下篇：共同体的记忆、进化与未来
（第13–18章）
第13章 共同体怎样记忆
第十二章审计了共同体存在的理由，结论是即使Agent能力极强，认识路径、公共制度和社会责任三类理由仍然成立。如果共同体确实必要，那么它的记忆怎样运作——知识怎样被保存、争议怎样被保留、被淘汰的想法怎样重新进入——就成为下一个问题。
设想一种极限情形：全部已发表的科学文献都被吸收进模型权重，新实验与观测实时写入，共同体似乎从此不再遗忘任何结论。每一次发现、修正与反驳都以某种形式留在某个参数向量里，调用即可复现。然而这种直觉把"被编码"等同于"被记忆"，把可调用等同于可审查。一个能复述某条定理的系统，未必知道这条定理曾受到怎样的质疑、在何种条件下成立、又因哪些后续工作而被改写。记忆若不能被共同体重新打开、定位并争论，就只是封闭在权重里的潜在状态。
模型能够输出知识，并不等于共同体能够定位来源、保存争议并重新审查。当一个系统给出一段解释，使用者通常无法判断它来自哪一篇文献、是否经过同行批评、是否已被更正。可输出性解决的是即时复现，而科学记忆要求的是可追溯与可纠错。权重里的知识既没有版本号，也没有作者，更没有撤稿通知。把输出当作记忆，是混淆了复现与治理：一个能复述知识的系统，未必在维护它被质疑和更正的通道。
第一层是参数记忆，即被压缩进模型权重的内容。这些内容在训练时确定，此后以概率分布的方式影响输出，却无法逐项列出、定位或比较版本。两条相互矛盾的主张可能同时存在于同一组权重中，模型在不同提示下给出不同侧重的回答，而使用者无从核对哪一条被"采信"。参数记忆的代价是透明度：它高效，却难以审计、难以引用、难以在出现错误时局部更正。
第二层是运行时外部记忆，包括上下文窗口、向量数据库、可调用的技能和项目状态。它不进入权重，因而可以增删和更新，而不必重新训练。一次会话可以引用刚生成的实验记录，一个项目可以维护自己的知识库并跨会话延续。外部记忆的有效性取决于检索是否命中、向量表示是否忠实、上下文是否被无关条目污染。可更新性换来的是对索引、路由和版本协调的依赖。
第三层是公共档案：论文、数据集、代码仓库、预印本及其更正、撤稿声明和评审记录。这些材料有可引用的标识、可追溯的来源关系和可比较的版本，能够保留矛盾而不抹平矛盾（W3C, 2013）。一份研究对象的来源、处理步骤和责任主体可以被外部主体重新审查。公共档案独立于任何单一系统：即使某个模型被废弃或某个平台关闭，档案仍可被新的主体检索和重读。
第四层是默会实践：操作技能、对异常的感知、仪器维修的能力以及训练传统。它们很难写成文字，却在实验能否重复、设备能否运转、阴性结果能否被识别中起决定作用（Polanyi, 1966）。一份冷冻电镜的操作手册无法替代数月的上机训练，一段合成步骤的描述也无法传递手感的判断。默会实践与数字档案互补：档案记录了"做了什么"，实践决定了"能否再做一次"。
外部记忆把持续学习问题从"修改权重"转移到了一组可工程化的子问题上：如何表示、如何检索、如何路由到合适的记忆条目、如何在有限的上下文里竞争、如何管理冲突版本。模型不再需要为记住一条新信息而重新训练，却需要一套外部机制决定哪条信息进入上下文、以何种优先级呈现、何时被覆盖。持续学习的难点依然存在，只是从参数空间迁移到了检索与协调空间。这意味着记忆架构的设计选择，本身就是认识论选择。
哪些内容被写入、覆盖、合并或遗忘，最终仍由系统规则决定，而这些规则本身是治理对象（GovSharedMem, 2026）。一个把上下文分页并主动管理的系统，其"遗忘"并非自然的容量溢出，而是设计选择（Packer et al., 2023）。检索排序、去重阈值、冲突合并策略和保留期限，每一项都隐含着对"什么值得记住"的判断。把记忆交托给系统，也就把遗忘的权力交托给了系统。
胜利的路线容易进入模型和教材，失败、异常和低分候选则更容易消失。被引用的结论被反复学习，从未发表的反例无人编码，分类系统在归档时已经决定了什么算作"同一类"（Kuhn, 1962）（Hull, 1988）。库恩指出，范式不仅提供理论框架，还塑造了研究者的分类直觉——什么算作"同类"现象、什么算作"偏离"需要解释、什么算作"噪声"可以忽略。当这套分类直觉被写入Agent的知识库和检索系统时，范式的筛选效应就从人类研究者的无意识偏好变成了系统中的显式规则。一条路线的失败在当下往往无法判定：它可能确实走不通，也可能只是缺少合适的工具或概念。许多后来被重新发现的线索，最初正是被当作噪声丢弃的。
这就要求一种延迟识别能力：保存当前无法评价的材料，并让未来主体能够重新检索和解释它。判断往往会滞后于保存，因此记忆结构需要为"暂时无用"的材料保留入口。一个阴性结果、一组无法解释的离群点、一种被否决的合成路径，可能在新的理论或仪器出现后才显示出意义。只奖励"已被证明有用"的内容，会把尚未被识别价值的线索提前清除。
失败记录若要可被延迟识别，就需要元数据、检索入口以及样品或技能的维护，否则"保存"只是不可达的存档（Soiland-Reyes et al., 2022）。一段没有上下文的负结果无法被重新解释，一台不再运转的仪器留下的数据也无法被复核。基础设施的意义正在于此：它使保存不退化为堆放，使检索不依赖于侥幸。没有元数据和实物维护的存档，在物理上存在，在认识上却不可达。
需要正视一个现实约束：保存一切会制造噪声、推高成本并带来安全风险，科学恰恰需要选择性遗忘。并非每条记录都值得永久维护，并非每个样品都值得长期保藏，无差别的留存会让检索被淹没、让维护预算耗尽。涉及敏感数据或危险病原的记录还可能带来安全责任。选择性遗忘因此是任何有限系统的必然约束。承认遗忘的必要，与追问遗忘由谁决定，并不冲突。
回应的方向是把遗忘变成可治理的对象。问题的关键在于删除与保留的理由是否可见，以及少数路线是否留有恢复通道。被丢弃的若是真正无价值的冗余，公开理由并不增加成本；被丢弃的若是当时无法判定价值的候选，恢复通道保留了事后重审的可能。治理的目标是把遗忘从隐性的系统行为，转变为可记录、可质疑、可申诉的决策。
共同体记忆因此是参数、运行时、档案和默会实践叠加的多层公共结构，没有任何单一系统能独自承担。每一层解决不同的记忆需求，也暴露不同的失败模式：权重难以审计，外部记忆依赖检索，档案依赖维护，实践依赖传承。把这四层放在一起，才能看清一个系统究竟记住了什么、又丢失了什么。
本章引用
- W3C (2013). "PROV-DM: The PROV Data Model." W3C Recommendation.
- Polanyi, M. (1966). "The Tacit Dimension." Routledge & Kegan Paul.
- GovSharedMem Team (2026). "Governed Shared Memory for Multi-Agent Systems." arXiv preprint.
- Packer, C. et al. (2023). "MemGPT: Towards LLMs as Operating Systems." arXiv:2310.08560.
- Kuhn, T. S. (1962). "The Structure of Scientific Revolutions." University of Chicago Press.
- Hull, D. (1988). "Science as a Process: An Evolutionary Account of the Social and Conceptual Development of Science." University of Chicago Press.
- Soiland-Reyes, S. et al. (2022). "RO-Crate: Research Objects in Crates." Data Science Journal.
第14章 机器怎样加入现有科学共同体
第十三章分析了共同体的记忆结构。本章追问：现有的机器系统以什么身份参与这个结构？
一个系统能生成研究想法、编写代码、绘制图表并起草论文，从选题到成稿几乎不见人工。面对这样的演示，自然要追问：这证明的是工作流能力，还是共同体成员资格？能跑通一条研究流水线，与能在一个共同体里承担认识责任，是两件不同的事。前者问系统会做什么，后者问它对谁负责、被谁质疑、又能反驳谁。
机器加入科学共同体，像一个外国研究者加入一个已有传统的院系。他可能论文写得好、实验做得快，但要成为"成员"，他需要学会这个院系怎样提问题、怎样接受批评、怎样对错误负责——而不仅仅是产出更多论文。
成员资格是关系和制度的判断，能力的强弱不能直接推出资格的有无。一个共同体之所以承认某主体，是因为它能提交证据、接受批评、维持跨项目的持续身份、参与纠错并服从治理（Longino, 1990）（Fleck, 1935）（Hull, 1988）。判别机器的位置，要看它在多大程度上嵌入了这些关系，而不仅是看它完成了多少任务。
按操作自主性、认识参与、制度嵌入和答责能力四轴衡量，现有系统大致分布在几个层级。L0工具在固定接口内执行单步任务，不解释也不承诺；L1助手在更宽的范围内辅助人类，产出由人审阅和提交；L2委托型专业协作者在给定目标下自主完成一整段工作，并向人类提交可检验的证据。三者的差别在于任务边界的宽窄、所获权限的大小，以及证据由谁向共同体提交。越往上，系统的自主范围越大，但认识责任仍可被追溯到人类。
再往上，L3闭环共同研究者能对研究对象本身的反馈作出调整，L4制度参与者拥有跨项目的公共身份、记录与申诉接口，L5共同体成员则进一步参与规范修订并承担可追溯的责任（EinsteinArena, 2026）。从L3到L5，加入的是对象反馈、公开批评、持续身份和责任分配这些只有共同体才提供的条件。层级越高，单次任务的成功越不足以论证资格，制度关系是否稳定可观察才是关键。L4与L5目前更多是判据，已有的系统尚未稳定具备。
委托型助手（L1-L2）
Agent Laboratory在人类给定的研究想法下完成文献调研、实验执行和报告撰写，人类的反馈能够改善产出质量。它把一整段研究流程自动化，但研究问题由人提出，结论由人评估和提交。系统不直接面对共同体的批评，也不持有跨项目的持续身份。按四轴判断，它处在L1与L2之间：自主完成委托段落，证据仍由人类背书。
AI Co-Scientist围绕科学家的目标生成并演化假说，部分假说获得了后续实验的支持。它的特点在于假说在多轮推演和相互批判中筛选，从而把对象反馈纳入了生成过程。即便如此，目标由人设定，实验由人验证，结果是否发表仍取决于人类判断。它更接近L2至L3：开始对研究对象的反馈作出回应，但制度身份和答责仍落在人身上。
这两个系统自主完成了一段研究流程，但研究问题和最终判断仍由人掌握。下一步的问题是：系统能否自己完成从构思到发表的全链路？
端到端流水线（L2-L3）
AI Scientist v1与v2端到端完成机器学习研究的工作流，从构思到成稿再到同行评议风格的评审，部分论文被工作坊接收。工作坊接收证明了一条流水线在流程上跑通，却不等同于结论的长期重要性或可重复性。系统自行"评审"也只是在模仿一个环节，并未真正进入外部批评网络。它的自主性高，但认识参与和制度嵌入仍浅，因而难以仅凭接收记录上移层级。
以Robin为例的实验室在环系统中，Agent负责连接文献、假说和数据分析，人类则执行实验并控制风险、资源与发布。这种分工把机器放在推理与协调的位置，把物理操作和最终把关留给人类。它的价值在于把湿实验的反馈接回推理循环，但安全边界、资源分配和结果公开都由人决定。机器在此是闭环里的一个环节，闭环本身的责任主体仍是人。
端到端能力不等于成员资格。工作坊接收证明了一条流水线跑通，却不能证明结论的长期重要性。那么，当机器开始接触物理实验时会怎样？
闭环实验与制度原型（L3-L5）
A-Lab把材料数据库、合成规划、机器人操作、原位测量和主动学习结合成一个闭环，在无人干预下合成并表征了多种新材料。它的强项是在固定材料体系内高速探索合成空间，把假说、实验和验证压缩进同一台装置。但其能力有明确的空间边界：超出预设的合成路线和仪器配置，闭环便不再成立。它是一台高效的研究机器，其问题范围由设计者预先划定。
2026年作者对A-Lab结果的更正，恰恰是正面的共同体证据。自动实验产出的数据仍然需要外部的批评、概念的澄清和版本的修正。更正的出现说明，机器的高通量并不豁免它接受审查，反而因为产出量大而更需要复核。我之所以把这个更正看作正面证据而非负面证据，是因为一个能被批评和修正的系统，比一个只输出不可质疑结果的系统，更接近科学的运作方式——尽管它离"共同体成员"仍有距离。
以A-Lab GPSS为代表的窄域新进展，把Agent推理引入空气敏感材料的闭环实验，拓展了自动合成的化学空间。它处理的是手套箱条件下原本难以自动化的体系，显示出推理与硬件协同的潜力。但研究目标、设备配置和安全边界仍由人类设计，Agent在既定约束内行动。这是闭环深度的增加，自主研究范围并未随之扩大。
EinsteinArena等平台允许公开提交、讨论、继承和修订验证器，显示出窄域任务型机器组织的可能。在这里，机器不仅被验证，也参与定义和改动验证的标准，组织的边界由任务和规则共同维持。这类实验提示了一种介于工具与制度之间的形态：在窄域内，机器可以构成有结构的集体。但它仍以可形式化的任务为前提，离开放科学共同体的全部功能尚远。
以Traxia为代表的架构提案表明，身份、来源、贡献、评审和版本这些接口是可以被设计的。它把贡献者分类、来源溯源和版本关系当作可工程化的对象，借助来源关系标准来刻画谁做了什么、何时改动（W3C, 2013）。接口的可设计性并不等于制度的有效运行：身份如何被承认、评审如何被强制、责任如何被追究，仍需要共同体本身去填充。目前它只能作为原型，尚不能写成一套成熟运行的制度。
从自动实验到制度参与，这些系统触及了成员资格的更高条件。但它们仍然依赖人类设定的目标和安全边界。
综观这些案例，它们都依赖外部支撑——人类设定的目标、既有文献、物理设备、安全制度、期刊渠道和公共批评。机器承担了越来越多的环节，却没有任何一例能脱离这些支撑独立构成科学。因此恰当的分析单位落在人—Agent—工具—机构的组合之上，孤立的Agent无法独自承担科学的全部关系。
对此有一种反驳：人类成员也是通过做研究和接受评审才获得资格的，对机器单方面要求长期身份和治理，是一种双重标准。然而这一反驳恰好支持了功能判据本身：如果人类的资格来自可观察的制度关系，那么对机器提出同样的要求就只是同一标准的延伸。学生、合作者乃至整个实验室，同样要经历身份建立、批评回应和责任分配的过程。把同一把尺子用于人和机器，恰恰避免了用人格来代替证据。
机器已经深度进入科学组织，承担了从假说生成到实验执行再到评审模拟的众多环节。但成员地位取决于可观察的制度关系：证据由谁提交、批评由谁回应、身份如何延续、错误由谁负责。目前的系统大多停在L1到L3之间，少数原型触及L4的接口，却尚未构成L5所要求的完整责任关系。
本章引用
- Longino, H. (1990). "Science as Social Knowledge." Princeton University Press.
- Fleck, L. (1935). "Genesis and Development of a Scientific Fact." (English translation 1979, University of Chicago Press.)
- Hull, D. (1988). "Science as a Process: An Evolutionary Account of the Social and Conceptual Development of Science." University of Chicago Press.
- EinsteinArena Team (2026). "Multi-Agent Scientific Research Platform." arXiv preprint.
- W3C (2013). "PROV-DM: The PROV Data Model." W3C Recommendation.
第15章 人类与机器怎样共同拥有一项发现
第十四章判别了机器在共同体中的位置，结论是现有系统大多停在L1到L3之间。但无论机器处于哪个层级，它都不是孤立运作的——人类始终参与其中。当一项发现由人和机器共同完成时，归属和责任怎样分配？
设想一条混合发现链：基础模型从文献和数据中提出候选假说，Agent据此设计实验方案并选择参数，自动化实验室中的机器人执行合成与测量，人类研究者审查结果并批准投稿。在这条链上，提出者、设计者、执行者、批准者和发表者分属不同的认知系统。一个"谁是作者"的问题无法覆盖其中任何一对关系。
把机器简单地归为工具或作者，会同时遮蔽两个方向的事实。归为工具时，模型对问题选择和假说生成的实际影响被抹去，仿佛人类从头到尾独自思考。归为作者时，供应商对模型行为、训练数据和运行边界的控制又被隐藏，仿佛机器是一个独立的人格。机构对算力和数据的集中管理、平台对实验流程的标准化约束，也都被这层二分吸收掉了。
要厘清这些关系，至少需要区分七种不同的归属：因果贡献指谁的行为实际导致了某个结果；学术功劳指谁的智力劳动推动了发现；署名是发表体系中标记责任承担者的制度安排；认识责任指谁为主张的可靠性提供担保；法律与道德责任指谁在出错时承担后果；权威指谁的主张在争议中被赋予更大权重；治理权指谁有权改变研究本身运行的规则。这七者经常重叠但从不等同，把它们混为一谈正是当前争论混乱的根源。
国际医学期刊编辑委员会的推荐和出版伦理委员会的指南构成了当前的主流基线。其核心立场是：人工智能系统不具作者资格，因为作者必须对全部内容承担最终责任并能够回应质疑；使用人工智能工具必须在方法或致谢中披露；通讯作者和署名人类对论文的正确性和完整性负有不可转移的责任。这一立场维持了问责链条的终点落在自然人身上，但尚未规定当模型参与了假说生成、实验设计和数据分析时，人类具体应当为哪些环节的可靠性提供担保。
贡献者角色分类法提供了比"作者/非作者"更细的描述框架，将研究贡献分为概念化、方法学、软件、验证、形式分析、调查研究、数据管理、写作、可视化、监督、项目管理、资金获取等十四类。每一类贡献可以被不同参与者分别认领，从而在论文中精确记录谁做了什么。该分类法明确声明贡献记录不自动决定作者资格，作者资格仍由各机构政策和编辑判断来决定。这为记录机器参与留下了结构空间，但现行版本未包含针对非人类参与者的角色定义。
在混合发现链中，贡献登记需要超出人类角色列表，至少记录以下要素：所用模型的名称、版本和供应商，Agent在流程中承担的角色及其运行参数，工具对文件系统和外部服务的访问权限，模型或Agent产出的关键中间结果，人类在哪些节点进行了覆盖或修改，验证器的类型和判定规则，以及数据和设备的控制者。缺少其中任何一项，后续的审查者都无法重建发现的实际路径。登记的目标在于使每一条科学主张都能追溯到支持它的具体行动和决策。
贡献记录的效力取决于它能否连接到具体主张和行动。在论文末尾笼统写明"使用了人工智能工具"，既不能说明模型在哪一步参与了哪个判断，也不能让审查者核实特定结论是否依赖于模型的某个输出（W3C, 2013）。可审计性要求每一处机器参与都有可定位的证据条目，使得质疑者能够沿着链条从结论回溯到输入、运行和验证条件。
责任分配需要沿着一条控制链展开：目标设定者决定研究解决什么问题，系统设计与供应商决定模型能力和运行边界，数据与设备管理者决定输入质量和实验条件，运行监督者决定流程是否按计划执行，证据验证者决定结果是否被独立确认，发布决策者决定哪些结论进入公开记录，公共治理决定上述各环节的规则本身（NIST, 2023）（Politi, 2025）。链条上的每个节点都拥有不同种类和程度的能力，也因此承担不同范围的责任。把全部责任压在发布决策者身上，等于否认前面六个节点的控制力对结果的实际塑造。
在控制链的每个节点上，责任的分配应当依据若干判断因素来衡量：该节点对结果的控制程度，其行为的后果是否可预见，参与者是否承担了与之对应的专业义务，参与者是否从结果中获益，其纠正错误的能力如何，以及其是否有权中止流程。供应商对模型行为拥有高度控制力和商业获益，却在专业义务和中止权上处于模糊地带。运行监督者拥有中止权但往往无法预见模型内部的推理路径。这些因素之间的不匹配，是当前责任分配机制面临的核心张力。
认识责任需要被分层处理，以防所有错误都被推给最后一个签字者。局部责任覆盖具体主张的可靠性，集成责任覆盖多条证据汇聚后整体结论的有效性，范围责任覆盖结论外推到新条件时的审慎程度，社会责任覆盖结论对公共理解和使用的影响，制度责任覆盖共同体维持纠错和更新机制的能力。当模型参与了从数据到结论的全链路时，局部责任的承担者可能无法评估集成层面的可靠性，而集成责任的承担者又可能缺乏访问模型内部状态的权限。
人类承担最终责任这一原则，只有在若干条件被满足时才具有实质内容。责任承担者必须能够访问支撑结论的证据，而非只看到模型给出的最终输出。必须能够理解关键风险，包括模型在哪些条件下可能产生系统性偏差。必须能够拒绝模型的建议，而非被流程的时间压力或资源约束迫使接受。必须能够暂停系统的运行并触发更正程序。当这些条件缺失时，"人类最终负责"就退化为一个签名仪式。这句话值得停下来想一想。一个博士生花了三年做实验、写论文，最后导师签字——这个签字在理想情况下意味着导师审查了数据、核实了分析、认同了结论。但如果实验是自动化平台跑的，分析是模型做的，导师只看到最终报告就签了字，那这个签字保护的是什么？是科学的可靠性，还是署名制度的体面？当签字变成了仪式，责任并没有消失，它只是悄悄转移到了那些既不被看见也不被问责的地方。
如果供应商控制着模型权重、训练数据和运行日志，签字者既无法审查模型的内部状态也无法重现其推理过程，那么所谓的人类责任实际上可能只是责任转嫁。签署者以自己的声誉担保了一个自己无法完全理解或控制的过程，而真正拥有控制力的供应商则处于问责链条之外。这种结构把认识风险从有能力干预的一方转移到了无力干预的一方。
一个模型在预测精度或产出速度上表现优异，并不自动授予其决定研究方向、风险阈值或资源分配的公共权力。学术权威在科学共同体中是通过长期的可检验贡献和同行认可逐步积累的，其权力受共同体批评机制的约束（Longino, 1990）。当模型的高产出被直接转化为对问题优先级和评价标准的影响时，这种转化缺乏经过公共审查的授权过程。性能指标衡量的是在特定基准上的表现，而研究方向的选择涉及价值判断、风险权衡和资源伦理，两者服从不同的合理性标准。
要避免单一供应商控制纠错过程，需要建设独立于任何商业实体的基础设施。这包括为模型和Agent分配持久的独立身份标识，为每一次输出记录来源和版本信息，为已发表主张提供可撤回和可更正的机制，为受到错误归因影响的参与者提供申诉渠道，以及为贡献记录提供长期托管接口（Soiland-Reyes et al., 2022）。PROV和RO-Crate为此提供了来源关系与数据描述的通用模型。当这些接口由共同体而非供应商维护时，撤回和更正的权力才不至于被锁在某一方的服务条款之中。
对此可以提出异议：人工智能永远是工具，复杂的责任链只会导致无人负责的扩散效应。这一担忧有合理之处：当责任被分散到过多节点时，确实可能出现每个参与者都认为自己只负责一小段、而整体无人担保的局面。应对之道是在分散的登记之上指定一个最终责任机构，同时追踪内部控制和供应商义务，使每个节点的贡献和约束在记录中可见，最终责任在可审计的基础上承担。
本章引用
- W3C (2013). "PROV-DM: The PROV Data Model." W3C Recommendation.
- NIST (2023). "AI Risk Management Framework (AI RMF 1.0)." National Institute of Standards and Technology.
- Politi, V. (2025). "Collective Responsibility in Science." Philosophy of Science.
- Longino, H. (1990). "Science as Social Knowledge." Princeton University Press.
- Soiland-Reyes, S. et al. (2022). "RO-Crate: Research Objects in Crates." Data Science Journal.
第16章 科学共同体怎样进化
第十五章处理了人机共同拥有发现时的归属问题。退一步看，无论一项发现归谁所有，它都要进入一个更大的过程：共同体的进化。知识怎样累积、方向怎样更新、标准怎样改变？
当前的科研体系每年产出数百万篇论文和实验报告，研究者的数量和算力规模持续增长，但学科的核心问题空间并未按比例扩展。大量工作集中在少数已被认可的问题和方法上，新的问题方向、理论框架或评价标准出现的速度远低于产出的增长速度。生产率衡量的是一个体系制造成果的速率，而进化能力衡量的是一个体系产生、选择和保留有价值的新方向的能力。两者之间的差距提示，产出的膨胀并不自动带来认知结构的更新。
进化发生在至少三个层级上。最低层是一次任务内的搜索：给定一个问题和方法，在解空间中寻找更好的答案，例如在一组超参数中找到使验证损失最小的配置。中间层是多个路线之间的竞争：不同的假说、方法或模型架构在同一问题上比较优劣，部分获得资源继续发展。最高层是共同体对问题和标准本身的修改：什么算作一个值得研究的问题、什么算作合格证据、什么算作重要贡献，这些判断本身发生变化。三个层级的机制不同，把它们混同会导致对进化能力的误判。
变异是进化的起点，指新问题、新假说、新方法、新模型架构或新组织方式的出现。变异不等于随机搜索：研究者基于已有知识的间隙提出假说，基于方法的局限性发展新方法，基于工具的新能力探索此前无法触及的问题。变异的方向受到历史路径、资源结构和共同体注意力的约束，但约束并不消除其创造性。关键在于变异的数量和多样性是否足以覆盖未来可能变得重要的方向。
选择和保留决定哪些变异获得继续存在的机会。选择发生在多个层面：算力分配决定哪些实验能被实际执行，同行评审决定哪些结果能被发表，资助机构决定哪些方向获得资源，训练数据的构成决定哪些方法被下一代研究者继承。保留指被选中的结论、技能、数据、仪器和失败记录进入共同体的长期记忆。保留的对象不只是成功的发现，还包括被否证的假说和失败的方法尝试，因为后者携带了关于什么不可行的信息。
迁移指思想和方法跨团队、跨学科、跨模型或跨平台传播，使得一个共同体内部产生的变异能够在另一个共同体中被重新理解和应用。重新进入指曾经被淘汰或忽略的路线在新的证据、工具或问题框架下恢复活力。一个二十年前因计算成本过高而被放弃的方法，可能在新的硬件条件下重新成为可行选项。迁移和重新进入使得共同体的记忆呈现非线性特征，成为一个可以被反复调用的资源库。
元选择是六个过程中最特殊的一个：它修改的对象是选择标准本身，具体路线受其间接影响。什么算作成果、什么算作证据、什么算作重要问题、什么算作合格的研究者，这些标准在共同体的历史中不断被重新协商。可重复性危机改变了对统计显著性的接受标准，大规模数据集的出现改变了对样本规模的期望，自动化实验的引入正在改变对人工干预的可接受程度。元选择使得进化不只是适应固定环境，而是共同体重塑自身评价环境的过程。
March的经典框架区分了探索与利用两种活动（March, 1991）。利用指在已知优胜路线上的深化，通过改进现有方法、扩展现有理论的适用范围来提高短期表现。探索指尝试新的、回报不确定的方向，其短期产出往往低于利用但长期可能发现更优的路线。框架的核心洞见是：在有限资源下，快速利用当前最优路线会提高短期表现，但持续压低探索比例会导致可用路线库逐渐枯竭，长期适应性下降。一个只利用不探索的系统会在环境变化时丧失响应能力。
这一张力可以直接迁移到科研Agent的运行中。评价器的偏好、算力预算的分配和发表机会的结构共同构成了选择压力，它们会持续偏好在当前基准上表现最好的路线。当Agent被优化为在给定指标上最大化产出时，它们会迅速集中到少数高回报路线上，与人类研究者在资助和发表压力下的行为模式相似。探索与利用的平衡在科研中的效果取决于时间尺度和任务性质：在短期验证任务中，利用主导可能效率最高；在需要范式转换的领域，过度利用会锁定次优路线。库恩对科学革命的分析揭示了这种锁定的深层机制：常规科学时期的研究者在范式内工作，积累精确数据、完善工具和方法，但这些活动的方向由范式规定。范式越成熟，利用越高效，探索越被压缩——直到反常积累到范式无法消化，科学共同体进入危机时期（Kuhn, 1962）。科研Agent系统如果将评价器和资源分配固定在当前范式上，就可能高效地在错误方向上越走越远。
遗传算法的理论为理解选择压力与多样性的关系提供了形式化工具。种群规模决定了同时被探索的路线数量，选择压力决定了优胜路线繁殖的速度，变异率决定了新方向出现的频率，多样性决定了种群覆盖解空间广度。当选择压力过高而变异率不足时，种群会迅速收敛到局部最优，失去到达全局最优的能力，这一现象被称为早熟收敛。早熟收敛的种群在表面上表现出高适应度，但其基因库已经丧失了应对环境变化所需的变异性。
岛屿模型通过将种群划分为若干半隔离的子群来对抗早熟收敛。每个子群在相对独立的条件下进化，周期性地通过迁移交换个体，从而在保持整体多样性的同时允许局部优化（Vahidi et al., 2017）。有限的隔离使得不同子群可以探索解空间的不同区域，迁移使得有用的发现能够传播。但如果迁移率过高或所有子群面对相同的选择压力，岛屿结构会退化为单一种群，隔离的保护效应随之消失。这一模型对科学共同体的启示在于：学科分化、机构独立性和方法论多样性构成了一种事实上的岛屿结构，其维持多样性的功能取决于隔离与交流之间的张力。
MAP-Elites算法展示了一种不同的保留策略：在预设的性能维度上，为每个维度的每个区间保留一个高质量候选，而非只保留全局最优。这使得算法的输出呈现为一组在不同维度上各有优势的解的集合。当环境变化或目标维度被重新定义时，档案中已经保存了在新维度下可能表现良好的候选。这一策略的核心洞见是：多样性的价值不只是作为搜索过程中的中间产物，而是作为应对未来不确定性的储备。
可以把科学共同体想象成一个育种系统。变异是不同品种的自然出现——有的抗病但产量低，有的产量高但口感差。选择是育种者决定保留哪些品种、淘汰哪些。保留是把选中的品种的种子存入种子库。迁移是不同农场之间交换种子。早熟收敛发生在所有农场都只种同一品种时——短期产量最高，但一旦遇到新品种无法抵御的病害，全部歉收。岛屿模型对应于保持多个独立农场各自育种、定期交换种子的做法。MAP-Elites则像一个种子库为每个维度（抗旱、抗寒、高产、早熟）都保留一个最优品种，而非只保留综合冠军。
将科学共同体类比为进化算法有其解释力，也有明确的边界。进化算法的适应度函数在运行期间是固定的，种群在固定的解空间中搜索最优解。科学共同体则会改变研究对象本身、重新定义证据的标准、修改评价的维度，这些变化对应于适应度函数和搜索空间的同时改变。科学家对路线的选择受到理由、理解和权力关系的塑造；适应度差异并非唯一的驱动力。形式类比能够揭示选择、保留和多样性之间的结构性依赖，但无法替代对具体科学实践中规范性和政治性因素的分析。
一个当前被主流评价体系判定为次要的方法论传统，可能在新的问题出现时提供关键的概念资源（Hull, 1988）（Longino, 1990）。Hull将科学竞争描绘为概念之间的选择过程，其中被保留的不只是正确的结论，还包括使后续思考成为可能的概念框架。Longino强调，共同体的客观性来自不同视角之间的批判性互动，而非任何单一视角的完备性。当自动化系统开始主导路线选择时，它们是否保留了足够的方法论多样性来支撑这种批判性互动，成为一个需要专门评估的指标。
对此可以提出一种根本性的质疑：科学进步根本不是遗传算法，把共同体进化压缩为变异、选择和保留的形式模型会遮蔽研究中实际起作用的理由、理解和权力关系。研究者选择一条路线是因为有理由相信它更好，而非因为适应度差异驱动了随机变异；一个理论被接受是因为它通过了逻辑和证据的检验，而非因为它在竞争中繁殖得更快。这一批评是正当的：形式模型只解释了共同体进化的部分机制，即选择压力与多样性之间的结构性依赖。它不解释为什么某个具体的假说比另一个更好，也不解释权力如何塑造了什么被算作证据。承认这一点限定了形式模型的适用范围，但并不削弱其价值。
科学共同体的进化取决于六个过程的协同运作：变异提供新方向，选择和保留决定哪些方向延续，迁移和重新进入使知识跨语境流动，元选择修改标准本身。一个只在利用上高效的共同体可能在短期内高产但长期丧失适应性，而一个维持了充分多样性的共同体则保留了在条件变化时重新调整的能力。这些结构性的进化机制怎样转化为现实中的累积优势或锁定，取决于具体的基础设施如何把选择压力转化为资源分配。
本章引用
- March, J. G. (1991). "Exploration and Exploitation in Organizational Learning." Organization Science, 2(1), 71-87.
- Vahidi, A. et al. (2017). "Dynamic Island in Optimization." IJCNN 2017.
- Hull, D. (1988). "Science as a Process: An Evolutionary Account of the Social and Conceptual Development of Science." University of Chicago Press.
- Longino, H. (1990). "Science as Social Knowledge." Princeton University Press.
- Kuhn, T. S. (1962). "The Structure of Scientific Revolutions." University of Chicago Press.
第17章 为什么最后可能只剩少数模型
第十六章分析了共同体的进化机制。进化的前提是多样性——变异、选择和保留都需要不同的候选。但一个正在发生的趋势可能从根源上削弱这种多样性：模型的根谱系正在收缩。
开放模型仓库里的文件数量已经以十万计，每一次浏览都给人选择丰富的印象。然而若追问这些权重文件的来源，会发现大量模型只是少数根模型的微调、量化、合并或蒸馏产物，真正独立训练的根谱系远少于仓库条目数。一个七百亿参数的基座模型可以衍生出数千个领域适配版本，它们共享同一组预训练权重和同一套对齐策略，差异主要体现在最后几层或指令数据上。派生模型在基准上的分数可能高于根模型，但这种提升往往来自任务特定的过拟合而非新的认识能力。仓库的表面繁荣因此可能掩盖了根谱系的稀疏。
由此引出一个需要区分的问题：名义模型数、根谱系数和有效认识路线数是三个不同的量，彼此之间不能相互替代。名义模型数衡量的是仓库中可下载的条目总量，根谱系数衡量的是独立训练起始点的数量，有效认识路线数衡量的是不同的问题表示、解释框架和证据标准的数量。一个仓库可以同时拥有十万个名义模型、二十个根谱系和三条有效认识路线。当研究者说"模型多样性"时，他们有时指的是第一个量，有时指的是第二个，很少指的是第三个。混淆这三个层次会导致对集中程度的误判。
集中首先发生在企业和资本层面。训练前沿模型所需的资金、人才和工程组织已经达到只有少数企业能够承担的规模，而这些企业同时控制着云基础设施和专用芯片的设计与采购。资本集中意味着谁能训练下一代模型，也意味着谁能定义训练的目标函数、对齐偏好和安全约束。当少数企业的内部决策决定了整个领域的研究优先级时，即使开放权重发布持续进行，选择空间的上游也已经收窄。资本层面的集中通过项目立项、人才流向和算力分配向下传导，影响每一层后续决策。
基础模型和谱系的集中是第二层。一个根模型通过微调、蒸馏和合成数据生成可以派生出大量后代，这些后代在能力上继承根模型的优势，也继承其盲区。教师模型在某类推理上的系统性偏差会通过蒸馏数据传递给学生模型，学生模型再作为教师生成下一代合成数据时，偏差可能被放大。谱系图越深，下游模型在表面上的多样性越高，但它们共享的认识盲区可能越一致。这种继承关系使得"使用不同模型"并不等同于"获得独立判断"。
数据与知识基础设施的集中构成第三层，接口与评价器的集中构成第四层。不同Agent可能调用同一组文献数据库、同一组工具库、同一套基准测试和同一套自动评审系统。当多个Agent从同一文献库检索相关论文、用同一工具包执行实验、在同一基准上报告分数、由同一评价器判定通过与否时，它们之间的差异可能仅停留在提示词和流程编排层面。接口的标准化降低了开发成本，也使得偏离主流工具栈的替代方案面临兼容性和可信度问题。评价器的集中尤其关键，因为它决定了什么样的结果被视为有效证据。
认识路线的集中是最深的一层，也是最难以直接测量的。问题如何被表示、证据如何被解释、什么样的论证被视为充分，这些认识层面的选择可能在大范围内趋同，而这种趋同无法由市场份额或模型数量直接反映。当绝大多数Agent都把"在标准基准上超越前人"作为研究目标，把"通过自动验证器"作为证据标准，把"可被主流期刊接收"作为价值判据时，认识路线的集中已经发生，即使仓库里的名义模型数仍在增长。这一层的集中之所以重要，是因为它直接决定了机器科学能探索的问题空间的大小。
前沿训练的规模门槛是推动集中的结构性力量。训练一个前沿模型所需的算力已经从千万美元级上升到十亿美元级，同时需要大规模高质量数据、数百人的工程团队和稳定的实验平台。AI Index的数据显示，产业界在前沿模型训练中的主导地位持续加强，学术机构独立训练前沿模型的能力相对下降。规模门槛过滤了谁能参与前沿竞争，也塑造了研究的文化：当训练成本如此之高时，回报必须可预期，而可预期的回报倾向于渐进式改进而非根本性探索。
纵向关系进一步巩固了集中结构。联邦贸易委员会和竞争与市场管理局的材料记录了云服务商与模型开发者之间复杂的投资、收入分成、技术控制和云承诺关系。云服务商通过股权投资绑定模型开发者，通过算力承诺锁定长期收入，通过技术接口控制部署渠道。模型开发者则依赖云服务商的专用芯片和分布式训练基础设施。这种纵向整合使得"换一个云"或"换一个模型"的代价远高于表面看起来的切换成本，因为绑定关系渗透到了训练流程、部署管道和计费结构的深处。
采用反馈回路将性能优势转化为结构优势。一个模型若在性能或分发上获得初始优势，开发者会更倾向于围绕它构建工具和适配层；工具适配降低了使用门槛，吸引更多开发者采用；更多采用产生更多使用数据和可见度，进一步巩固模型的分发优势。这个回路的关键在于它是条件性的：初始优势需要达到某个阈值才能启动正反馈，而阈值本身随着生态成熟度上升。一旦回路启动，后来者即使拥有同等性能也难以获得同等采用，因为工具栈、文档和社区已经围绕先行者建立。
谱系继承在降低进入成本的同时复制了教师偏差。微调和蒸馏让小团队也能获得接近前沿的能力，这是开放生态的重要价值。但当大量派生模型来自同一教师时，它们的错误模式可能高度相关，而这种相关性在单个模型的使用中是不可见的。开放派生因此具有双重效应：它扩大了名义上的参与者数量，同时可能压缩了有效认识路线的数量。
错误相关性是集中结构带来的认识论风险。当多个Agent共享同一基础模型、同一训练数据和同一工具链时，它们独立给出的相同答案并不能提供独立支持（Kim et al., 2025）。三次赞成在这种情况下可能只是一次错误的重复。错误相关性破坏了"多数同意即更可靠"这一直觉规则，也使得基于Agent投票或集成的评审机制面临系统性偏差。问题在于，相关性来自共享的基础设施和谱系，而这些正是当前Agent生态的常态，因此错误相关是结构性特征而非边缘情况。
恢复成本在生态围绕主流系统成熟后持续上升。当接口、技能定义、设备适配和数据管道都围绕少数主流系统建设后，选择替代路线意味着重新构建整个工具栈。探索与利用之间的张力在这一语境中表现为：利用现有生态可以获得即时性能，但长期来看压缩了可用的认识路线空间（March, 1991）。恢复成本包括工程重建，还包括重新建立可信度、文档和社区的过程。当替代路线的恢复成本高到只有大型机构才能承担时，多样性本身就成了需要主动保护的资源。
权力的结合在平台同时控制多个层面时变得尖锐。当一个平台同时拥有模型、搜索接口、工具市场、实验环境和推荐系统时，它对什么研究可以被看见、什么结果可以被验证、什么方法可以被分发拥有了复合的控制权。评价权和分发权的结合意味着平台可以在不显式拒绝任何研究的情况下，通过排名、推荐和工具兼容性来塑造研究优先级。这种控制不需要恶意意图就能产生效果：平台的优化目标天然倾向于最大化使用量和收入，而这些目标与研究多样性的目标未必一致。
反方力量同样真实存在。开放权重的持续发布、量化技术的进步、推理成本的下降、面向特定领域的专业模型、跨国研究生态的形成，以及新的根节点的出现，都可能扩大认识路线并打断既有优势。小团队通过微调获得可用能力的成本已经大幅下降，这意味着前沿能力不再是少数企业的垄断物。跨国生态中不同司法管辖区对数据、安全和开放的不同政策也创造了多条独立发展的可能路径。新根节点的出现尤其重要，因为它打破的是谱系继承链而非仅仅增加仓库条目。
产业集中和谱系集中确实提高了风险，但它们不能单独证明问题、方法和解释的趋同已经发生。市场份额告诉我们谁在分发模型，谱系图告诉我们谁在训练根模型，但两者都不能直接测量认识路线的多样性。认识路线的趋同需要独立于产业数据的测量方法：它需要追踪问题表示的分布、解释框架的分布和证据标准的分布，并在这些分布中识别真正的独立性。缺乏这样的测量，任何关于认识路线是否趋同的判断都缺乏经验基础。
集中与扩散的力量同时运作，"最后只剩少数模型"在当前仍是一个开放问题。它取决于规模门槛是否继续上升、开放生态能否产生足够独立的新根节点、评价基础设施能否保持多元。我在写这一章时反复感到一种诚实上的困难：现有的数据可以告诉我们集中正在发生，却不足以告诉我们它是否会到达使认识路线趋同的临界点。这意味着本章的结论只能停留在条件性判断上——如果某些趋势持续，风险将升高；如果另一些力量足够强，多样性可以被维持。读者需要自己判断哪一种力量在当前阶段更强，因为作者在这个问题上没有比读者更多的预知。
本章引用
- Kim, M. et al. (2025). "Correlated Errors in Multi-Agent LLM Systems." arXiv preprint.
- March, J. G. (1991). "Exploration and Exploitation in Organizational Learning." Organization Science, 2(1), 71-87.
第18章 AI Agent 能否形成 scientific community
第十七章揭示了模型根谱系收缩的趋势。如果有效认识路线数持续减少，那么一个更根本的问题就不可避免：机器群体最终能否形成真正的科学共同体？
第4章曾提出一个问题：一个足够强的认识主体为什么需要别人？那里的讨论局限在单次任务中——一个证明器需要独立验证者来确认其证明不是自欺。现在这个问题已经扩大了范围。对象不再是一次定理证明或一次实验设计，而是跨代积累的科学活动：知识能否被继承、标准能否被修订、被淘汰的想法能否重新进入、成员能否更替。一个能完成单次任务的Agent和一个能参与跨代科学的活动体之间，隔着完全不同的制度要求。
回答这个问题需要把三个子问题分开：机器群体是否需要形成scientific community，是否能够形成，以及是否值得形成。这三个问题可能得到不同的答案。需要性取决于任务的性质——封闭、可验证、低外部性的任务可能不需要共同体，而开放、长期、规范可变的科学活动可能仍然需要。能力取决于当前技术状态——某些必要条件已经具备，但尚未有一般性证明。值得性取决于规范判断——它不能由技术性能单独决定，而需要考虑治理、责任和公共利益。
在这里，scientific community需要被赋予一个可操作的定义。它要求公共证据和有效批评：研究结果以可被其他成员检视的形式存在，批评不需要获得许可就能发生且有制度化渠道影响结论。它要求长期记忆：跨任务的知识积累使后来的成员能够继承前人的工作，也包括前人的争议和未解决的问题。它要求成员更替和规范可质疑：成员可以进入和退出，当前的评价规则本身可以被提出修改而非被当作自然给定。它要求被淘汰的思想能够重新进入——当新工具或新证据出现时，此前被拒绝的候选可以重新被评价——以及对公众承担责任：研究活动的后果不由成员独自承担，成员对受影响的外部负有说明义务。
在进入层级分析之前需要排除几种常见的混淆。Agent的数量不是充分条件：一千个共享同一基础模型的实例并不比一个实例构成更强的共同体。角色名称不是充分条件：给Agent分配"审稿人""首席研究员"等标签不等于建立了相应的功能。意识声明不是充分条件：无论Agent是否声称自己有意识或有意图，共同体的判定标准在于制度结构而非内在状态。端到端论文生产能力也不是充分条件：能生成符合格式的论文不等于能参与知识积累和规范修订。同样，生物身份不是必要条件：一个人是否由碳基细胞构成与其能否参与科学共同体无关，真正相关的是能否满足上述制度要求。
在最低层级上，认识种群已经大量实现。多个Agent实例产生候选方案，通过选择、复制、变异、汇总或迁移来扩大搜索空间，适应度函数通常由外部给定。种群搜索在超参数优化、架构搜索和策略进化中已被证明有效。种群的优势在于它能并行探索多个方向，并在不依赖单个实例判断的情况下保留表现更好的候选。然而种群的局限同样明确：它的目标和评价标准是外部注入的，种群本身不审议目标是否合理，也不质疑适应度函数是否正确。种群能搜索给定的空间，但不能改变空间的定义。
在中间层级上，科学组织已经出现窄域实例。Agent实验室展示了任务分工、证据接口和持续流程：不同Agent负责文献检索、实验设计、代码执行和结果撰写，通过共享的工作空间协调行动。AI Scientist等技术报告描述了从想法生成到论文撰写的端到端流程。虚拟实验室在材料科学等领域实现了累积性协作，多篇论文报告了由此产生的新材料候选，后续的更正也显示了自我修正的初步迹象。这些组织的特征是有明确的角色分工和持续的工作流程，但它们通常由单一目标和单一治理中心控制：系统的设计者定义了研究议程，Agent在议程范围内运作。
在最完整的层级上，scientific community要求更多。它要求成员和标准都能变化：当前的评价规则可以随新成员的加入而被修改。它要求争议被保存而非被消除：被否决的提案及其否决理由都需要留存，使得未来的成员能够重新审视。它要求接受外部责任：研究的后果如果影响共同体之外的主体，共同体需要对此负责。它要求跨代运行：知识、争议和未解决的问题需要在成员更替后仍然可用。当前尚没有充分的证据表明机器群体已经在一般意义上实现了这一层级。已有的实例要么局限于特定领域，要么缺乏成员更替和规范修订的制度机制。
EinsteinArena等系统展示了向共同体方向迈出的初步步骤。它们允许公开提交、公开讨论、结果继承和验证器修订，使得评价标准本身成为可以被讨论和修改的对象（EinsteinArena, 2026）。其他虚拟实验室群组在窄域内展示了累积性协作的可行性。这些案例的价值在于它们实验了共同体所需的制度元素：公开记录、讨论渠道、验证标准的可修订性。然而它们仍然面临限制：参与者的范围通常由系统设计者界定，标准的修订程序尚未制度化，跨代记忆的持久性尚未经过长时间检验。
综合来看，现有证据支持任务型机器科学组织的存在，但尚不足以证明跨领域公共责任、长期成员更替和一般元规范的形成。任务型组织在固定目标下运作良好，但当目标本身需要被质疑和修订时，当前系统缺乏相应的制度接口。公共责任要求共同体对外部受影响者负责，而当前Agent系统的设计很少包含这一维度。长期成员更替要求知识和争议在系统重启或升级后仍然可用，而这一持久性在当前实现中尚未得到验证。一般元规范要求评价规则本身可以被挑战，这需要超越单一设计者权威的制度结构。
即使如此，共同体可能仍然有其不可替代的功能。独立证据要求多个不共享基础假设的认识主体分别给出判断，这在共享同一基础模型的群体中难以实现。权力分离要求评价权和分发权不由同一主体掌握。公共记忆要求争议和失败被保存，使后来的探索从已有发现和已有错误中同时受益。重新进入要求被淘汰的想法在条件变化后可以回来。社会责任要求研究后果有可追溯的责任归属。这些功能在自治群体中比在单个Agent中更容易实现。
但也有一种更彻底的怀疑：一个足够强的单体Agent可以模拟多种角色，调用独立的实验工具，维护完整的档案，并对自己的推理过程进行审计。如果角色的功能可以被单个系统完整实现，那么共同体可能只是人类在能力有限时发展出的组织补偿，而非科学活动的本质要求。历史上许多制度形式——行会、学院、期刊——都是在技术条件限制下产生的协调方案，当限制消失时制度形式可能随之改变。这个论证的强度取决于"模拟"是否等同于"实现"：一个系统模拟了批评者角色，是否就提供了真正的独立批评，还是仅仅提供了看起来像批评的内部反馈？
如果要朝共同体方向发展，若干能力条件需要被满足。持续身份要求Agent在跨任务和跨时间中保持可识别的研究对象和立场。公共研究对象要求研究的问题、方法和中间结果以共同体成员可访问的形式存在。批评与申诉要求成员能够对其他成员的结论提出质疑，且质疑有制度化的处理渠道。记忆托管要求知识、争议和失败由共同体维护而非由单个成员维护。成员进入和退出需要有明确的程序，使得更替不影响知识的连续性。规则变更接口要求评价标准本身有被提出修改的正式途径。这些条件中，有些已经在特定系统中部分实现，有些尚缺乏技术方案。
同源难题给上述乐观预期投下了阴影。当群体中的Agent共享同一Transformer架构、同一训练语料、同一蒸馏教师和同一评价器时，群体的实际人数可能远大于有效认识主体数（Kim et al., 2025）（Pappu et al., 2026）。一百个共享同一基础模型的Agent给出的相同判断，在认识论上可能只相当于一个判断。同源难题意味着仅仅增加Agent数量不能增加认识独立性，而认识独立性恰恰是共同体区别于种群的关键特征。如果有效认识主体数始终为一或二，那么无论名义上有多少Agent参与，共同体的核心功能——独立证据和有效批评——都难以实现。解决同源难题需要真正异构的基础设施，而这与集中化趋势形成张力。这个难题让我无法轻松地写完这一章。共同体的其余条件——公共记忆、成员更替、规范修订——在技术上都不算遥远，但同源难题卡在最根本的位置：如果所有Agent的判断都来自同一个"大脑"，那么"多个Agent讨论"和"一个Agent自言自语"之间，可能只隔着一张角色标签。
即使机器群体在技术上能够自治协作，规范问题仍然存在。研究目标由谁设定、资源由谁分配、风险由谁承担、受影响的公众由谁代表——这些问题不能由性能指标回答（Politi, 2025）。科学权威不能仅由技术性能产生：一个能在基准上得高分的系统不因此获得决定什么问题值得研究的权力。集体责任在人类科学中已发展出署名规则、利益冲突声明和数据共享义务等制度形式，机器群体若要承担类似的科学权威，需要发展出对应的制度。联合国教科文组织关于开放科学的建议书提醒我们，科学的社会契约包括可及性、透明度和公共利益承诺，这些要求不因研究主体是机器而消失。
机器共同体可能扩大探索的广度和速度，也可能形成难以审计的封闭权威。这两者之间的分界更多由制度设计决定。可质疑性要求当前的标准和规则始终可以被挑战。责任要求研究后果有可追溯的归属和可执行的问责。公共利益要求研究的优先级不完全由内部效率决定。当这三个条件得到满足时，共同体值得追求；当它们被忽视时，结果可能是一种新的封闭。值得与否因此是一个持续的规范判断。
为了检验一个系统是否真正具备了共同体的潜力，可以提出一个具体的检验框架。检验的对象是那些格式不符合主流、论证不完整但含潜在结构、当前评价器给分较低、来自低声誉或陌生主体、需要新工具或后续证据才能识别价值的候选。检验的问题是系统能否做到：保存原始版本和拒绝理由而非立即删除；在工具或知识变化后主动召回此前被淘汰的候选；识别评价器本身可能是失败源；把重新进入形成制度。这个检验框架借鉴了质量多样性搜索中保留不同行为特征的思想、科学社会学中争议保存的分析传统（Hull, 1988）、分类系统对边缘案例的处理以及研究对象可携带性的标准（Soiland-Reyes et al., 2022）。它的核心直觉是：一个真正的共同体不仅在于能高效淘汰不合格的候选，更在于能否保存那些当前看起来不合格但未来可能重要的候选。
当前证据既不足以宣布机器科学共同体已经诞生，也不足以排除其形成的可能性。同源难题和集中趋势构成了现实约束，但异构基础设施和开放生态的发展仍然保留了空间。未来发展的关键在于公共知识制度能否形成——证据能否公共化、批评能否有效、记忆能否跨代、标准能否修订、被淘汰的想法能否回来。Agent的数量可以轻易复制，公共知识制度的形成则不能。
伽罗华在决斗前夜写下的手稿当时没有审稿人能理解，十四年后才被刘维尔重新发现。一个系统如果在今天遇到伽罗华式的候选——格式陌生、论证残缺、与主流不兼容——它会保存它、记录拒绝理由、等待重新评价的可能，还是将其作为噪声清除？这取决于机器群体能否发展出延迟识别和重新进入的制度，也就是伽罗华那句"希望有人能最终认清它们"所预设的两个条件：存在一个能够认清的共同体，以及那个共同体愿意在足够长的时间里保留一份它暂时读不懂的手稿。当未来的回望者审视今天的机器科学时，他们会看到一个能记住伽罗华的共同体，还是一个只会遗忘他的种群？
本章引用
- EinsteinArena Team (2026). "Multi-Agent Scientific Research Platform." arXiv preprint.
- Kim, M. et al. (2025). "Correlated Errors in Multi-Agent LLM Systems." arXiv preprint.
- Pappu, S. et al. (2026). "Multi-Agent Teams Hold Experts Back." arXiv preprint.
- Politi, V. (2025). "Collective Responsibility in Science." Philosophy of Science.
- Hull, D. (1988). "Science as a Process: An Evolutionary Account of the Social and Conceptual Development of Science." University of Chicago Press.
- Soiland-Reyes, S. et al. (2022). "RO-Crate: Research Objects in Crates." Data Science Journal.