加州大學伯克利分校Henry Chesbrough提出了開放式創新理論，哈佛商學院Clayton Christensen提出了顛覆式創新理論。

撰文｜趙軍（上海交大安泰經濟與管理學院教授）

過去幾十年，人類一直在降低知識傳播的門檻。從互聯網、搜索引擎到社交媒體，一個有價值的觀點可以越來越快地進入公共討論。人工智能又把這種能力向前推進了一大步。它影響的已經不只是知識傳播速度，而是知識從產生、理解到擴展和再利用的整個過程。由此也帶來一個更值得關注的問題：當已有知識越來越容易被理解和利用，什麼樣的原創反而更加稀缺？

傳播革命正在改變知識生產的速度結構

現代科學能夠形成高度專業化又彼此聯繫的知識體系，現代創新能夠不斷積累，都與知識流動效率的提高密切相關。人工智能的特殊之處在於，它不僅幫助人們獲得知識，也越來越多地參與知識的整理、比較和重組。過去需要研究者投入大量時間完成的知識處理工作，現在越來越多地可以藉助機器完成。一項新的研究成果剛剛出現，就可能迅速進入新的討論；一種新的解釋剛剛提出，也可能很快被應用到其他問題；一套新的分析框架形成以後，圍繞它的不同版本也會迅速出現。知識被理解、轉化和繼續利用的時間正在明顯縮短。

但真正的原創仍然遵循另一種時間尺度。無論是一個新的數學問題、一項重要科學發現，還是一種有解釋力的新框架，往往都需要長期研究、經驗積累和反覆推敲。人工智能提高了已有知識的處理效率，卻沒有同比縮短原創形成所需要的時間。知識處理越來越接近機器的速度，原創仍然更多遵循人的時間尺度。這種速度差，正在改變原創與傳播、突破與跟進之間原有的關係。

同樣是原創，人工智能帶來的影響並不相同

現代知識創新不僅包括新的科學發現，也包括提出新的問題、概念、分析框架和解釋體系。不同類型的原創有不同的形成方式，也有不同的確認機制。對於數學、物理、化學、生物等自然科學領域，論文發表時間、預印本、實驗記錄、同行引用和長期形成的優先權傳統，通常能夠比較清楚地記錄一項新的發現究竟是誰首先完成。從這個意義上說，自然科學中的原創確認有相對成熟的制度基礎。

但人工智能仍然會改變原創之後的競爭方式。一項新的科學構想一旦公開，更多研究者能夠更快進入相關方向，而科學成果從提出到最終成立，往往還需要證明、實驗和重複驗證。一個年輕研究者可能較早提出有價值的假說，卻未必擁有大型實驗平臺、長期數據、成熟團隊和充足經費，擁有更多資源的團隊則可能更快推進後續研究。長期以來，科研共同體常“Publish or Perish”來形容論文發表對科研職業的重要性。人工智能並沒有終結這一邏輯，卻可能使原創者在提出新思想之後所擁有的先發優勢變得更短。

對於另一類原創思想，問題更加明顯。這類創新往往不是發現一個新的事實，而是提出一個新的問題、概念或解釋框架，從而改變人們理解某一現象的方式。例如，顛覆式創新理論的重要貢獻，在於提出了一套解釋成熟企業爲什麼可能被新進入者超越的框架；開放式創新理論之所以產生廣泛影響，則在於重新理解企業如何利用內部與外部資源開展創新。這類原創同樣能夠推動知識進步，卻不像一個數學證明或者一項實驗結果那樣容易形成清晰的成果邊界和優先權記錄。

對於這樣的原創，人工智能最明顯的影響，是後續理解和擴展變得前所未有地容易。一個新的問題或者分析框架出現之後，後來者可以迅速補充新的案例、文獻和材料，並形成新的表達。原創思想本身沒有因此失去價值，但原創者與後來者之間原來存在的差距正在發生變化。

真正被壓縮的，是原創之後的時間窗口

最近我對此有過一次切身感受。此前我發表了一篇關於美國《科學：新黃金時代》報告的評論文章，主要討論美國科學政策變化及其背後的科學能力問題。文章發表後不久，很快出現了不少圍繞相近問題展開的新討論。跟進本身說明議題具有價值，也擴大了公共討論，這本來就是思想傳播應有的結果。但真正值得注意的是其中的速度變化：原創者剛剛提出一個新的問題或者分析框架，後來者已經不需要重新經歷最初尋找問題、組織材料和形成框架的全過程。補充新的案例和資料，轉換標題和表達方式，很快就可以形成一篇看起來完全不同的新文章。

傳統意義上的文字重複率可能很低，也未必構成通常意義上的抄襲，但後續內容與最初思想之間卻可能存在清楚的承繼關係。公衆最終看到的是越來越多圍繞同一問題展開的內容，卻越來越難辨認誰完成了最初的認知突破。這也是爲什麼人工智能時代需要更加清楚地區分“認知突破”與“認知擴展”。認知突破意味着提出此前沒有被認真提出的重要問題，建立新的解釋框架，或者提供足以改變既有理解的關鍵證據；認知擴展則是在已有問題和框架基礎上增加案例、材料和應用，把已有認知向更廣的領域推進。兩者都有價值，但承擔的風險和稀缺程度並不相同，人工智能尤其擅長放大後者，使沿着已有框架繼續展開變得更加容易。

這種區別過去一直存在，只是人工智能把它迅速放大了。過去，原創者往往還能依靠一定的時間差形成比較清晰的認知標識；今天，原創與跟進之間原本可能持續幾個月甚至更長時間的距離，有時可以縮短到幾天。真正被壓縮的，不是原創本身，而是原創之後原本屬於原創者的領先時間。

真正值得擔心的，是還能不能持續產生原創

思想傳播本身不是問題。一個有價值的科學發現或者觀點被更多人理解、發展，本來就是知識進步的一部分。需要關注的是，當沿着已有知識繼續前進變得越來越容易時，原創與跟進之間的投入和回報可能因此發生變化。提出一個真正新的問題，可能需要幾個月、幾年甚至更長時間；圍繞一個已經被證明有價值的問題繼續擴展，則越來越容易。前者需要長期積累，還要承擔方向錯誤、研究失敗甚至長期無人關注的風險；後者面對的卻已經是一個被證明值得進入的方向。如果後續擴展又擁有更強的傳播平臺，最終獲得的公共影響甚至可能超過最初的認知突破。

這當然不能說明人工智能一定會削弱原創，卻提出了一個值得警惕的問題：如果最困難的認知突破與後續擴展獲得的回報越來越不匹配，原創工作的吸引力會不會因此下降？人工智能正在降低既有知識處理和再利用的成本，卻沒有同樣降低提出真正重要問題和形成原創判斷的難度。當知識處理越來越便宜，原創思考反而變得更加稀缺。真正需要關注的，因此不是機器能夠生產多少內容，而是一個創新體系能否繼續鼓勵人們去面對那些沒有現成答案、也無法確定最終回報的問題。

這種變化還可能影響學術交流本身。科學創新一直依賴同行討論、學術會議和非正式交流，很多尚未成熟的想法正是在碰撞中不斷髮展。如果研究者越來越擔心一個剛剛形成的思路在公開後會被迅速吸收、重組和擴展，就可能減少早期階段的開放分享。好的原創確認機制並不是知識開放的對立面，反而可能成爲知識開放的重要基礎。只有原創能夠被識別，開放纔不會成爲原創者額外承擔的風險。

重新識別真正稀缺的原創

人工智能時代真正需要完善的，不是簡單把知識活動劃分成“原創”與“非原創”，而是更加準確地區分不同層次的知識貢獻。有人提出一個新的問題，有人建立新的解釋框架，有人提供關鍵證據，也有人在已有基礎上補充更多案例、材料和應用。這些工作都可能創造價值，但不能因爲最終都表現爲一篇論文、一篇文章或者一個傳播產品，就把它們視爲完全相同的貢獻。

評價知識貢獻的方式也需要相應變化。如果主要依據發表數量、傳播範圍或者最終影響來判斷價值，就很容易把認知擴展與認知突破混在一起。一個已經形成的好問題，可以不斷產生新的研究和文章；一個有解釋力的框架，也可以被運用到越來越多的領域。但真正困難、也真正決定知識向哪裏發展的，往往是第一次把那個問題提出來，第一次形成新的解釋，或者第一次改變人們原有的理解。獎勵原創，從來不只是爲了回報已經發生的創新，更重要的是讓更多人願意開啓下一次創新。

一個有效的創新體系，不僅需要提高知識傳播和利用效率，也需要讓那些承擔更高不確定性、完成真正認知突破的人得到與其貢獻相匹配的承認。否則，當擴展越來越容易，而原創仍然艱難，更多人自然會選擇進入已經被證明有價值的方向，而不是走向尚無人知道答案的地方。人工智能並沒有消滅原創，而是在重新定義原創真正稀缺的部分。未來最值得獎勵的，不只是完成知識生產流程的人，而是那些提出關鍵問題、形成關鍵思想、真正推動知識邊界向前的人。機器可以幫助我們更快地站到已有知識的肩膀上，但新的可能性仍然需要有人去探索和創造。人工智能時代真正需要維護的，不是原創者對思想的獨佔，而是原創本身的吸引力。