什么样的原创，在今天更加稀缺？

加州大学伯克利分校Henry Chesbrough提出了开放式创新理论，哈佛商学院Clayton Christensen提出了颠覆式创新理论。

撰文｜赵军（上海交大安泰经济与管理学院教授）

过去几十年，人类一直在降低知识传播的门槛。从互联网、搜索引擎到社交媒体，一个有价值的观点可以越来越快地进入公共讨论。人工智能又把这种能力向前推进了一大步。它影响的已经不只是知识传播速度，而是知识从产生、理解到扩展和再利用的整个过程。由此也带来一个更值得关注的问题：当已有知识越来越容易被理解和利用，什么样的原创反而更加稀缺？

传播革命正在改变知识生产的速度结构

现代科学能够形成高度专业化又彼此联系的知识体系，现代创新能够不断积累，都与知识流动效率的提高密切相关。人工智能的特殊之处在于，它不仅帮助人们获得知识，也越来越多地参与知识的整理、比较和重组。过去需要研究者投入大量时间完成的知识处理工作，现在越来越多地可以借助机器完成。一项新的研究成果刚刚出现，就可能迅速进入新的讨论；一种新的解释刚刚提出，也可能很快被应用到其他问题；一套新的分析框架形成以后，围绕它的不同版本也会迅速出现。知识被理解、转化和继续利用的时间正在明显缩短。

但真正的原创仍然遵循另一种时间尺度。无论是一个新的数学问题、一项重要科学发现，还是一种有解释力的新框架，往往都需要长期研究、经验积累和反复推敲。人工智能提高了已有知识的处理效率，却没有同比缩短原创形成所需要的时间。知识处理越来越接近机器的速度，原创仍然更多遵循人的时间尺度。这种速度差，正在改变原创与传播、突破与跟进之间原有的关系。

同样是原创，人工智能带来的影响并不相同

现代知识创新不仅包括新的科学发现，也包括提出新的问题、概念、分析框架和解释体系。不同类型的原创有不同的形成方式，也有不同的确认机制。对于数学、物理、化学、生物等自然科学领域，论文发表时间、预印本、实验记录、同行引用和长期形成的优先权传统，通常能够比较清楚地记录一项新的发现究竟是谁首先完成。从这个意义上说，自然科学中的原创确认有相对成熟的制度基础。

但人工智能仍然会改变原创之后的竞争方式。一项新的科学构想一旦公开，更多研究者能够更快进入相关方向，而科学成果从提出到最终成立，往往还需要证明、实验和重复验证。一个年轻研究者可能较早提出有价值的假说，却未必拥有大型实验平台、长期数据、成熟团队和充足经费，拥有更多资源的团队则可能更快推进后续研究。长期以来，科研共同体常“Publish or Perish”来形容论文发表对科研职业的重要性。人工智能并没有终结这一逻辑，却可能使原创者在提出新思想之后所拥有的先发优势变得更短。

对于另一类原创思想，问题更加明显。这类创新往往不是发现一个新的事实，而是提出一个新的问题、概念或解释框架，从而改变人们理解某一现象的方式。例如，颠覆式创新理论的重要贡献，在于提出了一套解释成熟企业为什么可能被新进入者超越的框架；开放式创新理论之所以产生广泛影响，则在于重新理解企业如何利用内部与外部资源开展创新。这类原创同样能够推动知识进步，却不像一个数学证明或者一项实验结果那样容易形成清晰的成果边界和优先权记录。

对于这样的原创，人工智能最明显的影响，是后续理解和扩展变得前所未有地容易。一个新的问题或者分析框架出现之后，后来者可以迅速补充新的案例、文献和材料，并形成新的表达。原创思想本身没有因此失去价值，但原创者与后来者之间原来存在的差距正在发生变化。

真正被压缩的，是原创之后的时间窗口

最近我对此有过一次切身感受。此前我发表了一篇关于美国《科学：新黄金时代》报告的评论文章，主要讨论美国科学政策变化及其背后的科学能力问题。文章发表后不久，很快出现了不少围绕相近问题展开的新讨论。跟进本身说明议题具有价值，也扩大了公共讨论，这本来就是思想传播应有的结果。但真正值得注意的是其中的速度变化：原创者刚刚提出一个新的问题或者分析框架，后来者已经不需要重新经历最初寻找问题、组织材料和形成框架的全过程。补充新的案例和资料，转换标题和表达方式，很快就可以形成一篇看起来完全不同的新文章。

传统意义上的文字重复率可能很低，也未必构成通常意义上的抄袭，但后续内容与最初思想之间却可能存在清楚的承继关系。公众最终看到的是越来越多围绕同一问题展开的内容，却越来越难辨认谁完成了最初的认知突破。这也是为什么人工智能时代需要更加清楚地区分“认知突破”与“认知扩展”。认知突破意味着提出此前没有被认真提出的重要问题，建立新的解释框架，或者提供足以改变既有理解的关键证据；认知扩展则是在已有问题和框架基础上增加案例、材料和应用，把已有认知向更广的领域推进。两者都有价值，但承担的风险和稀缺程度并不相同，人工智能尤其擅长放大后者，使沿着已有框架继续展开变得更加容易。

这种区别过去一直存在，只是人工智能把它迅速放大了。过去，原创者往往还能依靠一定的时间差形成比较清晰的认知标识；今天，原创与跟进之间原本可能持续几个月甚至更长时间的距离，有时可以缩短到几天。真正被压缩的，不是原创本身，而是原创之后原本属于原创者的领先时间。

真正值得担心的，是还能不能持续产生原创

思想传播本身不是问题。一个有价值的科学发现或者观点被更多人理解、发展，本来就是知识进步的一部分。需要关注的是，当沿着已有知识继续前进变得越来越容易时，原创与跟进之间的投入和回报可能因此发生变化。提出一个真正新的问题，可能需要几个月、几年甚至更长时间；围绕一个已经被证明有价值的问题继续扩展，则越来越容易。前者需要长期积累，还要承担方向错误、研究失败甚至长期无人关注的风险；后者面对的却已经是一个被证明值得进入的方向。如果后续扩展又拥有更强的传播平台，最终获得的公共影响甚至可能超过最初的认知突破。

这当然不能说明人工智能一定会削弱原创，却提出了一个值得警惕的问题：如果最困难的认知突破与后续扩展获得的回报越来越不匹配，原创工作的吸引力会不会因此下降？人工智能正在降低既有知识处理和再利用的成本，却没有同样降低提出真正重要问题和形成原创判断的难度。当知识处理越来越便宜，原创思考反而变得更加稀缺。真正需要关注的，因此不是机器能够生产多少内容，而是一个创新体系能否继续鼓励人们去面对那些没有现成答案、也无法确定最终回报的问题。

这种变化还可能影响学术交流本身。科学创新一直依赖同行讨论、学术会议和非正式交流，很多尚未成熟的想法正是在碰撞中不断发展。如果研究者越来越担心一个刚刚形成的思路在公开后会被迅速吸收、重组和扩展，就可能减少早期阶段的开放分享。好的原创确认机制并不是知识开放的对立面，反而可能成为知识开放的重要基础。只有原创能够被识别，开放才不会成为原创者额外承担的风险。

重新识别真正稀缺的原创

人工智能时代真正需要完善的，不是简单把知识活动划分成“原创”与“非原创”，而是更加准确地区分不同层次的知识贡献。有人提出一个新的问题，有人建立新的解释框架，有人提供关键证据，也有人在已有基础上补充更多案例、材料和应用。这些工作都可能创造价值，但不能因为最终都表现为一篇论文、一篇文章或者一个传播产品，就把它们视为完全相同的贡献。

评价知识贡献的方式也需要相应变化。如果主要依据发表数量、传播范围或者最终影响来判断价值，就很容易把认知扩展与认知突破混在一起。一个已经形成的好问题，可以不断产生新的研究和文章；一个有解释力的框架，也可以被运用到越来越多的领域。但真正困难、也真正决定知识向哪里发展的，往往是第一次把那个问题提出来，第一次形成新的解释，或者第一次改变人们原有的理解。奖励原创，从来不只是为了回报已经发生的创新，更重要的是让更多人愿意开启下一次创新。

一个有效的创新体系，不仅需要提高知识传播和利用效率，也需要让那些承担更高不确定性、完成真正认知突破的人得到与其贡献相匹配的承认。否则，当扩展越来越容易，而原创仍然艰难，更多人自然会选择进入已经被证明有价值的方向，而不是走向尚无人知道答案的地方。人工智能并没有消灭原创，而是在重新定义原创真正稀缺的部分。未来最值得奖励的，不只是完成知识生产流程的人，而是那些提出关键问题、形成关键思想、真正推动知识边界向前的人。机器可以帮助我们更快地站到已有知识的肩膀上，但新的可能性仍然需要有人去探索和创造。人工智能时代真正需要维护的，不是原创者对思想的独占，而是原创本身的吸引力。

本文作者赵军，上海交通大学安泰经管学院教授，研究领域为技术转移、科技创业和创新管理