附录一　多元科学发生

第一节　从多元数学发生到多元科学发生

数学的讨论把我们带到一个更广的问题：当推导、模拟、搜索与资料组织的能力不断进入工具，物理学家、化学家和生物学家是否也能够更持续地展开多种科学典范猜想？这个问题不能用一句“所有科学都会一样”回答。不同学科的对象、证据和实验条件存在实质差异。能够跨越学科的是某些研究活动的组织机制，而不是一套未经调整的结论。

本书提出的共同机制可以从封装开始理解。成熟工具把过去需要专门劳动的活动转化为可调用条件，使研究者有机会把注意力移向新的对象和问题。若释放的能力主要被投入同一指标上的竞争，研究可能出现产量增长与方向收缩并存；若这些能力支持新的变量选择、对象构成和检验方式，领域才可能获得更深的升级。

然而，数学中的证明与经验科学中的检验承担不同任务。一个数学命题在明确公理和定义下得到证明，可以确立相应的条件性关系。一个物理模型即使所有推导正确，也仍需要说明变量如何测量、条件能否实现、预测是否得到支持。化学中的可合成性、生物学中的情境依赖，更不能仅由模型内部的一致性替代。

因此，多元科学发生需要区分至少三个层面。首先是表达是否清楚，研究者能否明确说明对象和关系。其次是推论是否可靠，计算、证明或统计分析是否支持所声称的后果。最后是这些后果与所研究的经验过程是否相符。三个层面可能分别成功或失败，只有分开记录，反馈才具有方向。

以一个假想研究为例，团队提出一种新的细胞响应模型。程序可以正确实现模型，却使用了不合适的观测变量；统计拟合可以很好，却没有区分两个竞争机制；模型也可能只在某种培养条件下有效。此时不应把所有失败合称为“理论不行”，也不应因程序运行顺畅而宣布发现了生命规律。失败所在层级决定下一步修改什么。

科学典范还包含仪器与操作。研究者使用什么设备，怎样准备样品，何时认为数据可用，这些活动参与决定什么现象能够显露。同一个术语在不同测量安排中，可能关联不同经验对象。因此，改变典范不只是在论文中更换概念，也可能要求改变实验程序、数据结构与训练方式。

SDE视野在这里提供一种研究提醒：显露的特征不能脱离差异运行与特征纠缠来理解。测量者、仪器、对象和既有知识共同进入实际研究活动，但这并不意味着结果可以由研究者任意规定。恰恰因为互动具有具体条件，某些预期会失败，某些操作会重复产生相近结果，研究必须通过这些约束修正自己的构造。

从这一立场出发，多元科学不是不同人各自相信不同世界便已完成。它要求研究者公开进入现象的方式，说明对象如何在操作中形成，并允许他人使用相同或可比较的条件进行检验。发生性理解可以帮助揭示测量前提，却不能成为回避实验证据的理由。

典范候选可能在不同尺度上并存。一个模型描述分子相互作用，另一个描述宏观输运，它们未必直接竞争。真正需要问的是，二者怎样联系，转换时丢失什么，以及在哪些条件下会给出相互不相容的结果。多尺度本身不等于多典范，但它提醒我们，统一词语可能掩盖研究对象的差异。

也有候选在同一尺度上竞争。它们可能对现有数据同样适配，却在尚未测量的条件下产生不同预测。此时，下一步应当寻找能够区分方案的观察或干预，而不是继续累积双方都能解释的相似数据。研究资源有限，最有价值的实验未必是最容易成功的实验，而可能是最能改变当前判断的实验。

人工智能能够帮助提出这种区分。它可以比较候选方程，寻找预测差异最大的条件，估计需要怎样的精度，也可以检查某个实验是否同时受其他因素影响。但建议本身仍需专业判断和实际验证。一个数学上最能区分模型的条件，可能在实验上无法达到，也可能改变系统到不再属于原来的研究对象。

这使多元科学实验室必须围绕完整循环组织，而不是围绕单一生成器组织。猜想、执行、评估、反馈、修正、迭代、分化、重组与升维，在不同学科中需要接入不同证据渠道。某些阶段可以快速计算，某些阶段需要漫长观察，某些阶段还必须等待新的仪器与合作条件。

候选数量的增加因此只是一个早期信号。若实验能力没有相应变化，更多候选可能加重筛选负担；若数据偏差被循环使用，系统还可能越来越自信地探索一个狭窄区域。真正的进步需要观察候选是否被有效区分，失败是否改变模型，以及成果是否产生可以接续的新问题。

跨学科推广还应保留不同的时间尺度。数学证明可以在某些任务中被快速重复检查，材料合成需要处理物质过程，生态研究可能依赖季节和多年变化。人工智能能够加速分析，却不能把所有现实过程压缩为瞬时计算。研究计划应围绕真实瓶颈安排，而不是以文本生成速度衡量整个科学活动。

同时，工具封装可能改变研究者之间的关系。原本分离的理论、计算与实验人员，可以围绕共享模型更紧密地协作；也可能因平台集中而失去部分选择权。多元科学发生的条件不仅是技术可用，还包括数据能否交流、实验资源怎样开放、失败结果是否获得承认，以及青年研究者能否承担路线探索的风险。

这些条件决定“多元”是实质研究空间还是表面选项。一百个界面若调用同一种模型、依赖同一批数据、使用同一个评价目标，未必比一个允许改变假设的开放平台更有多样性。判断多元应当进入对象、操作与验证机制，不能停在产品或项目数量上。

本附录因此把多元科学发生作为可检验的研究纲领。它主张人工智能可能支持更多基本方案获得展开，并要求用实际研究记录判断这一可能实现到何种程度。支持证据可能来自新的可区别预测、可复现材料、跨条件机制模型与新的合作问题；反对证据也可能来自同质化、不可复现和验证成本的持续上升。

这一纲领对数学家具有直接意义。数学家可以参与不同学科的对象构造、变量选择、模型比较与实验设计，但需要尊重各自的证据制度。数学结构的优美可以引导猜想，不能预先保证自然过程必须服从它。最有生产性的合作，是让数学推演与经验反馈相互改变，而不是把一种学科当作另一种学科的装饰。

第二节　物理学：基本对象与相互作用描述的重新建构

物理学为典范讨论提供了许多重要历史经验，但物理研究并不只由基础革命组成。大量进展来自测量精度、材料条件、计算方法和有效描述的改进。要讨论人工智能支持的多元物理发生，首先应区分这些变化与基本对象重构之间的关系，避免把所有计算突破都称为新的物理学。

一个物理模型通常选择某些变量，规定变量之间的关系，并说明这些量怎样与观察相连。变量选择本身包含对对象的判断：哪些差异需要保留，哪些可以平均，哪些过程可以忽略。不同尺度上的有效描述，往往不是把同一套变量简单放大缩小，而是重新选择能够支撑相应问题的对象。

人工智能可能参与变量选择，但不能仅凭压缩效果决定物理意义。一个潜在表示能够准确预测数据，不等于其每个坐标都对应独立物理量。研究者需要检查表示在条件变化下是否稳定，能否与已知操作联系，是否支持新的可区别预测。否则，所谓新对象可能只是一个便利的计算坐标。

符号回归提供了一个清楚入口。Udrescu与Tegmark的AI Feynman研究把神经网络拟合与物理启发的分解方法结合，用来恢复数据背后的符号表达式，并在已知公式构成的测试集上报告表现（Udrescu与Tegmark，2020）。这说明结构性先验与自动搜索能够协同工作，不能据此宣布系统已经独立发现未知自然定律。

从恢复已知公式到提出新理论，中间还需要多项工作。数据可能不足以唯一确定表达式，噪声可能制造虚假项，变量也可能选错。即使公式在已有区间内吻合，区间之外仍可能出现巨大差异。研究者必须明确系统搜索过什么表达空间，以及哪些候选因工具设定而根本没有机会出现。

可以用一个简化例子说明区分预测的重要性。设想某种可测状态量的变化，候选甲采用线性衰减，候选乙在其上增加一个随状态立方增长的项。在状态量很小的范围内，新增项可能小到被测量误差掩盖，两种模型都能拟合现有数据。此时继续增加同一区间中的样本，未必最有效地辨认两者差异。

若能够在合适条件下扩大状态范围，两个模型的预测就可能分离。但这并不是要求不受限制地增加输入，因为较大输入可能触发新的过程，使两个原模型同时失效。有效实验必须同时检查候选模型的适用范围与区分能力。一个看似理想的测试点，若已经离开模型承诺的条件，就不能直接用来裁决原有争议。

这个例子也说明，复杂模型拟合较好并不自动代表机制更准确。增加参数通常会提高对已有数据的适配能力，却可能降低新条件下的稳定性。比较应当使用未参与调整的数据或预先设定的测试，并报告不确定性。人工智能可以帮助寻找紧凑表达，但“紧凑”与“真实”之间仍需要经验论证。

新物理对象的提出，还常涉及测量方式的重新组织。如果一个模型引入无法直接观察的状态，研究者需要说明哪些可观察后果依赖它，以及其他模型能否产生相同后果。不可直接观察并不使对象失去科学地位，但完全没有区别性后果会限制经验支持的范围。

模型之间也可能存在可转换关系。两套变量不同的方程，经过合法变换之后也许描述同一系统。人工智能能够帮助寻找变换，但研究者必须检查其定义域、可逆性和边界条件。若变换只在局部成立，就不能宣称全局等价；若变换丢失信息，就应说明丢失部分是否影响当前任务。

在多元探索中，这种等价辨认十分宝贵。它可以把表面的理论繁荣压缩成少数实质不同的路线，使实验资源集中于真正需要区分的假设。另一方面，等价表示也可能各有计算优势，仍然值得保留。数学等价与研究实践价值相同不是一回事。

相互作用描述尤其需要警惕提前固定单元。某些问题适合把对象视为点或局部单元，某些问题必须保留延展、耦合或历史。已有物理学早已发展出场、连续介质和非局域等多种表达，本书不能把这些内容当作不存在。新的研究入口应当说明既有表达在目标问题上具体缺少什么。

假定一个候选模型希望保留范围性影响，比较对象就应包括已有核函数和相关动力学描述。若候选最终可写成已有形式，贡献可能在于选择了新的变量、约束或实验连接；若它改变基本组合规律，则需要推导不同后果，并检查是否与已知结果相容。两种结果都可以有价值，但支持的创新层级不同。

物理学中的对应原则可以作为一种方法要求理解：新方案若声称覆盖旧方案成功的区域，应当说明怎样恢复这些成功。恢复可能是严格极限，也可能是受控近似。若不能恢复，研究者必须指出旧结果为何在那些条件下仍然看起来成立，而不能简单把既有证据视为过时。

这并不意味着新模型必须从开始就解释所有现象。早期研究可以限定范围，例如只研究某种边界、某个尺度或某类相互作用。范围限制使候选更容易检验，也使失败更有诊断性。问题在于限制是否来自研究目标和证据，而不是每次出现反例后随意添加的保护条件。

人工智能辅助模拟也要接受相似约束。模拟结果首先是程序在给定规则下的后果，不是自然过程本身。数值误差、离散方式和边界处理都可能制造现象。应当在适当范围内改变步长、网格或实现方式，检查关键结论是否稳定，并尽可能与解析结果或独立计算对照。

更深的典范探索可能同时改变方程形式与实验提问方式。研究者不再只问某个参数是多少，而问哪些状态变量能够在互动中稳定显露，哪些历史信息必须保留，哪些尺度转换会改变对象身份。这样的提问与SDE视野可以发生对话，但对话的成果仍须转化为明确模型与可检查后果。

在合作实践中，数学家可以承担结构分析，实验者说明哪些量可测，计算研究者评估实现成本，人工智能参与候选生成与比较。职责不是固定的，人也可以在互动中学习新的角色。但谁对某项结论负责、哪些结果已经核验，必须保持清楚，否则复合能力容易被误写成无人承担的总体能力。

物理典范的多元化还需要保护真正不同的探索时间。若所有候选都以同一短期指标评价，研究可能集中在最容易取得数字改进的路线。可以为基础对象探索保留小规模稳定支持，同时设置阶段性成果要求，使其既不被立即淘汰，也不因宏大目标获得无限资源。

一项探索最终可能得到三种不同结果：新模型在共同任务上更好；新旧模型适用于不同条件；新模型与旧理论实质等价。第一种支持进一步推广，第二种支持分化和条件选择，第三种帮助清理概念并重新定位贡献。只有允许这些不同结果被公开报告，多元探索才不必靠持续制造革命叙事维持。

对于物理学家，工具封装真正打开的空间，是能够把更多基本假设展开到足以与世界相遇的程度。推导更快只是第一步，实验反馈、模型修正和条件比较才使这种速度成为科学能力。多元物理发生的成果，应当体现为更丰富而更受约束的研究活动。

还有一种重要结果是发现当前实验不能区分候选。研究者应报告这项不可辨识性，而不是把任一模型的高置信输出当作最终裁决。不可辨识性能够指向新的仪器要求、新的观测变量或新的研究尺度，使“尚不能判断”转化为具体任务。若工具帮助我们更准确地知道缺少什么证据，它已经参与了研究升级。

确定测量能力的边界，也是在确定下一轮理论探索的条件。模型研究与仪器研究由此可以相互提出问题，而不只是前者等待后者提供数据。

第三节　化学：从物质描述到反应与材料的多路径发生

化学研究始终与物质的获得、转化和辨认联系在一起。一个候选结构在计算中表现优良，还要经历可合成性、产物身份、性质测量和重复验证等不同问题。人工智能能够改变候选产生和实验安排的方式，但不能把这些环节压缩为一次模型评分。

化学对象也不只是静态分子图或晶体结构。研究者可能关心反应路径、中间状态、相互竞争的过程，以及制备历史对最终性质的影响。不同问题选择不同对象，决定需要记录的数据和适用的模型。多元化可以发生在这些入口上，而不必一开始就宣告建立了全新的化学基础。

材料预测的一项代表性研究是GNoME。Merchant等人通过图网络筛选候选晶体，并用密度泛函计算评估相关能量，把结果回写到后续学习中（Merchant等，2023）。其主要证据涉及给定密度泛函计算及竞争相参照下的热力学稳定性评估与搜索效率。计算候选不应直接等同于已经合成、具有所需性能且能够规模生产的材料。

这一差别包含多个独立关口。预测结构在某种能量评价下有利，不代表实验路径容易到达；能够得到相近组成，不代表目标结构已经形成；结构身份得到支持，也不代表目标功能满足应用要求。每个关口需要不同证据，研究系统应当保存这些状态，而不是用一个“发现”标签覆盖全部过程。

A-Lab研究把文献相关的方案生成、自动化操作与产物分析接入无机材料实验循环（Szymanski等，2023）。它展示了计算建议与物质操作之间的连接。这样的连接比单独生成大量候选更接近完整研究能力，但其可靠性仍取决于每个环节的验证，特别是产物辨认与新颖性判断。

该研究在二〇二六年的作者更正中说明，原来的新颖性表述意指对预测平台而言新，未必对科学而言新；作者重新分析后报告确认了四十项所报成功中的三十六项，另四项单凭相关衍射证据不足定论（Szymanski等，2026）。这个案例说明，自动化成果同样需要公开复核，实验发生与新发现成立不是同一个判断。

对本书而言，更正并不意味着整个自动化方向失去价值。它使价值的位置更准确：系统能够组织一部分合成探索，但产物身份、文献新颖性和成功统计需要严格区分。高质量研究应当允许这些区分改变原来的叙事。若任何修正都被视为技术阵营的失败，研究者就会失去学习机会。

化学中的路径性尤其适合与本书的发生问题对话。两个过程可能产生相近的最终组成，却留下不同的微观组织、缺陷或形态，进而影响性质。此时只保存终点标签可能不足以解释结果。研究对象需要扩展到可记录的过程条件，但扩展哪些条件应由具体问题决定，不能预先把一切历史都塞进模型。

可以考虑一个完全抽象的反应网络：初始对象可以直接通向目标，也可以经由一个中间状态通向目标，同时还存在竞争支路。若只问目标是否出现，几个路径可能等效；若关心效率、选择性或对扰动的稳定性，它们就不同。数学家可以研究网络结构，化学家则需要判断节点和边的定义是否对应可辨认的物质过程。

人工智能能够提出网络中的候选连接，也可能依据数据给出最可能路径。但相同的终点数据可能由不同网络产生，单纯拟合未必辨认了机制。需要寻找中间状态、时间变化或条件改变所产生的区别性后果。机制假说的价值在于支持这种进一步检验，而不只是画出一幅看起来合理的箭头图。

路径模型还会遇到尺度问题。一个局部反应步骤的描述，未必直接决定整个样品的行为；传输、界面和组织差异可能改变实际结果。多元化在此可以表现为不同尺度模型的分工与连接。研究者需要说明哪些量从下层传到上层，哪些被平均，以及平均之后能否保持所关心的性质。

在候选材料大量增加的条件下，实验选择成为关键能力。最有希望达到当前目标的候选，与最能帮助模型学习的候选，可能不是同一个。前者服务于近期成果，后者可能减少未来搜索的不确定性。一个实验室应根据研究阶段明确权衡，而不是把全部资源都投入模型当前最自信的区域。

只探索高置信区域还可能使数据循环越来越狭窄。系统从已有成功中学习，又只选择与成功相似的候选，随后把新结果当作自身判断越来越可靠的证据。适当探索低置信但有科学意义的区域，可以帮助发现模型遗漏的条件。探索应当有资源与专业约束，不等于随机尝试一切。

失败实验在这里具有特殊价值。未得到目标产物，可能意味着路径不可行，也可能意味着条件选择不合适、测量不足或样品未被正确辨认。失败标签如果过于粗糙，会把性质不同的事件混在一起。研究档案需要保存足够信息，让后来的分析能够重新分类。

这同样影响人工智能训练。若公开数据主要包含成功结果，模型学到的搜索空间就可能偏离实际实验经验。单纯增加成功样本不一定解决问题，因为缺失的是对失败边界的认识。建立可共享的阴性结果和过程记录，需要共同体在发表、权益和维护上作出安排。

化学模型创新是否成为新研究纲领，要看它能否持续改变可提出和可解决的问题。例如，一种新的过程表示若只改善一个任务，可能是有用方法；若它使不同反应族获得共同表达，揭示可迁移的限制，并形成新的实验问题，就具有更广的研究意义。层级的提升需要实际成果支持。

“新材料”也需要层次清楚。数据库没有记录、某平台没有见过、文献未曾报道、实验首次得到，以及功能首次实现，是不同判断。研究者可以对其中某一层作出贡献，但应说明检索范围与证据。人工智能加快检索，并不能使所有新颖性判断自动完备。

多元化还可能来自评价目标的改变。若材料筛选只优化单一性能，搜索会集中到某些方向；加入稳定性、可获得性、加工条件或循环使用等目标，候选排序就可能变化。目标改变会推动模型和实验安排的重组，但它不一定立即构成新典范。需要观察是否形成持续的对象与方法变化。

在这一过程中，数学家能够贡献多目标比较、网络分析、误差估计和模型辨识，也可以与化学家共同重新设计研究单元。合作不能停在把现成算法套到数据上。若数据中的对象定义本身存在问题，算法越强，越可能高效放大错误。进入对象构成，正是复合研究的重要任务。

人工智能的角色也不宜固定为建议者或执行者之一。它可以参与资料组织、候选生成、实验优先级判断和结果解释，但每种角色需要相应证据。某个系统擅长提取文献，不意味着其机制推断同样可靠；某个系统善于优化既定目标，也不意味着它能够判断目标是否适当。能力应按任务封装，再在互动中逐步扩大。

化学研究的升级因此既是能力升级，也是记录方式升级。系统需要知道一个候选处于何种状态，哪些性质来自预测，哪些来自测量，哪些结论已经重复，哪些仍存在歧义。清楚的状态管理使研究者能够把不同来源的证据连接起来，而不会在速度提高之后丢失可信度。

最终，多元化的化学未来不由生成了多少结构图决定，而由哪些新的物质活动成为可能决定。更丰富的反应路径、更准确的过程对象、更能迁移的机制模型，以及能够接续的实验循环，才把工具封装转化为新的科学发生。它们也为数学家提供了新的研究阵地：数学可以参与组织发生条件，而不仅是在既定数据上完成计算。

当新的过程对象得到稳定表达，过去无法比较的制备经历也可能进入共同讨论。不同实验室由此可以交流失败条件，而不仅交换成功配方，这会进一步改变化学知识的积累方式。

第四节　生物学：生命研究单元与组织层级的多元探索

生物学让多元科学问题变得更加鲜明。分子、细胞、个体、种群与生态系统之间存在联系，但不同层级的研究对象并不可以随意互换。某个分子的结构有助于理解其作用，却不能独自决定整个生命过程；个体层面的相似表现，也可能由不同内部机制产生。研究需要连接层级，同时保留各层级的实际问题。

人工智能在结构预测方面取得的成果，展示了封装能力的重大变化。AlphaFold三使用新的模型架构，对包含蛋白质、核酸、小分子等成分的复合物结构进行预测，并在相应基准上报告改进（Abramson等，2024）。这一成果扩展了可调用的结构信息，却不等于生命的动态过程、功能与情境已经全部得到解释。

结构信息可以改变研究起点。过去难以获得的候选构象，现在可能较快进入问题讨论，研究者因而能够提出更多相互作用假说。然而，结构预测需要与实验条件、动态变化和功能测量联系。模型给出一种可能形态，不能自动说明它在所有条件下占主导，也不能自动说明它在系统中承担什么作用。不同随机种子产生的预测结构，也不能直接当作真实溶液中的动态构象集合。

这里出现了典型的封装分岔。研究者可以把更多结构图投入同一类描述性论文竞争，也可以利用结构信息重组机制问题，设计更有区分力的观察，并连接原先隔离的研究层级。工具本身提供能力，能力怎样进入研究活动则取决于问题、制度和合作条件。

生物学中的对象身份尤其具有情境性。一个细胞被归入某种类型，可能依据若干标记、形态或功能，但其状态会随时间和互动发生变化。分类十分有用，却不应被误认为生命过程已经被固定标签完全穷尽。新的研究可以追问，哪些分类在何种条件下稳定，哪些边界需要用连续状态或转化关系表达。

人工智能可以发现数据中的群组，但群组不必自动对应新的生物类型。聚类可能受到测量方式、处理流程和取样组成影响。研究者应检查分组能否在独立数据中出现，是否与功能或干预反应相关，以及不同划分粒度是否改变结论。对象发生需要证据，而不是给算法输出一个名字便已完成。

多基因扰动研究提供了另一种入口。GEARS把深度学习与基因关系知识图谱结合，预测某些单基因及多基因扰动后的转录响应，并在指定数据与任务中评估泛化能力（Roohani等，2024；在线发表于2023年）。这类工作支持实验候选的筛选，仍需区分预测准确、机制辨认与跨情境适用三个问题。

即使模型正确预测了某项扰动后的表达变化，也可能有多种机制解释这一变化。某个变量可能直接参与过程，也可能只是与关键变量共同变化。通过干预可以获得更强的因果信息，但干预本身也可能影响多个通路。研究者需要说明结论是关于观测关联、特定干预效果，还是更广泛的机制主张。

可以设想一个非特定物种的抽象系统，两个状态量在观察中总是一起升高。模型甲认为前者推动后者，模型乙认为二者受共同因素影响。现有观察可能无法区分它们。下一步应寻找能够改变其中一个因素而又合理控制其他条件的研究安排，并预先说明两模型各自预测什么。这是机制探索的逻辑，不是一项现成实验结论。

生物过程还有历史依赖。同样的当前测量状态，可能来自不同发育、适应或环境经历，后续响应因此不同。若模型只读取当前快照，某些预测误差可能不是算法不够复杂，而是输入中缺少必要历史。解决办法可能是增加时间信息，也可能是重新定义研究单元。

增加历史并不是无止境收集全部过去。研究应寻找与未来响应有关的有效摘要，并检查摘要在什么范围内足够。数学家可以研究状态表示、记忆长度和可辨识性，生物学家则需要判断哪些历史变量具有实际意义。这样的合作把对象构成变成共同任务，而不是让数学家被动接收已经整理好的表格。

跨尺度模型还要处理信息损失。把许多细胞的状态汇总成平均量，可能适合某些总体问题，却掩盖少数亚群的变化。反过来，保留每个细节也未必提高理解，因为数据与计算成本可能超过收益。模型应当说明选择颗粒度的理由，并检查结论是否依赖某种特定聚合方式。

在生态层面，类似问题表现为研究边界。一个局部种群的变化可能受到迁移、资源和其他物种影响。研究者为了可计算而划定系统边界，这种边界有用，却需要在结果异常时接受检查。多元科学发生可以从重新界定互动单元开始，而不一定从增加模型参数开始。

SDE语言在这里提示，生命特征在具体差异运行和特征纠缠中显露。然而，这一总体描述必须落到可研究的问题：什么条件变化，什么特征改变，怎样记录互动，什么结果支持或削弱模型。如果不能转化成这些问题，哲学语言就只能提供方向感，尚未完成科学解释。

生物学也提醒我们，不同情境中的差异不能一律视为噪声。若模型在一种条件下成功、另一种条件下失败，差异可能包含新的机制信息。研究者应比较条件，而不是只寻找能够使平均分更高的数据处理方式。跨条件失败有时是对象重新构成的入口。

与此同时，也不能把每次差异都宣布为全新典范。实验波动、取样偏差和测量误差需要首先得到适当处理。真正的对象重构，应当显示旧划分为何系统性遗漏某些后果，新划分如何提高解释与预测，并在独立条件下得到支持。这样，多元化才具有积累关系。

单一指标尤其容易掩盖生命过程。一个模型可以很好预测某项表达值，却没有准确描述状态转化；可以提高某个局部功能指标，却无法说明整体系统的变化。评价应根据研究目标选择多个相关尺度，并公开未覆盖的方面。复杂生命问题并不因为拥有一个漂亮分数就变得单一。

对人工智能系统的泛化评估也要区分距离。随机划分同一批数据，与跨时间、跨实验条件、跨对象群体的检验，难度不同，支持的结论范围也不同。模型在前一种安排下表现良好，不能直接被称为已经掌握普遍生命规律。研究应把测试与未来使用条件尽可能联系起来。

多元生物学纲领可以允许不同基本单元并行：有的方向从分子关系出发，有的从细胞状态转化出发，有的从个体与环境的共同变化出发。它们可以互补，也可能提出相互冲突的因果解释。需要通过共同数据、可比较干预与跨尺度映射，使差异成为研究对象。

这类合作的职业价值也值得重视。数学家能够参与构建稳定的状态语言、分析不同模型的等价与差异、设计有区分力的研究任务。生物学家提供的也不只是数据，而是对对象、操作和情境的专业判断。人—AI复合体的能力在这些角色相互改变中形成。

生物研究的时间与资源条件仍然真实存在。某些过程不能任意加速，某些样本难以获得，长期变化也不能由短期模拟替代。工具封装释放的资源，应当用于更好的研究选择，而不是以生成速度要求一切实验同步加速。尊重过程时间，是有效组织科学的一部分。

一个有前景的研究方向应留下可接续成果：明确的对象与条件、可复核的分析、能够区分候选的证据，以及尚未解决的跨情境问题。若不同团队可以在这些成果上继续工作，模型创新才可能成长为研究纲领。它是否进一步成为典范，需要长期的代表性成果与共同体实践支持。

生物学中的多元发生因此既需要大胆重新提问，也需要耐心辨认细节。人工智能可以扩大候选空间，数学可以帮助组织结构，实验与观察则不断纠正哪些关系实际成立。三者共同作用，才有可能使能力封装从信息生产走向新的生命研究活动。

第五节　跨学科碰撞：典范怎样分化、翻译与重组

跨学科研究最初常由相似性启动。物理学家看到网络，想到相互作用；生物学家看到反馈，想到调节；数学家看到重复出现的方程，想到共同结构。相似性能够引导发现，却也容易使研究者过早相信已经理解了另一个领域。真正的碰撞始于把相似之处与不能对应之处分开。

“场”就是一个需要辨认的词。在具体物理理论中，它有相应变量、定义域与方程；在某些社会讨论中，它可能指一组影响关系；在本书SDE纲领中，场模态指向特征纠缠的整体组织方式。三种用法可以对话，但不能仅凭同一个字就推断数学结构或经验机制相同。

“信息”“能量”“适应”也会遇到类似问题。一个领域中的精确量，进入另一个领域后可能变成启发性比喻。比喻可以有价值，只要明确它尚未承担严格等价的角色。若要进一步数学化，就必须定义量、说明单位或尺度，并给出测量或构造方式。

可以区分类比、形式对应与机制相同。类比指出某些关系相似，帮助产生问题；形式对应要求明确的映射与所保留的结构；机制相同则需要说明实际过程如何运行，并接受经验检验。三者可以逐步发展，但没有任何一步可以只凭语言流畅自动跨越。

考虑一个抽象的扩散方程。它可能用于温度分布，也可能用于某类物质浓度。相似方程使数学方法能够迁移，但边界条件、守恒关系和参数意义仍需分别解释。如果再把相同形式用于意见传播，参与者可能主动改变连接与行为，原来的固定介质假设就未必成立。形式相似提供入口，也暴露需要重新建模的地方。

跨学科合作因此应当从一个共同对象开始，而不是从交换宏大词汇开始。共同对象可以是一组特定数据、一个明确现象、一种可操作任务，或者一个两方都能够检查的结构。参与者围绕它说明自己的语言如何工作，并逐渐形成对差异的共同认识。

一个实际可行的组织方式，是先各自解释同一案例，再交换解释所遗漏的条件。数学家可能指出变量之间存在不可辨识性，实验者可能指出某个变量无法独立控制，领域专家可能指出所谓相同样本其实具有不同形成历史。冲突不必立即消除，它们往往正是新问题的来源。

人工智能可以帮助建立术语对照与初步模型，但也可能把分歧过早改写成一致。若系统被要求“综合各方观点”，它常会生成一段所有人听起来都能接受的表述，却没有解决定义冲突。跨学科协调者应要求保留未解决差异，并把它们转化为后续任务，而不是追求表面和谐。

当两个模型无法同时满足某些要求时，分化可能是正确结果。例如，一个模型要求对象身份独立于观察尺度，另一个模型认为尺度变化必须改变对象划分。二者可以在不同任务中各自成立，也可以通过上层框架说明选择条件。不必为了维持统一叙事而把真正冲突隐藏起来。

重组则需要找到能够共同操作的部分。若两个方向都使用网络，但一个研究边的强度，另一个研究边的生成历史，新的研究可以把边的状态与历史联系起来。然而，只有当这种联系带来可证明性质、可计算方法或可区别预测时，重组才超过了概念拼接。

数学在这里具有特殊作用：它能够把争论转换为明确条件，说明某些性质是否兼容，寻找保持结构的映射，也能指出表面相似下的根本差异。但数学不是自动消除领域差异的通用翻译器。模型中的同构不保证现实机制相同，抽象过程必须与原来的研究问题保持联系。

例如，两种系统都可以用同一状态转移矩阵表示，这说明在所选颗粒度下，它们具有某种共同的转移结构。它并不说明二者由同样的微观过程实现，也不说明对同一种干预会有相同反应。若合作目标只是预测短期状态，这种共同结构可能足够；若目标是改变系统，就需要更深的机制信息。

因此，模型迁移应当附带适用条件。哪些变量必须可比，哪些操作在两个领域都有对应，哪些边界被保留，哪些误差可以接受，都应当公开。迁移失败也需要记录，因为它帮助划出共同结构的边界。一个方法不能迁移到某个情境，可能比它在熟悉数据上再次成功更有理论价值。

跨学科发生还可能改变参与者的专业身份。数学家开始关心样本如何形成，实验者开始关心定义是否良好，计算研究者开始参与问题选择。这样的变化不等于每个人必须精通全部学科，而是形成能够相互理解关键约束的复合能力。专业深度与跨界连接应当相互支持。

合作成果也需要相应评价。只按某一个学科的传统论文形式判断，可能低估共同数据、验证工具和翻译工作；完全放弃学科标准，又可能使成果缺少可靠检查。较合理的方式是说明各部分接受什么检验，以及整项工作如何回答共同问题。

时间安排同样重要。不同学科可能有不同实验周期与发表节奏，不能让最快生成文本的一方支配全部进度。人工智能可以帮助处理等待期间的分析与候选展开，但应当保留需要实际反馈后才能决定的部分。协作的效率来自相互适配，而不是把所有活动强行同步。

典范多元化在跨学科层面还应避免一种新的垄断：以某个通用理论宣布其他学科只是自己的特殊情况，却不认真进入它们的证据与问题。本书的SDE纲领同样接受这一约束。它可以提出发生性的研究视角，但每次跨域解释都应证明自己增加了什么理解与可检验任务。

最终，跨学科碰撞最有价值的成果可能是一种此前双方都没有的问题。它既不能由原来的数学分类直接回答，也不能由既有实验单独完成，需要新的对象、操作与协作方式。这样的共同问题是典范发生的真实入口，人工智能则可能使其更快获得多路径展开。

这种入口还需要可以共同承诺的阶段目标。参与者应明确本轮合作要建立对应、解释现象，还是设计区分实验，并在阶段结束时检查承诺完成到何种程度。目标可以变化，但变化须被共同理解。这样，跨学科合作才能从彼此欣赏发展为具有责任关系的研究活动。

第六节　人—AI多元科学实验室

怎样把以上研究纲领变成日常活动？可以设想一个规模有限的跨学科实验室，研究某类材料在外部条件改变后的可逆响应。这里不预设某种具体材料，也不提供制备方案，而是用一个假想项目说明研究如何组织。团队的初始问题是：现有模型把响应视为当前输入的函数，但数据似乎显示历史也有作用。

第一轮不是立即宣布发现新机制，而是检查数据与对象。样品是否真的可比，测量时间是否一致，历史差异是否与其他条件混在一起，程序是否正确处理数据？人工智能可以协助整理记录和发现缺口，专业研究者则判断哪些差异具有实际意义。只有基本对象清楚，候选机制才有稳定起点。

接着形成不同猜想。甲路线保留无记忆描述，认为表面历史效应来自遗漏的当前变量；乙路线引入有限记忆；丙路线把样品内部状态作为动态变量。三条路线必须说明自己使用的数据、预测输出与适用范围。它们可以共享某些计算工具，但不能在没有说明的情况下混用基本假设。

执行阶段包括推导、模拟和可行的测量安排。人工智能协助生成代码、检查方程和比较候选，数学家研究模型性质，实验人员安排现实可行的观察。每项输出都记录状态：是待检验建议、数值结果、数学证明，还是实验支持。状态明确，使团队不会把不同证据层级混在一起。

评估阶段需要两类任务。一类检验模型能否解释已有现象，另一类寻找模型之间有区别的后果。若三条路线在所有可行条件下都给出相同预测，团队应承认目前无法区分，并研究这种不可辨识性。若存在区分条件，还要判断所需精度与资源是否合理。

反馈不是把结果填入固定表格后继续原计划。假如无记忆模型通过新增可测变量便能解释现象，团队应重新评估引入历史状态的必要性。假如有限记忆模型在某些重复条件下持续失败，则需要检查记忆长度、对象定义或更基本的假设。证据必须能够改变下一轮资源投入。

修正应保留版本关系。改变状态变量后，旧参数的意义可能变化；更换观测方式后，前后数据可能不可直接合并。研究档案应说明修改了什么、为什么修改，以及哪些旧结论仍然有效。人工智能可以帮助追踪依赖，但重要变更需要由相应研究者确认其科学含义。

迭代也需要停止条件。若某条路线连续无法产生可核验进展，团队可以暂停它，把资源转向更有希望的方向。暂停不意味着抹去记录，未来的新数据或工具可能使其重新可研究。合理的停止与重新启动，是多元实验室的能力，而不是对探索精神的背叛。

当不相容要求逐渐清楚，研究进入分化。一种模型可能适合快速近似，另一种适合长期响应，第三种更适于解释内部机制。团队应形成条件明确的比较，而不必强行选出在所有任务上都最好的模型。分化若建立在证据上，可以扩大可用研究能力。

重组则可能把不同模型连接成层级体系。快速模型负责筛选，机制模型解释关键差异，实验反馈更新适用边界。但重组需要防止循环确认：不能让一个模型生成的数据成为另一个模型正确性的唯一证据，再把二者一致当作独立支持。共同依赖必须保持可见。

所谓升维，可以表现为把模型选择本身变成研究对象。团队开始研究哪些观测足以区分模型，哪些条件决定某种表示更合适，以及新样品进入时怎样更新判断。此时研究不只产生一个答案，还形成组织后续探索的方法。升维的证据，是新增了能够持续回答的问题。

实验室还应保存阴性结果。没有观察到预期效应，可能削弱一个假说，也可能表明测量能力不足。记录需要包括足以判断的条件，而不只是“失败”二字。只有这样，后来者才知道哪些方向已经被实质排除，哪些仍然开放。

资源管理应围绕整个循环的瓶颈。若候选生成已经充足，继续增加智能体可能只增加筛选负担；若实验等待较长，可以在等待期间完善模型比较和验证程序；若对象定义反复变化，则应减少盲目执行，把时间用于澄清问题。高效实验室不是每个环节都始终满负荷，而是关键环节能够相互支持。

团队分工也应允许变化。一个原本负责程序的人可能发现重要数学结构，实验者可能提出新的对象划分，人工智能可能提供意外的比较方向。贡献归属需要依据实际工作记录，而不是固定角色名称。清楚的记录既保护个体，也有助于理解复合能力怎样形成。

公开成果时，可以把材料组织成一个可接续单元：问题与候选、定义与条件、计算与实验、失败与修正、当前结论与下一步。读者可以选择进入某一部分，同时知道它与其他部分的关系。这样的出版方式使研究成果成为下一轮知识发生的入口。

实验室的评价不应只统计最终成功项目。更早排除错误路线、建立可靠测量接口、证明两模型等价、发现不可辨识性，都可能显著节约后续资源。它们的价值需要通过对研究活动的实际改变来说明，而不是仅靠把失败重新包装成成功。

同样，允许失败不意味着取消责任。团队仍需认真设计任务、控制明显错误、维护记录，并解释资源使用。责任的对象是研究过程是否诚实有效，而不是承诺每个大胆猜想都必然成功。这样的制度才能同时支持探索与可靠性。

人—AI多元科学实验室最终是一种组织研究的方式。它让候选得以展开，让证据能够改变方向，让不同路线保持可比较和可接续。九步发生流程在这里表现为相互连接的活动，而不是不可逆的流水线。研究的节奏由对象、证据与条件共同决定。

为避免项目在人员变动后中断，实验室可以定期进行接续演练：由未参加上一轮工作的成员，根据保存材料重新获得一个关键结果，并提出下一步研究所需的信息。演练暴露的缺口应回写到档案和工具中。这样的维护使封装在实际使用中逐渐可靠，也让团队知道哪些能力已经能够共享，哪些仍过度依赖个别人的隐性经验。

第七节　科学典范多元化的未来与检验

多元科学发生是一项面向未来的判断，也应成为当下可以研究的问题。不能因为愿景具有吸引力，就把所有人工智能成果解释为愿景已经实现。最基本的要求，是区分工具能力增长、研究活动变化与典范形成三个层级，并寻找它们之间实际发生的联系。

工具能力增长可以表现为推导更快、候选更多或分析更准确。研究活动变化则要求说明，哪些原来难以开展的问题现在获得了持续工作。典范形成还需要代表性成果、共同方法与能够接续的共同体。前一层可以为后一层提供条件，却不能代替后一层的证据。

一个有用的研究计划可以长期追踪若干性质不同的团队，记录引入人工智能前后的问题范围、候选差异、验证成本和合作结构。比较时需要注意经费、人员与数据条件的同时变化。若强团队得到更多资源，其成果增加不能全部归于工具本身。

更具体的证据可以来自项目档案：某个原本因展开成本过高而搁置的想法，是否形成了可验证构造；一个曾经只能单路径推进的问题，是否出现了实质不同的分支；失败是否更早暴露；其他团队是否能够独立接续。这样的证据比单纯统计生成文本或候选数量更接近本书的主张。

反证也应提前列明。若人工智能主要加强已有方向的集中，候选差异被相同模型偏向削弱，验证负担持续增长而有效成果没有相应增加，多元化判断就需要修正。若只有极少数平台能够承担完整循环，还应重新评估能力普及与职业升级的关系。

即使研究活动确实变得更加多元，也不意味着每个参与者的生涯都会改善。工具收益可能集中，旧技能贬值可能快于新位置形成，某些地区与机构也可能缺少接入条件。科学升级与职业升级需要分别观察，再研究二者怎样通过训练、公共资源和评价制度连接起来。

新共同体的可持续性同样不能由一时热度判断。一个方向是否形成教学材料，是否有作者之外的接续者，是否能够公开处理反例，是否在最初资助结束后仍产生值得研究的问题，这些现象更能说明其生命力。名称传播得快，不代表研究关系已经稳定。

对于候选失败，应当保留不同解释。有的基本假设被否定，有的方向缺少资源，有的成果被已有理论吸收，有的则转化为工具或应用。把所有未成为典范的探索都列为失败，会低估知识发生的多条路径；把所有结果都称为典范成功，又会使概念失去辨别力。

本书对工具封装的判断也因此具有可修正形式。封装改变能力的可获得性，使原有领域面对升级与同轨竞争加剧的结构性压力。需求、制度和分配能够使两条路径交织，不能把压力写成每次都按同一时间表发生的自然定律。研究应当解释具体条件下哪条路径占主导，以及如何改变条件。

科学典范多元化的价值，不在于永久维持最多数量的方案。没有生产性的路线应当被终止，能够统一的结构可以统一，适用范围不同的模型可以共存。真正值得追求的是：有意义的差异获得展开机会，证据能够作出区分，成果能够被继承，并为下一轮问题创造条件。

数学家在这一未来中可以承担多种角色。有人提出新的对象和结构，有人建立模型之间的联系，有人开发验证能力，有人参与实验设计与数据辨识。这些活动都可能属于数学研究的升级。评价不应把它们重新压成一条只有最终定理数量的赛道，也不应取消对具体贡献的严格要求。

人—AI复合体的意义正在于，能力、对象与研究方式可以在互动中共同改变。人的经验不必被固定为旧职业边界，人工智能也不必只重复已有任务。二者与仪器、数据及共同体相互连接，能够形成新的科学活动；这些活动又会反过来要求新的数学、新的工具和新的训练。

这种观察还应允许不同领域得到不同结论。某些领域的计算环节已经较易封装，主要瓶颈在实验；另一些领域仍缺少恰当的问题表达和评价器。不能用一个总体平均值掩盖这些差异。逐领域辨认变化的条件，既能减少无根据的乐观，也能发现真正值得投入的新阵地。科学未来的讨论由此成为可以累积的研究，而非一次性的预言。

本附录以一项持续研究任务结束：在每个具体领域中，找出一个因成本、表达或组织限制而尚未充分展开的问题，构造可比较的候选，把人工智能接入验证与反馈，记录它最终改变了什么。多元科学的未来，将由这些可检查、可修正、可接续的发生共同构成。