第十三章 封装释放的时间，怎样成为新的创造空间

一、省时并不等于拥有时间

工具让一项任务更快完成，研究者却未必感觉更自由。节省的时间可能被新的任务填满，也可能被更高的产出要求收回。一个人原来每周完成一份证明草稿，现在每天可以得到数份，他便可能开始处理更多草稿、回复更多询问、比较更多版本。日程更加拥挤，研究结构却没有改变。局部效率提升与整体时间自由之间，需要一个组织环节，不能画上等号。

封装还可能转移时间成本。生成减少的时间，部分转为核验与整理；搜索降低的成本，部分转为筛选候选；写作加快以后，同行阅读压力上升。若只记录输出前的劳动，而不记录输出进入共同体后的劳动，就会高估整体节省。数学研究尤其需要考虑后者，因为一条看似完整的证明可能要求其他人投入大量时间确认，而它真正增加的知识却很有限。

因此，本章讨论的不是如何把日程安排得更满，而是如何让已经释放的局部能力转化为新的研究空间。空间在这里意味着能够尝试不同问题，改变活动层级，或进入过去无力检查的细节。它需要时间，也需要工具、资料与合作关系共同支持。若只有空闲而没有可展开的问题，创造不会自动发生；若只有大量候选而没有可支配时间，也难以形成持续研究。

二、看见整个研究循环的瓶颈

研究者可以先把一个项目看成循环，而非单向生产线。问题形成、资料比较、候选构造、推演、检验与表达彼此反馈。工具使某个环节加快以后，瓶颈可能移到别处。原来最费时的是计算，现在可能是定义不清；原来最费时的是查文献，现在可能是无法判断不同说法是否等价。继续在已经很快的环节上投入资源，可能只增加堆积。

用一个示意时间账说明：将原项目总时间标准化为一，其中十分之一用于生成候选，其余用于理解与验证。若生成速度提高十倍，其他环节不变，总时间成为零点九加零点零一，即零点九一，整体加速仅约一点一倍。若更多候选使核验时间再增加零点零九，收益便被抵消。这里的数字是示意计算，不是实际测量。评价工具应观察整个循环是否更快获得可靠的新知识，而不只观察某个按钮的响应时间。

瓶颈记录可以保持简洁。每次研究停滞时，写明当前缺少的是事实、定义、算例、证明、比较还是资源。经过若干轮后，团队便能看见重复出现的障碍。若大多数失败来自同一个隐含假设，下一步应该重构对象，而不是请求更多相似答案。若证明一直卡在库缺失，建立公共基础设施可能比继续单独求解更有效。瓶颈分析把时间使用与研究结构连接起来。

三、把成熟过程变成下一层活动的条件

封装最深刻的作用，是使一个曾经需要全神贯注的过程，成为可以相对稳定调用的条件。研究者使用成熟定理时，不必每次从公理重新证明；使用可靠程序时，也不必重新实现全部细节。这种依赖不是智力懒惰，而是复杂活动能够形成的必要方式。问题在于，调用成熟过程以后，研究者是否进入了新的活动，还是只是把原过程重复更多次。

可以区分两种情况。第一种是横向复制：同一方法作用于更多对象，形成更丰富的资料，这有时非常重要。第二种是层级转换：把这些对象与方法本身作为比较对象，研究哪些表示保留某种性质，哪些运算能够兼容，哪些定义产生不同问题族。后一种转换可能更接近典范探索，但它也需要前一种积累。两者之间并非价值对立，而是研究活动如何相互提供条件的关系。

例如，一个可靠的图构造程序可以批量生成样例，随后这些样例被用于研究某个不变量；当不同不变量在同一批样例上表现出系统差异，研究者又可能开始研究不变量之间的翻译关系。这里每一层都依赖前一层的封装，同时也可能因新问题而要求前一层重新展开。工具封装的历史由此可以理解为不断形成新起点的历史，升级则发生在研究者能够使用这些起点改变活动的时候。

四、广度的扩展：让不同方案真正相遇

AI降低初步展开成本后，研究者可以同时接触更多候选方案。但广度不是把更多名字列在一起，而是让不同方案在共同问题上显示差别。若三个模型分别使用不同数据、不同目标与不同评价，就很难知道哪个差异来自模型本身。有效的广度需要共同算例、明确假设和可比较后果，使研究者能够判断哪些分支互补、哪些冲突、哪些只是表达不同。

设想团队提出三种带范围影响的单元定义。第一种只记录中心与半径，第二种增加强度分布，第三种保存作用历史。研究者可以先选择几组小算例，观察它们在重叠、组合与更新时怎样表现。若在所有当前任务上结果相同，最复杂模型未必值得采用；若某个任务需要区分相同当前观测投影之下的不同隐藏历史，第三种模型的额外信息才获得意义。这种比较比让AI分别为每种方案写一篇赞成文章更有研究价值。

广度扩展还需要防止资源被热门分支吸走。系统往往更容易生成与已有资料接近的方案，陌生方案则需要更多解释与试验。若团队只保留最容易展开的候选，多元化可能在起点就被缩减。可以为差异较大但理由清楚的分支保留有限试验空间，同时设置退出条件。这样既不盲目平均分配，也不把熟悉程度误当作唯一的研究价值。

五、高度与颗粒度怎样改变

所谓研究高度的变化，可以具体表现为研究对象类型的改变。原来研究一个运算的性质，后来研究一类运算怎样被构造；原来判断某模型是否适合任务，后来比较不同适合标准之间的关系。这样的上移不会自动带来更高价值，仍需证明它解决了什么问题。若上移只是增加抽象术语，却不能回到实例和推论，便可能失去研究内容。

颗粒度可以在一个最小算例中看清。把某个范围内的强度分成三格，完整状态记为三元组，粗观测只取三格总和。状态甲为一、零、零，状态乙为零、一、零，两者总和均为一。若一次更新只把第一格减半，甲的总和成为二分之一，乙仍为一。相同粗观测经过同样更新出现不同结果，说明仅凭总和不能决定下一次总和。这是简单的线性算例，用于展示信息层次，不是宣称新理论。

研究者由此可以上移一层：不再只问某个状态怎样更新，而问什么观测方式能够支持封闭更新。若观测映射记为P、完整更新记为T，就追问是否存在观测层更新U，使P作用于T的结果等于U作用于P的结果。上述甲乙算例排除了仅取总和的方案，却没有排除更丰富的观测。这就把一个失败变成了比较不同表示的研究问题。AI可帮助寻找反例和候选映射，数学检验则确定其适用范围。

尤其要避免把粗粒度观测与完整状态混为一谈。两个对象看起来相同，可能只是当前投影没有保留后续行为所需的信息。增加历史变量是否必要，应由预测与构造任务检验，而不能仅由直觉决定。这个区别将在后面的伞模型实验中获得更明确的数学表达。

六、保护探索时间的组织安排

个人很难独自保护被工具释放的时间。如果评价只承认同类成果数量，研究者即使愿意探索，也会受到机会成本挤压。因此，组织需要将一部分效率收益明确转为可试错的时间。这个比例不宜作为全领域统一规定，但每个项目可以说明：哪些任务继续稳定完成，哪些资源用于新定义、新比较或新的领域连接。没有这种明确安排，“节省时间用于创造”往往只是口号。

探索时间也不能变成免于说明的特权。使用者应当定期呈现尝试过的构造、遇到的反例和下一步理由。呈现形式可以短于正式论文，但必须有数学内容。一次阶段讨论可以围绕一个失败模型展开，解释它为什么失败、失败是否揭示新的分支。这样既让探索接受反馈，又避免要求每次试验立即产生可发表成果。组织保护的是合理试错，而不是对任何设想无限续费。

团队还要区分共同时间与个人时间。有些概念形成需要独自推演，有些比较需要集体讨论，有些计算可以交给并行工具。若把所有活动都安排成持续在线协作，可能压缩真正消化问题的空间；若每个人完全独立，又可能重复相同失败。合适的节奏是让个人形成初步判断，再让差异相遇，然后分别展开新的分支。AI可以帮助保存与连接这些阶段，但不应以持续输出代替人的节奏选择。

保护探索时间还需要处理注意力的分配。工具可以同时展开许多分支，但研究者能够认真理解的分支数仍有限。若每次模型给出新建议就立即切换，项目会积累大量未完成片段。可以在一轮探索开始时约定共同问题和比较依据，完成这一轮后再决定是否加入新方向。这并不禁止意外发现，而是让意外能够被记录并在适当节点进入判断，避免新颖性持续打断正在形成的理解。

时间安排也应给慢变量留下位置。有些概念只有在多次使用后才显示问题，有些合作信任需要经历共同失败，有些领域需求需要参与者实际尝试才会表达清楚。AI可以加快推演，却不能用输出速度直接替代这些过程。若把所有环节都压缩到相同节奏，团队可能在尚未理解问题时就形成大量方案。承认不同环节的时间性质，才能把快速执行放在有意义的位置上。

可以用一个月度研究循环作为例子，而不是通用规定。前段时间用于形成少量明确候选，中段安排并行展开与反例搜索，后段集中比较并决定下一轮。若关键定义在中途失败，就提前回退；若某条路线已被充分排除，就停止投入。循环结束时，不要求每条路线都有正成果，但要求知道哪些不确定性减少了。这样的安排使节省的时间进入有结构的探索，也使管理者能够理解探索为何需要资源。

七、让失败成为节省时间的知识

失败记录的价值不只在于诚实，它可以减少整个共同体的重复成本。某个看似自然的运算不满足结合律，如果反例和原因被清楚保存，后续研究者便能直接从这个边界继续，而不必重新走完相同弯路。反例还可能告诉我们应当改变什么：是缩小对象类、修改运算、放弃某条公理，还是接受一种不同结构。失败因此可能成为分化的入口。

不过，失败记录也需要颗粒度。保存每次无意义的提示变化，会形成难以使用的噪声；只留下“此路不通”，又不足以接续。较有价值的记录应包括当时的明确目标、关键定义、最小失败例子、排除过的修补方式，以及仍可能成立的较弱版本。这些内容使失败成为知识，而不是情绪日记。工具能够帮助整理，但研究者需要确认压缩过程没有抹去决定性条件。

一个团队若能稳定积累这种边界知识，就可能比只展示成功成果的团队更快开展新探索。它知道哪些条件不能同时满足，哪些变换只是改名，哪些假设一旦放松就出现新行为。所谓封装智慧，便包含将试错形成的判断条件保存为可调用的研究资源。它不是保证未来不会失败，而是使下一次失败更有信息量，使有限时间能够进入尚未被探索的地方。

八、从更多成果到新的研究组织

当我们把时间、瓶颈、广度、高度与颗粒度放在一起，研究升级就表现为一种组织能力。研究者不只是获得更快的助手，而是能够安排多个候选方案如何展开，哪些环节需要独立核验，何时回到定义，何时停止分支，以及怎样把已有结果变成新的共同条件。这种组织可以由个人开始，也可以逐渐发展为实验室、课程或研究平台。

它的成果形式也会更丰富。除了论文，还可能包括一套对象构造、一组最小反例、可复现的比较程序、清楚的依赖图谱和开放问题序列。这些形式不能仅凭“新”就获得承认，而应说明它们怎样使后续研究更有能力。评价可以问：别人能否从这里继续，是否能够检查关键步骤，是否能够修改条件并得到新结果。可接续性把当前成果与未来活动连接起来。

封装释放的时间只有通过这些具体安排，才可能成为创造空间。若时间全部被同一评价结构重新吸收，研究者会更忙，领域却未必更加多元。若时间进入候选构造、比较、反驳与重组，新的数学活动就有机会发生。接下来还要面对一个更现实的问题：不同人拥有的时间、资源和可迁移能力并不相同。生涯转型不能只描述理想流程，还必须解释为什么有些人能够进入，有些人却被留在原地。