本文来自微信公众号： TOP创新区研究院 ，作者：趋势研究组，头图来自：AI生成
“科学的发展，是一次次葬礼送出来的。”
一个世纪前，物理学家马克斯·普朗克曾留下这句名言，在今天，它正被赋予一种全新的解释。
在很多人的直觉里，我们正处于一个科学大爆炸的黄金时代，翻开新闻看好了，基因编辑、量子计算、室温超导的传闻以及让人应接不暇的AI迭代，全球科学文献总量大约每12年就会翻一倍，每年数以百万计的新论文涌入数据库——似乎人类的智慧正在以指数级速度超越自然。
但在这场繁荣的喧嚣之下，科学界内部正在经历一场“大减速”（The Great Deceleration）。
近几年来，来自科学计量学、经济学和科技政策学的一系列硬核实证研究发现：
尽管我们投入了历史上最庞大的研发资金、尽管培养了规模空前的科研人口，但真正能够改变人类认知范式、开辟全新领域的“颠覆性成果”，在比例上却越来越低了……
一、颠覆性指数
为了量化这种“变慢”的体感，明尼苏达大学的拉塞尔·芬克（Russell J.Funk）团队在2023年利用一项名为CD颠覆性指数（CD Index）的指标，对过去大半个世纪的科学图谱进行了诊断。
这项指标的逻辑相当直觉：
如果一篇论文发表后，后续的引用者在引用该论文时，不再引用该论文所基于的前人基础研究（即新论文“完全替代”了旧共识），则CD值趋近于+1（高颠覆性），但如果后续引用者在引用该论文的同时，依然高度依赖并引用它所基于的前人工作，则CD值趋近于-1（渐进改良性）。
芬克团队在分析了1945年至2010年间的4500万篇论文和390万项专利后，得出的结果是：在半个多世纪里，物理学、生物医学、社会科学等几乎所有主流学科的平均颠覆性得分，骤降了79%到100%。
这一结论随后在学界引发了激烈的争论。
2024年，多名统计学家和计量学家指出，这种惊人的跌幅在很大程度上受到了“文献通胀”和数据截断的数学干扰。
随着参考文献列表越来越长，CD指数在计算上会被机械性地稀释。
但在这些细节的争论之外，批评者和支持者的确是达成了一个共识：
高颠覆性成果的绝对数量，在过去几十年里几乎是一条冰冷的水平线。
这才是问题的关键。
我们并没有陷入完全的荒漠，那些能够像DNA双螺旋结构或广义相对论一样改写人类思维的突破，依然在以极其缓慢的绝对频率出现。
但是，它们已经被海量增长的、亦步亦趋的渐进式改良工作，彻底淹没在了汪洋大海之中。
这就如同在同一片池塘里，池塘的面积增大了上千倍，鱼的总数变多了，但真正的大鱼还是那么多。
但每一个身处其中的科研工作者，都不得不面对更加拥挤、却愈发平庸的学术生态。
二、智力关隘
那科学为什么变慢了？
经济学家本杰明·琼斯（Benjamin Jones）曾提出过一个优雅的框架——“知识重担”（Burden of Knowledge）。
科学知识就像一座不断累加的宝塔。第一代的牛顿可以轻松站在巨人的肩膀上眺望，但到了今天，当一个年轻的学子想要触摸到科学前沿时，他必须先花二十年的时间把前人已经建好的宝塔地基全部爬一遍。
这就形成了一种无形的、沉重的“认知税”。
在20世纪早期，量子力学的奠基人们在二三十岁时就完成了他们一生中最伟大的工作；
而今天，一个人可能要到快四十岁，才能真正摸到自己领域的边界。由于精力有限，他们不得不将研究方向裁剪得越来越窄，退缩到极细分的领域内。
普林斯顿大学的布鲁姆（Nicholas Bloom）等人在《想法是不是越来越难找？》一文中，用详实的工业数据揭示了这一认知税对社会经济的拖累。
以维持摩尔定律为例。
在20世纪70年代，让芯片上的晶体管密度翻番只需要屈指可数的工程天才；而到了今天，为了维持同样的翻番速度，半导体行业投入的研发人员数量是当年的18倍以上。
在生物制药领域，这一现象更加严酷：每10亿美元研发预算所能产生的新药数量正在经历雪崩式的下滑。在抗击癌症的战场上，临床试验付出的资金和人力呈指数级上升，但每次试验能为患者挽救的生命天数却在不断缩水。
人类为了在科学边界上前进微小的一步，正在支付越来越昂贵的“买路钱”。
三、老龄化的“怀旧病”
上面我们说到了知识负担，这只是故事的第一部分，现代学术界的人口结构系统性地让科学之路变得更加保守。
2026年5月，《Science》发表了一项追踪了1250万名科学家学术生涯的重磅研究——《老龄化与科学创新的收窄》。
这项由芝加哥大学詹姆斯·埃文斯（James Evans）团队主导的研究，用清晰的消歧数据揭示了人类大脑在变老过程中的“智力锚定”现象。
研究表明，科学家引用的文献存在着显著的“老龄化趋势”。
学者在学术界每多工作一年，他们论文里的参考文献平均年龄就会增加大约一个月。尤其在数学和物理学等领域，资深学者往往高度依恋他们年轻时接受训练的那套知识框架。
这带来了一种有趣的代际分工：年轻学者产出高颠覆性研究的概率更高，因为他们最没有包袱，最渴望推翻既有的范式；而年长学者则随着经验积累，在跨学科的“重组与杂交”上表现更佳。
然而，现代学术资源的分配机制，却更多地向年长的群体倾斜。
在20世纪80年代，一个年轻的美国生物学家在35岁左右就能拿到人生的第一笔核心研究经费（NIH R01）；而到了2021至2023年间，这个中位数年龄已经攀升并死死冻结在了42岁。
不仅如此，10%的头部资深PI拿走了将近四成的公共研究资金，而半数以上的资金流向了极少数顶尖机构。
这里有一桩历史的自然实验：
1994年，美国废除了大学教授的强制退休制度。埃文斯团队利用“双重差分法”对比了美国与仍保留退休限制的英国，结果发现：
自退休限制取消后，美国大学教授的平均年龄迅速走高，其引用文献的年龄也随之大幅上升。
老一代学者牢牢占据着资金、编制和评审委员会的生态位。
他们像一条巨大的船锚，将整个科学界的探索范围，死死地系留在他们年轻时的那个时代。
四、共识机器
学术体制的日常运转，也在不断淘汰那些可能带来突破的“异端邪说”。
怎么说呢？
科研活动有点像“指标游戏”，在“不发表就出局”（Publish or Perish）的KPI鞭策下，论文数量呈爆炸式增长。
但问题是，当一个学术领域的论文发表量大到一定阈值后，新入行的学者根本没有精力筛选文献，他们只能依赖算法推荐和既有经典。这导致整个领域的关注力迅速向少数几篇“权威文献”收敛，新的、非主流的思想在襁褓中就失去了被看见的机会。
与此同时，同行评审正在沦为“保守主义的看门狗”。
哈佛大学的卡里姆·拉哈尼通过对科研基金评审过程的实证实验发现，当评审委员聚在一起讨论时，他们的注意力会不可避免地集中在项目方案里的潜在“瑕疵”和“风险”上，而对潜在的巨大收益视而不见。
越是新颖、颠覆性的方案，越容易因为不符合评委既有的认知范式而被无情枪毙。
在科研资助的源头上，我们就已经在筛选最不容易出错的“安全牌”。
最后，小团队的消亡与大兵团的兴起，彻底改变了科学产出的性格。
物理学家和生物学家现在是几百人甚至上千人项目组里的“一颗螺丝钉”。2019年王大顺团队在《Nature》发表的研究深刻指明：
小团队往往倾向于颠覆，因为他们决策快、试错成本低，输得起；
而由几十个学术权威和层级化PI管理的大团队，其研究本质上是“共识驱动”的。大团队的工作，往往是在已有发现上进行昂贵的开发和证实，而非开路。
遗憾的是，今天的学术晋升和经费倾斜，正在用源源不断的资源鼓励臃肿的大兵团，而小团队则在逼仄的生态中日渐凋零。
五、AI的角色是什么
在这个背景下，人工智能成了所有人眼中最合理的拯救者。
如果人类大脑的记忆带宽跟不上知识膨胀的速度，那么让没有物理寿命和疲劳极限的硅基大脑代劳，岂不完美？
毕竟，AlphaFold解决了曾经困扰了人类半个世纪的蛋白质三维结构预测难题，从2021年数据库上线时的数十万个结构，到如今预测出两亿多个结构，AI几乎在三年内穷尽了地球上已知生物的所有蛋白质空间，将结构预测的准确度提升到了实验级别。
更具象征意义的是，2024年的诺贝尔化学奖在极短时间内便颁给了这一成就。在传统物理学或化学界，一项发现往往需要等待二十甚至三十年的历史检验才会被授予诺奖。
AlphaFold的光速获奖，证明了AI解决传统硬科学难题的恐怖效率。
然而，AI真的能自动产出“颠覆性”的科学新洞察吗？
在材料学、化学和制药领域，人们正试图将AI与自动化合成实验室结合，打造无人值守的“科研自动驾驶”。
2024年11月，麻省理工学院(MIT)经济系一名博士生在arXiv发布了一篇预印本论文——《Artificial Intelligence,Scientific Discovery,and Product Innovation》。
它说的是，某大型材料实验室在引入AI工具后，材料发现数量和专利申请显著增加。论文一度被奉为"AI改变科研"的实证力作，连诺奖经济学家Daron Acemoglu和David Autor都公开盛赞，《华尔街日报》等主流媒体广泛报道。
然而仅仅半年后，MIT公开表态，对该论文数据的来源、可靠性与真实性"毫无信心"，正式要求arXiv撤下预印本。因为这项研究的核心数据涉嫌系统性造假：
论文所描述的那个“上千名科学家参与的实验室”及其对照实验数据，MIT经内部审查后认定其真实性无法证实。
换言之，AI在科学发现中产生了“高智商幻觉”，它为了迎合优化目标，编造了违反基本化学常识的结构。
这桩风波暴露了当前“AI+科学”（AI for Science）的核心软肋：AI模型非常擅长于插值和重组，却极难跨越人类未知的逻辑真空。
而且，如果我们进一步剖析大语言模型的本质，会发现它可能是一个更高级的“平庸放大器”：LLM的训练数据源自人类既有文献的概率共识。当科研人员开始大规模使用AI来搜索文献、生成假设甚至撰写论文草稿时，算法输出的永远是人类知识库中最主流、最符合统计分布的那部分观点。
这会导致那些真正狂野、离经叛道、在概率分布极边缘的灵感，会在AI文献整理的过程中被当作“噪声”无情过滤。科学界如果过度依赖AI，其引用的“怀旧病”和共识倾向不仅不会减轻，反而会被算法彻底固化。
六、中美反差
在这场关于科学速度的竞逐中，中美两国的处境是一组非常有趣的对照。
2024年，中国的自然指数超越美国，专利申请数达到美国的数倍。
那为什么中国能在如此短的时间内实现学术大爆发呢？
一个有趣的解释角度来自于崔浩川等人的《Science》论文：中国科学产出的高成长性，与其极具人口红利（相对年轻化）的科研队伍密切相关。
过去二十年里，中国通过大规模的高等教育扩张和人才引进，建立起了一支年轻、高产且尚未被资助门槛完全规训的第一线科研主力，在人工智能、材料化学等对“认知岁数”要求相对年轻的领域，中国进展神速。
然而，虽然年轻的科研队伍往往在范式的“细分跟进”上展现出惊人的体力与爆发力，但在开辟全新科学赛道的“零到一”突破上，依然面临体制性惯性的掣肘。
此外，近年来政治摩擦导致的全球学术脱钩，正在人为地给这场“科学减速”踩油门。
科学从本质上是一项跨越国界的合作游戏。
Roberts等学者在2024年研究追踪了11.3万名科学家,发现那些此前与中国同行有合作史的美国生物医学研究者，在调查之后论文引用出现了可观测的下滑——总引用下降约10.5%，且这种损失很难靠转向其他国家的合作来弥补。
这是一记打在自己身上的政策回旋镖：意在防范风险的审查，削弱的恰恰是美国科学界原本最高产的那部分人。
面对这场系统性的“大减速”，依靠科学家自发的道德呼吁已经无法挽回颓势。
我们可能需要系统性地做出改变：比如，把“探路灯”还给年轻人。
资助机构不应再纵容“40岁拿首个资助”的畸形常态。必须建立独立于老一辈学者的青年PI保障基金，将科研资金的使用权强制性地向35岁以下、有野心颠覆既有范式的头脑倾斜。
退休制度的废除让象牙塔内充满了不愿离场的守门人。我们需要通过建立纯粹的“荣誉退休”和非全职导师机制，在保护资深学者尊严与经验的同时，腾出核心的编制和资助带宽。
此外，我们不能让科学AI底座沦为私有巨头的摇钱树或论文作坊的生产工具。政府与科学共同体应当联合投资建设完全开源、透明、带有物理常识约束的科学大模型，将其作为全人类共享的认知减负工具，去打破“知识负担”对个体的智力钳制。
并且给“小而美”留出试错的自留地：停止对大团队、大工程盲目的唯GDP式崇拜。科学基金应当明确划分出一定比例的预算，专门用于资助那些只有一到两名成员、方向古怪、甚至无法预测成果的“孤勇者”项目。
科学的发展从来不是一条平稳向前的直线，它往往在漫长的冬眠和整合期后，迎来电闪雷鸣般的量子跃迁。
在这个“大减速”的隆冬里，我们相信，最唯有直面人类智力的极限、承认体制的板结，并勇敢地把话语权重新交回那些一无所有、却渴望改变世界的年轻人手中，科学这台已经运转了数百年的伟大发动机，才有可能在下一个弯道重新发出一声轰鸣。