增长。
五、翻译如何使差异变成共同财富
两个方向使用不同概念时，首先需要说明哪些东西能够对应。翻译可能只是术语对照，也可能是一种保持结构的映射，甚至可能证明两个看似不同的体系在适当意义下等价。这些工作让不同研究者不必从头重复全部劳动，并使一个方向中的困难能够被另一个方向的方法照亮。
然而，翻译总有可能丢失信息。把连续过程离散化，可能保留总量而损失局部细节；把顺序敏感的运算映射到交换结构，可能保留最终汇总而抹去路径。不能只展示映射后的简洁，还应说明什么被遗忘了。被遗忘部分有时正是新模型最初希望保留的特征。
因此，对两个模型的比较至少包含三个问题：是否存在映射，映射保留哪些性质，能否从目标模型恢复原有信息。即使不能完全恢复，映射也可能有用，因为不同任务需要不同颗粒度。但若声称完全等价，就必须证明相应的恢复或结构保持条件，不能仅凭几幅相似图像作出判断。
对人—AI复合体而言，翻译工作是重要的研究活动。人工智能可以提出可能的对应，寻找相似定理，尝试构造转换程序；研究者与验证工具共同检查映射是否确实保持所声称的性质。这样形成的贡献可能没有“全新体系”的醒目名称，却能够显著提高多元研究的接续能力。
翻译还可以反过来改变双方的自我理解。某个方向以为自己的关键贡献是一个新对象，映射建立后发现对象并不新，真正有价值的是新的分解方法；另一个方向以为自己的工具适用范围很窄，却通过对应获得新的应用问题。翻译因此不仅减少差异，也可能发现此前尚未意识到的差异与共同条件。
在职业层面，这意味着数学家不必在“守住旧阵地”和“彻底另起炉灶”之间作一次性选择。建立模型之间的联系，本身可以成为持续研究。它既使用已有专业深度，又需要进入陌生对象，因而可能形成一种特别适合成熟研究者的升级路径。其成果应由实际对应与新问题评价，而不是由是否宣称创建了全新体系评价。
六、重组怎样超过观点折中
重组不是把两套理论各取一半后放在一起。若基本假设相互冲突，简单拼接可能产生矛盾；若术语看似相同却指向不同对象，拼接还会制造虚假的解释。有效重组必须明确共同部分、冲突位置和新构造所增加的条件。
设想一个模型擅长描述空间影响范围，另一个擅长描述时间延续。把二者重组时，研究者不能只说新模型同时考虑空间与时间，而要规定影响范围是否随历史更新，空间叠加是否改变时间响应，以及两种操作的先后顺序是否重要。每一个选择都会产生数学后果，也可能导致新的不相容要求。
有些重组表现为扩展对象，使原来的两类模型成为特殊情况。有些则建立一个上层比较框架，让不同模型按条件被选择，而不强求它们归并为同一种对象。后一种方式同样可能具有创造性，因为它把“何时使用哪个模型”转化为可以分析的问题。所谓升维，必须由新增的对象关系和可解决问题来说明，不能仅由词语的抽象程度来判断。
研究者还应当接受重组失败。若要同时保留的性质在逻辑上不相容，分化可能比统一更诚实。一个不可能性结果能够告诉共同体：某些目标无法同时达到，必须作出选择。多元数学由此获得更加清楚的分支结构，而不是在模糊统一中隐藏冲突。
七、多元何以避免各说各话
不同方向能够持续交流，需要最低限度的公共表达。定义要足以让他人辨认对象，论证要标明依赖，算例要能够复现，失败要能够定位。公共表达不要求所有方向使用完全相同的语言，却要求研究者为跨越语言差异提供可行入口。
这个入口可以是一组完整例子。研究者展示最简单的非平凡对象，解释它与相邻理论的关系，再提供一个真正依赖新条件的命题。读者由此知道自己需要学习什么，也知道怎样尝试反驳。相比一开始宣告包罗万象的本体论体系，这种入口更有利于形成实际研究关系。
平台可以帮助保存这种关系，但平台本身也可能制造隔绝。如果每个团队的资料、工具和数据都只能在封闭环境中使用，模型之间的比较就受到组织边界限制。多元典范的发展需要一定程度的可迁移性，包括可导出的定义、可独立执行的程序和清楚的许可条件。否则，多元可能主要表现为平台数量增加，而不是研究自由扩大。
还有一种更隐蔽的隔绝来自共同使用同一个模型。表面上许多人独立探索，实际建议却由相同训练偏向引导，候选路线因此高度相似。真正的多元不能只按参与者数量计算，还应检查基本假设、资料来源、验证方法和研究目标是否确实存在差异。
公共交流还需要能够区分“暂时没有共同标准”与“永远不存在共同约束”。早期候选可能尚未找到合适比较方式，允许一定探索期是合理的。但探索期应当用于发展定义、算例与检验方式，而不是成为永久免责期。一个方向若始终只能由信奉其总体哲学的人判断，就很难形成开放的数学研究共同体。
与此同时，公共性不能被理解为只有现有主流能够立即看懂的工作才值得支持。新的表达有学习成本，评审者也需要投入。这可以通过专题讨论、共同算例和分阶段成果来安排。双方责任应当对称：提出者使内容可检查，评价者认真进入内容，而不是只依据熟悉程度作决定。
八、把研究纲领写成能够被削弱的判断
本书的主张需要接受检验。我们预计，在其他条件适当的情况下，人工智能支持会降低某些候选框架的展开成本，使更多不同对象和方法获得实质研究。但若新增候选大多停留在改名，严格核验成本没有下降，或少数平台使研究路径更加集中，这些现象都会削弱乐观判断。
可以观察的不是单一产量，而是一组相互联系的变化：从设想到首个可检验构造的时间是否缩短；失败是否更早被发现；相互独立的路线是否增加；他人能否以合理成本复现成果；一个方向是否形成连续的问题而不是一次性演示。每项观察都需要与相应的基线比较，并区分技术变化和资金投入变化。
还应追踪分配后果。即使总体探索能力增强，也可能只有拥有算力、数据库和组织资源的团队获益。某些研究者的生涯因此拓宽，另一些人的进入条件反而恶化。多元数学发生若要成为共同体升级，需要同时研究工具接入、公共资源和评价制度，不能把分配问题留在理论框架之外。
为了使这些判断可研究，一个实验室可以预先登记若干性质不同的探索任务，记录没有工具支持时的可行方案，再记录引入工具后哪些环节改变。研究期间允许目标修订，但修订必须注明原因。这样的过程记录比事后挑选成功案例更能说明封装究竟打开了什么，也更能识别工具只是增加表面活动量的情形。
研究结果还可能呈现另一种需要诚实面对的情形：人工智能提高了每条路线的执行效率，却没有增加有意义的路线差异。这说明工具改善了常规研究，尚未证明它促进典范多元化。这样的结论并不贬低工具，但要求本书的主张缩小适用范围，进一步寻找阻止分化的条件。
也可能出现相反情形：候选对象确实更加多样，却因验证资源不足而长期停留在半成品状态。此时增加生成能力未必是最优投入，建设验证与接续机制可能更重要。研究纲领只有能够据此改变资源配置，才算真正接受了反馈，而不是把任何结果都解释为自己已经获得支持。
九、从个人雄心到共同研究条件
典范发生需要敢于改变基本假设的研究者，也需要愿意检查、整理、批评和接续的人。若把全部荣誉集中在最早提出名称的人身上，后续劳动可能得不到支持；若只有成熟方向的稳定产出获得奖励，新候选又难以开始。研究制度必须承认不同阶段的不同贡献。
一个年轻研究者可以在成熟方向中完成严格工作，同时参与小规模候选构造；一位资深研究者可以利用经验辨认真正的结构差异，并支持跨方向合作；软件与证明工具的开发者可以使多个研究方向共享能力。多元发生不是要求所有人承担同一种创新角色，而是让这些角色形成持续接续。
工具封装带来的结构性压力在这里变得具体。既有能力越容易获得，只靠重复占有这种能力建立的职业优势就越容易松动。共同体可以通过扩大问题空间、提高研究层级和允许典范分化回应这种压力，也可能主要提高原有竞赛的产出门槛。两条路径往往并存，选择表现为经费、训练、平台与评价的实际安排。
数学家走向何处，因而不只是一个关于个人策略的问题。它也是关于数学如何继续组织自身的问题。能够让候选方案形成可核验成果，能够让不同方向相互翻译，能够让失败留下公共知识，这样的共同体才可能把工具带来的速度转化为数学发生的广度与深度。