附录二 从交通多元化到理念多元化——对库恩科学哲学的发生学超越
第一节 车的意义：活动可以脱离一种实现方式而继续扩大
车给予人的启示，超过了走得更快。它使人更清楚地看见，交通是一种能够通过不同条件实现的活动，腿的行走只是其中一种实现方式。活动与某种熟悉能力之间的联系，并不必然是不可改变的本质联系。当新的工具进入，原先看似必须由身体独立承担的部分可以重新分配，交通的范围、节奏和组织也随之变化。
这里的“车”是一种思想类比，涵盖不同代际交通工具所揭示的共同机制。它不意味着人类在某个单一时刻之前只会步行。骑乘、舟船与轮式运输很早就形成了多样路径。本附录关注的是我们怎样理解这种多样性：工具的出现与扩展，让人不断发现，某项活动能够超过自己最熟悉的实现方式。
如果把交通定义为腿的连续移动，车就只能被视为对真正交通的外部辅助。若把交通理解为人在不同地点之间形成可实现的移动关系，车便参与改变交通本身。两种理解导致不同问题：前者主要问工具怎样帮助腿，后者还问新的移动能力怎样改变目的地、路径与共同生活。
例如，在只能依赖短距离步行的安排中，一个人可能不会把很远的地方当作日常活动空间。交通条件改变后，原先属于特殊旅程的活动可能进入日常生活。改变的不只是同一距离所需时间，还包括什么距离值得考虑、什么合作能够发生，以及人如何安排自己的时间。
因此，工具封装会产生两层结果。第一层是把已有活动做得更容易，第二层是使新的活动组合成为可能。第二层并不由速度自动产生，它需要道路、组织、目的与生活方式相互变化。但一旦形成，工具就不再只是旧活动的加速器，而成为新活动的构成条件。
对数学家的未来而言，这个类比具有直接力量。若把数学理解为受过训练的人独立完成某些推导，人工智能进入就容易被看成对数学家原有位置的侵占。若把数学理解为不断构造、检验和发展对象与关系的活动，那么推导能力的封装便可能成为数学进一步扩展的起点。
这并不取消身体或个人能力的价值。人乘车之后仍会行走，而且步行可以获得新的位置，服务于接驳、探索或生活体验。类似地，手工推导、直觉构造与深入理解仍然重要，但不必继续承担所有任务，也不必由它们的稀缺性单独支撑整个职业。
更深的变化是活动单位的改变。乘车出行的能力属于人、车辆、道路与组织共同形成的系统，不能只用人的腿力评价。人—AI研究的能力也需要在问题、工具、验证与共同体的连接中判断。个人仍然承担选择和责任，但能力的发生不再能够只画在一个自然人的边界之内。
这种改变还会重新组织价值。若每个人都拥有更快交通，而所有机会仍集中在原来的狭小范围，工具可能加剧拥挤；若新的连接打开了新的活动空间，社会结构就可能扩大。同样，若人工智能只增加既有问题上的成果产量，而研究机会与评价结构没有相应扩展，竞争就更可能加速；若它打开新的理念与典范空间，研究的价值来源才可能分化。
所以，车的启示不是简单的替代故事。它要求我们把活动、能力、实现方式和组织条件分开，再考察它们怎样重新结合。工具封装了某些能力，但活动不会因此只能剩下被封装的部分。相反，成熟能力成为起点，可能让新的需求、对象和关系进入可行范围。
这个类比对理念世界提出了同样尖锐的问题：我们是否把一种历史形成的思想生产方式，当成了思想活动本身？如果我们习惯在既定典范中提出问题，会不会误以为所有严肃研究都必须永远沿着同样方式发生？人工智能带来的挑战，正在于它使这种习惯与活动本身之间的距离更容易显露。
从交通多元化走向理念多元化，因此不是把物质工具史机械套到思想史上，而是提出一个共同的发生问题：当能力的承载方式改变，活动能够怎样重新构成？回答这一问题，需要继续进入理念对象、研究典范与复合主体的具体关系。
第二节 理念生产不必永久依附于一种既定典范
理念世界的构造包括提出概念、建立联系、形成解释、推演后果与组织意义。科学是其中具有特定证据要求的一类活动，数学又具有自身的对象与证明制度。因此，理念多元化不能直接等同于科学典范多元化，但它可以为后者提供更广的发生空间。
一个人在既定典范中受训，逐渐学会什么问题值得问，什么表达容易被理解，哪些方法能够获得认可。这种训练带来巨大能力，也会使某些选择变得不再显眼。对象已经被划好，标准已经被习得，研究者往往首先寻找一个可解决的位置，而不是重新讨论这些位置怎样形成。
当人工智能能够承担较多典范内的搜索与展开，研究者有机会把部分注意力转向原先不易处理的选择。为什么以这些对象为基本单元？为什么把某种同一性看作自然起点？如果改变边界或组合规则，会出现什么后果？这些问题使典范由不言自明的研究条件，逐渐成为能够讨论的研究对象。
这就是理念生产与单一典范依附之间可能发生的分离。分离不意味着思想从此无需任何条件，而意味着研究者能够辨认并改变部分条件。就像出行不因离开步行而摆脱道路和能源，理念构造也不因离开某种熟悉典范而免除语言、证据与共同理解的要求。
在这一过程中，理念多元化至少包含三种层次。人可以用不同叙事理解同一经验，可以用不同模型表达同一问题，还可以改变对象、方法与标准的组织方式。第一层可能主要服务于意义理解，第二层服务于具体分析，第三层才可能触及典范候选。三层相互促进，却不能相互冒充。
例如，给同一个函数换一种解释，可能产生新的理解入口；给同一现象选择不同状态变量，可能形成新的模型；重新界定什么算独立单元，并据此改变组合和验证方式，则可能形成更深的研究纲领。判断层级依靠实际后果，而不是使用了多少“全新”之类的形容。
理念空间的扩大也不等于可以无限任意创造。一个故事可以允许某种虚构，数学命题必须满足相应证明要求，科学解释还需要经验约束。多元发生的价值在于使不同活动获得恰当展开，不是取消它们之间的区别。条件清楚，才有可能认真判断一种理念值得在何处使用。
人工智能改变的是展开能力的可获得性。一个原来只能保持为模糊直觉的设想，可能更快被改写成定义、程序或可比较方案。设想的作者因而能够从后果中认识自己的问题，而不只在脑中反复保护它。理念的发生由此具有更强的交互性：构造改变理解，理解又改变构造。
但这种机会也需要新的能力。研究者必须能够区分语言上的完整与内容上的成立，能够发现某个建议把自己的关键问题改写掉了，能够接受模型指出的缺陷，并把缺陷转化为修改任务。理念多元化不是停止判断，而是把判断带到对象与规则如何形成的层级。
过去，许多研究者的主要职业任务是进入一个已被认可的问题域，并在其中获得成果。未来仍然需要这种工作，但可以增加另一种稳定位置：参与问题域自身的构造。有人发现新的互动入口，有人把它变成模型，有人建立检验，有人连接不同方向。理念生产的分工因此可能更丰富。
这种丰富性能够回应封装带来的压力。若既有能力越容易获得，所有人却仍只能争夺同一组位置，能力增长会被转化为更高门槛。若问题域和价值标准能够在公共检验中分化，新活动就可能承接释放的能力。这里的关键不是逃离严格研究，而是让严格性进入更多可能的研究对象。
因此，理念多元化是一种发生能力的扩大：研究者不仅可以在给定世界中作答，也能够共同构造不同的可研究世界。它们有的成为数学结构，有的成为科学候选，有的服务于现实与自我的意义组织。接下来需要说明，这种主张怎样继承库恩，又在哪些方面提出新的任务。
第三节 从解释革命到组织发生：超越的准确位置
谈论对库恩的超越，首先应当准确理解超越的对象。库恩已经讨论前典范阶段的多学派、专业共同体的差异，以及不同理论之间的理解障碍；其后记也进一步区分共同承诺与具体范例（库恩，1970）。因此，本书不能把自己的贡献写成第一次发现科学中存在差异，更不能把库恩缩减为要求全体科学永远服从单一理论的思想家。
本书提出的拓展，集中在研究活动怎样被组织这一层面。认识到典范会变化，与能够把典范候选的形成安排为持续活动，并不是同一件事。前者帮助我们理解历史中的转折，后者则追问：在新的能力条件下，是否可以使更多候选在危机尚未支配整个领域时，就获得明确、严格而可接续的展开？
这种提问不要求历史完全服从某个单线图式。无论过去已经存在多少并行探索，新的技术条件仍可能改变并行探索的可承担规模、速度与参与范围。提出发生学拓展，应当说明这项条件变化，而不是通过夸大前人遗漏来制造原创性。理论贡献可以发生在已有问题被推进到新的组织层级之处。
通常，成熟研究把一组规则作为工作条件。研究者借助它们处理对象，而把规则本身的变化视为较少发生、代价较高的事情。新的纲领则希望在保持局部稳定工作的同时，为规则候选设置持续探索空间。这里不是要求所有研究同时进入动荡，而是使稳定与变化能够在不同层级上协调。
可以把一个研究群体想象为若干相互连接的小范围活动。有些活动使用稳定模型积累精密成果，有些活动检查模型边界，有些活动比较不同对象构成，另一些活动寻找共同语言。整体多元不要求每个局部都没有共识。相反，局部共识帮助候选形成清楚结果，跨局部交流使结果不被封闭在内部。
这种安排改变了典范探索的时间结构。研究者不必只在旧方向出现全面危机后才考虑基本替代，也可以在常规研究仍然成功时，探索它尚未覆盖的互动入口。探索的动机可以来自新需求、新工具、新对象或新尺度，而不只来自已有结果的失败。
同时，候选方向不必预先承诺取代旧方向。它可以寻找补充范围，建立不同问题族，或者发展与旧方向的映射。竞争仍然重要，但竞争结果可以是有条件的分工，也可以是合并与重组。科学进步的组织形态因此不必只由一个中心先后更换内容来描述。
在这一意义上，超越不是否定库恩对常规研究的洞见。共同问题和范例仍然能够组织高效积累。新的问题是：这种组织能力能否被用于典范候选本身？我们能否建立一套可靠实践，让研究者共同学习如何改变定义、构造比较、接受失败，并把不同框架交给他人继续？
这项拓展还把主体问题带入科学哲学。研究活动的承担者可以是人—AI复合体，能力不必全部集中在个体脑中。候选构造、展开、验证和判断由不同环节共同承担，研究者在互动中获得新的能力。解释科学变化时，因而需要考察复合体怎样形成，而不只研究既定共同体怎样选择理论。
不过，新的主体形式不会自动产生更好的科学。若复合体只强化既有偏向，它可能更快地重复旧问题；若缺少验证，它可能扩大错误；若资源集中，它还可能缩小实际参与范围。因此，发生学拓展必须包括判断、反馈与制度条件，使复合能力真正服务于不同路线的展开。
本附录所主张的超越，是王德生提出的一项研究纲领：从以既有典范组织研究为主要起点，进一步发展以典范候选的持续构造、比较、分化和重组为对象的研究组织。它不是已经得到学界统一确认的结论，其力量需要由后续成果证明。
理论的雄心恰在于提出可工作的新增任务。若这一纲领帮助研究者生成以往难以展开的问题，形成可以接续的结构，并使不同典范之间的交流更有生产性，它就获得实质支持。超越由新增能力体现，而不是由对前人作出一个更响亮的判决体现。
第四节 当典范本身成为可以研究和构造的对象
让典范成为研究对象，意味着把原先隐含的条件逐步显露出来。我们可以询问，一个方向怎样划分对象，怎样判断同一性，怎样组合单元，怎样形成典型问题，以及怎样确认成果。把这些条件说清楚之后，研究者才能有针对性地提出不同候选，而不是泛泛要求创新。
这种对象化并不等于认为典范是一张可以随意编辑的规则清单。许多重要能力存在于实践范例和共同训练中，不能在一次描述中完全穷尽。对象化是一个持续过程：通过比较、失败和重新表达，使原来没有被注意的条件逐渐成为可以讨论的内容。
例如，一个研究方向习惯把系统划分为边界清楚的单元。研究者可以提出三个候选：保持固定边界，允许边界随状态变化，或者以相互影响范围确定临时单元。三个候选不是三套已经成立的典范，而是对对象构成条件的不同猜想。接下来需要观察它们怎样改变运算、算例和研究问题。
如果边界固定，组合可能只是已有单元的连接；如果边界随状态变化，组合也可能改变单元身份；如果影响范围成为基本条件，重叠部分怎样处理就进入核心。一个看似基础的选择，能够产生一系列不同数学后果。对象化的力量在于把这些后果展开，而不是只说存在多种视角。
研究者也可以改变同一性条件。两段过程在终点相同，是否就算同一对象？若研究目标关心路径，答案可能不同；若任务只关心最终汇总，路径差异可能暂时被压缩。把这种选择公开，使不同模型可以依据任务比较，也帮助发现原先的统一对象其实包含多个问题层级。
运算规则同样能够成为候选对象。研究者可以问，组合是否应保留次序，分组方式是否重要，重复作用是否改变状态。每一个问题都对应可以检查的性质。人工智能协助展开这些选择，成熟数学工具承担部分验证，研究者则持续检查它们是否回应最初的互动问题。
评价规则的对象化更为敏感。一个方向以准确预测为主，另一个以解释结构为主，第三个重视可迁移性。它们可以共享部分标准，却不必接受单一总分。把标准公开，能够看清争议来自结果本身，还是来自对研究目标的不同选择。标准也须接受讨论，不能成为某个方向永久免于失败的护盾。
由此形成一个上层研究空间：不同候选之间有哪些映射，哪些性质相容，哪些必须作取舍，什么条件下可以统一，什么条件下应当分化。典范不再只是研究者所处的阵地，也成为研究者共同处理的对象。所谓理念升维，在这里获得具体含义：研究从对象关系进入产生对象与关系的条件。
这个上层空间仍需要局部稳定。若每个定义都随时变化，就无法知道证明究竟针对什么。可以把某一版本暂时固定，完成一组推导与检验，再根据反馈修订。固定不是宣告永恒，修订也不是抹去过去；二者通过版本关系相互连接，形成可积累的发生史。
典范候选由此可以留下谱系。一个方向从哪些问题分化而来，保留了什么，舍弃了什么，哪些失败推动了改变，哪些联系后来被重建，都能够成为公共记录。谱系帮助新研究者理解选择的代价，也使不同路线不必反复从同样的起点开始。
这种能力还可以反过来改善常规研究。研究者更清楚定义的可变部分，就更容易判断某条技术困难是否值得继续硬攻，还是应当重新表达问题。改变框架不必每次都达到典范规模，小范围的对象修订也可能显著提高研究效率。上层探索与下层积累由此形成相互支持。
典范对象化最终改变的是研究者与传统的关系。传统不再只是一套必须继承或必须反对的总体，而成为可以分析、调用、修订与重组的丰富资源。人工智能封装的既有能力使这种关系更可操作，人—AI复合体则可能在实际研究中把它发展成持续发生的方式。
第五节 AI使典范猜想获得快速展开与反馈的条件
一个宏大理念如果始终不能产生具体后果，就很难进入公共研究。人工智能为典范探索带来的关键变化，是可能缩短从理念提议到可检查后果之间的距离。研究者提出一项规则修改，系统协助生成算例、推导候选命题、编写实现并提出反例，理念因而更快显露自己的力量与缺口。
这种速度不只是便利。早期探索最容易被不确定性拖住：不知道想法是否自洽，不知道已有理论是否能够表达，不知道失败来自哪里。若反馈来得太晚，研究者往往只能凭信念继续或凭压力放弃。更及时的反馈可以把这种两难转化为一系列有根据的局部选择。
因此，典范发生的基本单位应当是完整循环。猜想提出可改变的条件，执行展开其后果，评估把后果与目标及证据比较，反馈指出差异，修正调整定义或任务，迭代继续学习，分化保留不相容的有用路线，重组建立联系，升维则形成新的研究对象与问题。这些活动能够并行和回退，不是一条只能向前的九格流水线。
人工智能可以参与每个环节，包括帮助修订问题本身。但各环节需要不同的检验方式。生成定义的流畅性不能替代自洽检查，程序运行不能替代数学证明，数值拟合不能替代经验机制。正因为系统能够快速跨越表达形式，研究者才需要保持证据状态清楚。
封装的可靠程度也要逐步形成。一个环节经过多次使用与检查，研究者可以在适用范围内减少重复劳动，把注意力转向更高层的问题。当输入条件发生显著变化，或出现与其他证据不一致的结果，又应重新展开检查。可靠封装与必要展开共同支持研究速度，而不是相互排斥。
这种机制使多路径探索更可承担。团队可以先为若干差异明确的候选投入有限资源，较早淘汰存在基础缺陷的方案，再把更多资源投入能够产生有意义后果的方向。它不保证发现一定成功，却可能减少把多年劳动押在一个尚未澄清的直觉上的风险。
还应当区别候选广度与候选多样性。对同一假设生成很多表述，主要增加搜索密度；改变基本对象、同一性和组合方式，才可能增加结构差异。实验室可以明确指定这些不同选择，使并行工作具有真正比较价值，而不是让多个智能体给出措辞不同的相似答案。
快速反馈还能够改变失败的社会意义。当失败代价极高时，研究者容易把个人身份与某条路线紧密绑定，修正便显得像自我否定。若小规模候选能够较快获得检验，放弃一个方案可以成为正常研究动作。真正值得维持的是持续发生能力，而不是每一个早期猜想都必须被证明伟大。
不过，反馈速度也可能制造短视。容易自动评分的任务会获得更多优化，不易量化的研究价值可能被忽略。团队需要为尚未形成评价器的问题保留讨论与探索空间，并逐步构造适当检验。人工智能基础设施应当服务于问题的丰富性，而不是要求所有问题适应已有分数。
在更高层面，AI可以帮助形成典范之间的反馈。一个方向的反例成为另一个方向的构造动机，一个模型的简化方法进入另一个模型，一个领域的数据问题推动新的数学对象。这种跨路径接续使多元不是孤立项目的集合，而是相互生成的研究网络。
研究网络需要记忆。定义版本、失败原因、模型映射和已验证条件应当被保存，使后续系统能够理解某条路线为什么形成。若每轮只保留最终答案，探索就会丢失最有价值的转折信息。知识封装在这里不仅封装成果，也封装对适用边界与形成条件的认识。
因而，AI支持的理念多元化不是由无限生成证明的，而由反复生成后仍能有效判断、修改和接续证明的。工具使更多理念有机会接受后果的教育，研究者在这些后果中重新形成自己的能力。典范发生由此获得一种可持续的实践基础。
第六节 从单一研究者到复合主体：谁在发生新的理念
如果仍把研究能力全部理解为自然人头脑中的固定属性，人工智能的增强就容易被解释为人的减弱。工具承担得越多，人似乎就剩得越少。这种算术式理解忽略了一个事实：人在使用工具的过程中，也可能获得过去无法形成的观察、判断和创造能力。
一个数学家原来只能亲自展开少数例子，现在能够比较许多结构，并检查它们之间的关系。他的手工劳动比例下降，不表示其研究活动必然贫乏；关键在于他是否进入更丰富的问题，是否理解反馈，是否能够组织可靠接续。能力应当按照实际可开展的活动判断，而不是按照未借助工具的动作数量判断。
人—AI复合体因此不是两个不变能力的简单相加。人的提问改变系统的工作方向，系统的输出改变人的理解，新的理解又改变后续资料、规则与验证。这种循环可以形成独特的研究能力，也可以形成需要纠正的偏向。主体性在其中表现为能够作出并承担有根据的选择，而非拒绝一切封装。
在SDE表达中，显露、差异运行与特征纠缠相互规定。用、、提示这种相互生成关系，并不等于已经给出一个可直接计算的科学定律。其方法意义在于，不能把结果、过程或构成条件中的任何一项孤立为全部解释。
典范猜想就是这种相互改变的一个场所。新的显露目标要求新的差异运行，新的运行又重组相关特征的纠缠，重组后的条件可能产生原先未曾设想的显露。研究者需要同时观察目标、过程和关系怎样变化，而不只是检查最初答案有没有出现。
理念世界中的发生也会改变自我世界。研究者原来可能把价值寄托在独立解决某类难题上，复合研究使他有机会把意义转向组织新问题、建立联系和支持共同探索。这种改变不能由职业口号强迫完成，它需要真实的成功、失败与承认，让新的自我理解获得经验基础。
现实世界则提供时间、经费、设备与合作条件。一个人在理念上接受多元发生，若现实中没有试错空间，仍可能无法行动。三界的关系因此不能只在理论中被赞美。研究安排需要把理念探索、自我动力与现实支持连接起来，使升级能够进入日常生活。
“我的数学”在此获得新的含义。它不是宣布数学真理由私人意愿决定，而是承认问题选择和发生入口可以具有个人性。一个人因特殊经验看见某种差异，在AI支持下把差异展开为公共模型，其他人再通过证明、反例和应用接续它。个体性通过互动进入公共性。
“我们的数学”也可以形成多个相互连接的共同体。它们不必共享全部对象和研究目标，却可以共享某些验证工具、映射方法和交流规则。公共性由可进入、可检查和可接续的关系形成，而不是由所有人必须研究同一种对象形成。
这会改变数学家的合作想象。一个人的复合体可以成为另一个复合体的伙伴，双方交换的不只是答案，也包括模型、失败与验证能力。共同体由此有机会形成不同颗粒度的协作：有时共同展开一个猜想，有时独立保持分支，有时在上层比较它们的关系。
复合主体仍需责任边界。某条命题由谁确认、哪项实验由谁解释、模型建议如何进入决定，应当清楚可追踪。共同发生不能成为无人负责的理由。恰当的责任分配使协作更可靠，也保护研究者在贡献被封装后仍然获得合理承认。
理念多元化最终关乎能够发生什么样的研究者。若工具只让人更快服从同一轨道，主体性可能受到压缩；若工具帮助人形成自己的问题、接受公共检验并连接多种共同体，主体性就可能在复合关系中重生。这是本书对数学家未来所提出的积极方向。
第七节 持续多元发生需要怎样的共同体
交通多元化不能只靠车辆数量增加，理念多元化也不能只靠模型与智能体数量增加。不同活动需要连接方式，需要可靠接口，也需要让参与者能够选择和转换的条件。若所有入口都受同一目标控制，表面选项很多，实际研究空间仍可能狭窄。
共同体首先需要一种分层稳定。具体项目在某一版本上保持足够共识，使成果可以积累；项目之间保留差异，使比较与分化能够发生；更高层的公共设施则支持资料、工具和验证的交流。稳定不再被要求覆盖所有层级，而是在适当位置服务于活动。
这种结构可以避免两种失衡。一种是所有人都必须围绕同一框架工作，新的入口难以获得机会；另一种是每个人都建立无法交流的私人体系，研究不能接续。分层稳定使局部探索具有清楚边界，同时保留跨边界的翻译与合作。
研究评价也应与层级相配。常规项目可以根据明确问题的解决程度评价，候选构造可以根据对象清晰度与后果丰富性评价，跨路线工作可以根据映射和新问题评价。不能用同一指标掩盖活动差异，也不能因为活动不同就放弃具体证据。
对于尚在早期的典范候选，可以采用分阶段支持。第一阶段检查定义与最小算例，第二阶段检查关键性质和已有理论对照，第三阶段考察应用或跨领域联系。进入下一阶段的依据应当公开，使探索既有时间形成，也能接受资源约束。宏大愿景不应免除阶段责任。
公共工具应当尽可能让研究者保留迁移能力。定义、数据和验证程序能够被带到不同环境中，团队才不至于完全依附某个平台。可迁移性不是技术细节，它影响谁有权修改研究条件。工具封装若同时封闭了理解与转移通道，理念多元化可能受到新的限制。
教育需要培养两类相互联系的能力。一类是在给定规则下准确工作，另一类是辨认规则怎样构成并推演替代方案。学生可以先掌握一个结构，再尝试改变其中一个条件，比较所得结果。这样的训练使基础知识成为发生资源，而不是必须机械重演的全部历史。
博士训练尤其可以包含一次完整的候选展开。候选未必成功，但学生应能说明问题来源、定义选择、失败证据和修订过程，并把成果交给他人继续。评价由此观察持续研究能力，而不只观察最终文本是否像一篇成熟论文。人工智能参与之后，过程中的关键判断更需要被看见。
共同体还应为翻译者和维护者提供位置。不同典范之间的资料整理、模型对照、验证接口与教学范例，决定多元研究能否形成共同财富。若这些劳动被视为次等贡献，整个系统就可能充满新名称，却缺乏连接与可靠使用的条件。
失败文化也需要具体制度。公开一个正确反例、证明两个候选等价、说明某个目标无法兼得，都应有合理表达渠道。研究者不必为了维持职业叙事而把所有结果包装成正面突破。能够承认失败，才有可能把资源从失效方向转向新的发生。
此外，多元不是要求每位研究者同时从事所有活动。有人适合深入一个方向，有人适合跨域连接，有人擅长构造工具。同一个人也可以在不同阶段转换角色。共同体的任务是让这些差异形成协作，而不是把“发明新典范”设为新的统一身份要求。
当这些条件逐渐形成，常规研究与典范探索就不必争夺彼此的合法性。成熟工作为新探索提供封装能力，新探索为成熟工作提供新的问题与边界，公共设施支持两者反复接续。这样的组织形态，才使理念多元化从个人愿望进入能够长期运行的研究生活。
第八节 发生学拓展的贡献与开放检验
本附录提出的第一项转换，是从活动与单一实现方式的绑定，转向活动在不同复合条件中的发生。腿的行走不穷尽交通，单个自然人的手工推导也不穷尽数学。这个转换帮助我们辨认，工具封装改变某些动作的承担者时，活动本身仍然可能扩大。
第二项转换，是从在典范中构造对象，进一步走向把典范的构成条件作为研究对象。研究者不仅回答给定问题，也能够比较不同对象边界、同一性和运算规则。典范由只能继承或反对的总体，成为能够部分分析、实验和重组的研究资源。
第三项转换，是从把深层变化主要理解为少数转折，走向探索持续发生的组织条件。这里不是改写历史，声称过去从无主动构造，而是提出新的制度任务：当展开成本下降，能否支持更多候选以较小代价进入公共检验，并使有效分支长期生长？
第四项转换，是从自然人能力的单独计量，走向人—AI复合体实际研究能力的形成。研究者的价值可以体现为问题选择、对象构造、验证组织与共同体接续，也可以体现为精密证明和深入计算。这些能力在互动中改变，不能预先按人和机器作永久分配。
第五项转换，是从多样观点的并列，走向具有翻译、分化和重组能力的多元研究。多元的价值不是永远保持最多候选，而是使有意义的差异能够显露，使不成立的路线能够终止，使成立的关系能够积累，并不断产生新的研究问题。
这五项转换共同构成对库恩科学哲学的发生学拓展。它承认常规研究、共同范例和理论转折的重要性，同时把人工智能时代可以主动建设的发生条件放到中心。其新增之处是一项实践取向的纲领：让科学不只描述自己怎样改变，也研究怎样组织更多受约束的新发生。
这一纲领可以提出明确预测。如果相应组织条件建立，研究者应当能够以合理成本展开更多实质不同的候选，较早识别基础缺陷，更频繁地建立模型联系，并使原先难以进入的问题获得持续工作。预测不要求每个候选成功，却要求整体发生能力出现可观察改善。
它也有明确的失败可能。如果工具主要增加同质内容，验证负担持续超过收益，候选无法被独立接续，或者资源集中使实际探索路线减少，那么多元发生的承诺就尚未实现。研究者需要据此修改技术与制度安排，而不是以未来必然成功回避当下结果。
对于“否则就是内卷”的判断，本书把它理解为一种方向性压力：成熟能力广泛可得之后，若新活动和新价值空间没有形成，竞争就更容易围绕既有稀缺位置加剧。它不排除需求扩张、公共支持和重新分配暂时缓解压力，也不要求所有领域同速变化。正因存在条件差异，行动才具有意义。
因此，数学家的出路不是等待工具自行创造职业，也不是把人的价值收缩到机器暂时做不到的残余。可以主动建设的是新问题、新对象、新研究循环和新的共同体接续。工具封装使这些活动拥有更强条件，研究者与制度则决定条件怎样转化为现实能力。
交通类比到这里完成了自己的任务。人并未因为工具代替某些步行动作而失去一切移动能力，而是能够进入不同尺度、路径与组织的交通活动。类似地，当AI封装更多典范内的能力，理念生产可以进一步探索多种构造方式，数学和科学也可以获得新的典范发生空间。
这不是保证一切都会自然变好，而是提出一个可以共同建设的方向。让既有能力成为起点，让典范候选接受展开与检验，让复合主体在互动中成长，让不同共同体能够交流和继续。对数学家未来最有力量的回答，将来自这些实际发生的新数学，而不只来自对旧阵地的守望。