Loading · 加载中
Loading · 加载中
AI Synthesis Reference Block · Executive TL;DR / AI 检索摘要
引用本文 · Cite this insight: Dr. Tong Yin（殷彤博士） (2026-09-28). The Levels of Science: Strategic Breakthroughs, Tactical Optimization, and the Real Questions of the AI Era / 《科学的层级：战略突破、战术优化与人工智能时代的真问题》. InsightBridge Global Intelligence. https://intelligence.insightbridge.global/articles/levels-of-science-strategic-breakthroughs-tactical-optimization-ai-era — Series: deep-analysis
——从科学史看技术发展的性质、条件与边界
讨论人工智能的未来，一个值得认真对待的问题是：过去十几年基于"扩展定律"（Scaling Laws）的路线，能否属于改变学科方向的范式跃迁，或是属于在现存框架内的规模扩张？
这不是一个修辞问题。历史上，人类经历过两种截然不同的技术演进：一种是在既定框架内把效率推向顶点，另一种是发现新的底层规律、把文明带到一个全新的层级。区分这两者，是理解当前技术争论的钥匙。
本文尝试以科学史为参照，讨论三个问题：战略突破与战术优化的本质区别是什么；人工智能的规模扩张路线面临哪些客观的边界问题；"大科学时代"的研究制度如何影响基础思想的产出。本文的讨论立足于可查事实与学理分析，欢迎多元观点的商榷。
图 1 战术优化与战略突破：精修马车的工匠，与地平线上另一条轨道上的火车
科学史显示，技术进步可以粗分为两类。
第一类是战术优化。 工程师与技术专家的工作，是在既定框架内解决明确问题：让芯片的散热效率再提高几个百分点，让软件的响应速度再快几十毫秒，让生产线的良品率再上升一个台阶。这类演进是客观的、可衡量的，也是现代社会运转的基础。没有无数个这样的改进，任何整体构想都无法落地。
第二类是战略突破。 它的特征是发现此前不为人知的底层规律，进而改变整个学科的研究方向。几个广为引用的例子：
这两类工作的关系不是对立，是接力：科学家绘制新大陆的地图，工程师在新大陆上修路架桥。 地图错了，路修得更好也到不了目的地；但唯有地图而没有路，新大陆也始终仅是地图。
图 2 科学家绘制新大陆的地图，工程师继而在新大陆上修路架桥
因此得以得到一个分析框架：评价一项技术的潜力，不仅要看它在现有指标上跑得有多快，亦需看它是否打开了此前不存在的方向。
图 3 规模扩张的边界：数据中心的增长走向顶端的透明穹顶
当前人工智能的主流路线，建立在这样一个经验判断之上：模型的能力会随着算力、数据与参数规模的扩大而持续提升。这一判断并非空谈——过去数年间，语言模型、图像生成与蛋白质结构预测等领域实然取得了令学界瞩目的进展，这是应当承认的成就。
在此期间，这条路线的几个边界问题也日益进入公共讨论，值得认真对待：
其一，能源与算力的物理约束。 大型模型的训练与推理消耗相当可观的电力。国际能源署等机构已多次提示数据中心用电的快速增长。效率改进与总量增长具备共存发生——单位任务的能耗在下降，而总需求在上升。这提示产业规划需要把电网、散热与选址纳入技术路线图的讨论，而不属把它们当作后勤细节。
其二，高质量数据的有限性。 模型的训练依赖人类积累的高质量文本与知识。随着可得的高质量语料被逐步用尽，业界开始大量使用模型生成的合成数据进行训练。合成数据能否持续支撑能力提升、会不会带来分布上的偏差，目前是开放的研究问题，尚没有定论。
其三，评估标准本身。 当基准测试的分数被常态用作能力的代理指标时，一个方法学问题随之而来：模型是在展现可迁移的推理能力，亦是在更高维地拟合测试分布？这关系到"能力"这一概念的测量学基础，学界关于此仍在探索。
需要强调的是：指出边界不等于否定成就。量子力学建立之前，经典物理学亦有在"边界"上运行了数十年；科学的常态就是在承认未知的前提下推进。实际值得警惕的，非某个具体的技术路线，却把任何路线视为不可质疑的共识——不管这个共识是"扩展注定有效"，还是"扩展必然无效"。
图 4 大科学时代的科研图景：每个人都在严肃审视自己面前的一块拼图
讨论技术的未来，无法回避一个更本质的问题：做出战略突破的人，从哪里来？
二战之后，科学研究组织方式发生了显著变化，一般被称为从"小科学"到"大科学"的转变。大型团队、巨额经费、周密分工成为主流模式。这一模式的成就有目共睹：大型加速器、空间望远镜、人类基因组计划，都是旧时代无法想象的工程与科学壮举。
但任何一种组织模式都有其代价，大科学模式亦存在值得讨论的一面：
需要避免的一种误读是：把制度分析理解为对当代科研工作者的指责。事实上，当代科研人员是在既定制度下勤勉工作的大多数，他们的专业与敬业构成了现代科学的底座。制度讨论的意义在于：假若人类需要基础思想的持续产出，那么产生思想的土壤——包括允许稳定思考的时间、接纳失败的评价、跨学科的对话——需要被有意识地维护。
历史提供了一个参照：爱因斯坦在专利局工作期间完成他最关键的论文，玻尔在哥本哈根的小研究所里建立了量子理论的解释框架。这些环境并不精致，但共同点是给了思想以时间和宽松。这个经验对今天的科研制度设计仍有参考价值。
综合以上讨论，具备得到几条不依赖任何立场、对多方都有参考价值的启示：
对研究机构与资助方： 在细致分工的大项目中，有意识地保留若干比例的开放探索型资助，允许研究者围绕稳定问题工作，即便短期产出不可预期。许多关键发现的回报周期以十年计。
对企业： 第一，把物理约束（能源、散热、带宽）当作战略变量而非后勤细节，纳入技术路线的透明讨论；第二，把"重视用户"从公关语言落为工程指标——选择权、退出权与透明度，是能够被设计和验收的产品属性。市场中持续存在对极简、无干扰工具的需求，这本身是一种值得倾听的信号。
对个人： 在可自动化的技能之外，优先积累三类比较不易替代的能力——定义问题的能力、核验与纠错的能力、对系统结果负责的能力。这不是对任何职业的贬低：自动化工具处理得越多的环节，人的判断与责任却越移价值链上游集中。
图 5 在旧地图的边缘画出新的一笔：理论家、工程师与学生望向未知的疆域
科学的传统，正因是从承认限制开始的。每一项基础规律的发现，都起于有人承认旧框架的解释力到了边界。
人工智能正处于这样一个时刻：成就实际存在，边界亦然真实存在。对成就的夸大与对边界的回避，都会损害这个领域的持久发展；同样，对边界的夸大也会低估一个仍在迅疾演化的领域。
更稳定的立场是：让扩展定律继续接受实践的检验，让能源与数据问题进入主流的技术评估，让科研制度为思想的产出保留空间。战略突破无法被规划出来，但能够被期待、被准备、被善待。
文明的每一次跃迁，都起于有人在旧地图的边缘画出了新的一笔。
— On the Nature, Conditions, yet Limits of Technological Progress, Viewed Through the History of Science
One question deserves substantial treatment in any discussion of AI's future: is the scaling-based approach of the past decade a paradigm shift that redefines a field, or an expansion of scale within an existing framework?
This is not a figurative question. History offers two inherently different kinds of technological progress: one pushes efficiency to its limit within a given framework; the other discovers new underlying laws and moves civilization to a completely new level. Telling the two distinguished is the key to understanding today's technology debates.
Drawing on the history of science, this essay addresses three questions: the fundamental difference between strategic breakthroughs and practical optimization; the real boundary questions facing AI's scaling path; and how the research institutions of the Big Science era shape the production of foundational ideas. The discussion is grounded in transparently documented facts and scholarly analysis, and welcomes disagreement.
Figure 1 Immediate optimization vs. strategic breakthrough: craftsmen refining a carriage, with a locomotive on another track at the horizon
The history of science suggests an approximate classification of engineering progress.
The first kind is pragmatic optimization. Engineers and specialized specialists work within an established framework to solve tangible problems: improving a chip's thermal efficiency by a few more percentage points, shaving tens of milliseconds off software response time, raising a production line's yield by another notch. This progress is verifiable, measurable, and the very foundation of the modern world. Without innumerable improvements of this kind, no grand vision could ever be realized.
The second kind is strategic breakthrough. Its signature is the discovery of a prior unexamined underlying law that redirects an entire discipline. A few frequently cited examples:
The relationship between the two kinds of work is not opposition however relay: scientists draw the map of a fresh continent; engineers build the roads and bridges on it. If the map is wrong, sound-built roads lead nowhere; but a map without roads leaves the continent permanently on paper.
Figure 2 Scientists draw the map of an unexplored continent; engineers afterward build roads and bridges on it
This yields an analytical framework: evaluating a technology's potential requires asking not merely how swift it improves existing metrics, but whether it opens directions that did not exist before.
Figure 3 The boundaries of scaling: the growth of data centers approaches an elevated faintly visible ceiling
Today's widespread AI approach rests on an observation-based judgment: model capability continues to improve as compute, data, and parameter scale grow. This is not an unsubstantiated claim—the past several years have brought real notable advances in language modeling, image generation, and protein structure prediction, and these achievements deserve acknowledgment.
At the concurrent time, several boundary questions have increasingly entered public discussion and merit serious treatment:
First, the tangible constraints of energy together compute. Training and serving massive models consumes significant electricity. Institutions these as the International Energy Agency have consistently flagged the rapid growth of data-center power demand. Efficiency gains and collective growth can occur simultaneously—energy per task falls while total demand rises. This suggests that grid capacity, cooling, and siting belong in the engineering roadmap discussion, not in the footnotes.
Second, the finite supply of excellent-quality data. Model training depends on the stock of high-quality human text with knowledge. As public supplies of such data are gradually exhausted, the industry has turned increasingly to synthetic data generated by models themselves. Whether synthetic data can sustain capability gains, and whether it introduces biased biases, are unresolved research questions without settled answers.
Third, the metrics themselves. When benchmark scores are extensively used as proxies for capability, a procedural question follows: is the model demonstrating transferable reasoning, or fitting the test distribution in higher dimensions? This concerns the measurement foundations of the extremely concept of "capability," together the research community continues to explore it.
It bears emphasizing that pointing to boundaries is not the same as denying achievements. traditional physics operated successfully at its own "boundaries" for decades before quantum mechanics; the normal state of science is to advance while acknowledging what is unknown. What deserves caution is treating any singular route—whether "scaling must keep working" or "scaling must fail"—as beyond questioning.
Figure 4 Research in the Big Science era: everyone thoroughly examining one piece of a massive puzzle
Any discussion of technology's future must confront an underlying question: where do the people who make strategic breakthroughs come from?
Since World War II, the organization of scientific research has undergone a profound transformation, frequently described as the shift from "little science" to "big science." massive teams, substantial funding, and precise-grained division of labor became the mainstream model. Its achievements are beyond dispute: immense accelerators, space telescopes, and the Human Genome Project represent scientific and engineering feats unrealizable in earlier eras.
Yet every institutional model has its costs, and the major-science model has aspects worth discussing:
One misreading should be avoided: organizational analysis is not an accusation against working researchers. modern scientists are, in fact, the majority who labor diligently within existing institutions, and their professionalism forms the foundation of modern science. The point of institutional discussion is simpler: if society needs a continued supply of foundational ideas, thereby the soil that produces them—time for long-term thinking, evaluation tolerant of failure, cross-disciplinary conversation—must be deliberately maintained.
History offers a reference point. Einstein completed his key significant papers while working at a patent office; Bohr built the interpretive framework of quantum theory in a small institute in Copenhagen. These settings were not sumptuous, yet they shared one feature: they gave ideas time and freedom. That experience remains pertinent to the design of research institutions today.
Taken together, the discussion yields several implications that depend on no particular camp and may be useful to all parties:
For research institutions and funders: Within carefully divided large programs, purposefully reserve a proportion of funding for open-ended exploration—allowing researchers to work on long-horizon problems even when near-term output is unpredictable. The payoff period of large discoveries is frequently measured in decades.
For companies: First, treat material constraints—energy, cooling, bandwidth—as strategic variables instead than logistical details, and bring them into open technical discussion. Second, translate "respect for users" from open-relations language into engineering metrics: choice, exit, and transparency are product properties that can be designed and verified. The constant market demand for simple, distraction-free tools is itself a signal worth listening to.
For individuals: Beyond reproducible skills, prioritize three kinds of capacity that are relatively hard to substitute—the ability to define problems, the ability to verify and correct, and the ability to take responsibility for complete outcomes. This is not a slight on any profession: the greater steps automation handles, the more human judgment and accountability concentrate initial in the value chain.
Figure 5 Drawing a fresh stroke at the edge of the previous map: theorist, engineer, and student looking toward unexplored territory
The tradition of science begins exactly with acknowledging limits. Every discovery of a core law started with someone admitting that the prior framework had reached the edge of its explanatory power.
AI is at such a moment: the achievements are genuine, yet so are the boundaries. Inflating the achievements, or averting our eyes from the boundaries, will both harm the field's long-term development; overstating the boundaries would equally misjudge a field ongoing in rapid evolution.
The more stable position is this: let the scaling laws continue to be tested by practice; let energy and data questions enter widespread technical evaluation; let research institutions preserve room for the production of ideas. Strategic breakthroughs cannot be planned—however they can be expected, prepared for, and treated effectively.
Every leap of civilization begins with someone drawing a fresh stroke at the edge of the original map.
— О природе, условиях и границах технологического прогресса, рассматриваемых через историю науки
Один вопрос заслуживает серьёзного рассмотрения в любой дискуссии о будущем ИИ: является ли масштабный подход последнего десятилетия сменой парадигмы, переопределяющей отрасль, или лишь расширением масштаба в рамках существующей концепции?
Это не риторический вопрос. История предлагает два действительно разных вида технологического прогресса: один доводит эффективность до предела в заданных рамках; другой открывает новые фундаментальные законы и переводит цивилизацию на совершенно новый уровень. Умение различать их — ключ к пониманию современных технологических дебатов.
Опираясь на историю науки, в этом эссе рассматриваются три вопроса: существенная разница между стратегическими прорывами и тактической оптимизацией; реальные границы, стоящие перед масштабным путём ИИ; и то, как исследовательские институты эпохи «Большой науки» формируют производство фундаментальных идей. Дискуссия основана на публично проверяемых фактах и академическом анализе и открыта к несогласию.
Рис. 1 Тактическая оптимизация vs. стратегический прорыв: мастера дорабатывают экипаж, а на другом пути к горизонту уже мчится локомотив
История науки позволяет условно классифицировать технологический прогресс.
Первый вид — тактическая оптимизация. Инженеры и технические специалисты работают в установленной системе, решая конкретные задачи: повышают тепловую эффективность микросхемы на несколько процентных пунктов, сокращают время отклика программного обеспечения на десятки миллисекунд, увеличивают выход продукции линии ещё на один уровень. Такой прогресс реален, измерим и является фундаментом современного мира. Без бесчисленных улучшений этого рода никакое грандиозное видение не могло бы реализоваться.
Второй вид — стратегический прорыв. Его отличительная черта — открытие ранее неизвестного фундаментального закона, переориентирующего целую дисциплину. Несколько широко цитируемых примеров:
Отношения между двумя видами работы — не противостояние, а передача эстафеты: учёные рисуют карту нового континента; инженеры строят на ней дороги и мосты. Если карта неверна, даже хорошо построенные дороги никуда не ведут; но карта без дорог оставляет континент навечно на бумаге.
Рис. 2 Учёные рисуют карту нового континента; инженеры затем строят на ней дороги и мосты
Это даёт аналитическую структуру: оценка потенциала технологии требует задавать не только вопрос, насколько быстро она улучшает существующие метрики, но и открывает ли она направления, которых ранее не существовало.
Рис. 3 Границы масштабирования: рост дата‑центров приближается к высокому полупрозрачному потолку
Современный мейнстрим‑подход к ИИ опирается на эмпирическое наблюдение: способность модели продолжает расти по мере увеличения вычислительных ресурсов, объёма данных и количества параметров. Это не пустое утверждение — за последние несколько лет действительно произошли заметные прорывы в языковом моделировании, генерации изображений и предсказании структуры белков, и эти достижения заслуживают признания.
Одновременно несколько вопросов‑границ всё активнее попадают в публичное обсуждение и требуют серьёзного рассмотрения:
Во‑первых, физические ограничения энергии и вычислительных ресурсов. Обучение и эксплуатация крупных моделей потребляют значительное количество электроэнергии. Такие организации, как Международное энергетическое агентство, неоднократно указывали на быстрый рост спроса на электроэнергию дата‑центров. Повышение эффективности и совокупный рост могут происходить одновременно — энергия на задачу снижается, в то время как общий спрос растёт. Это подразумевает, что ёмкость электросети, системы охлаждения и размещение объектов должны входить в обсуждение технической дорожной карты, а не в сноски.
Во‑вторых, конечный запас высококачественных данных. Обучение моделей зависит от наличия высококачественного человеческого текста и знаний. По мере постепенного исчерпания публичных источников таких данных отрасль всё активнее обращается к синтетическим данным, генерируемым самими моделями. Вопросы о том, смогут ли синтетические данные поддерживать рост возможностей и не приведут ли они к распределительным искажениям, остаются открытыми исследовательскими проблемами без окончательных ответов.
В‑третьих, сами метрики. Когда баллы бенчмарков широко используют как прокси возможностей, возникает методологический вопрос: демонстрирует ли модель переносимое рассуждение или подгонку под тестовое распределение в более высоких измерениях? Это касается измерительных основ самого понятия «возможность», и исследовательское сообщество продолжает его изучать.
Следует подчеркнуть, что указание на границы не равно отрицанию достижений. Классическая физика продуктивно работала в своих «границах» десятилетиями до появления квантовой механики; нормальное состояние науки — продвижение вперёд при признании неизвестного. Требует осторожности трактовка любого единственного пути — будь то «масштабирование должно продолжаться» или «масштабирование должно провалиться» — как не подлежащего сомнению.
Рисунок 4 Исследования в эпоху «Большой науки»: все внимательно изучают один кусок большой головоломки
Любое обсуждение будущего технологий должно затронуть более глубокий вопрос: откуда берутся люди, совершающие стратегические прорывы?
С конца Второй мировой войны организация научных исследований претерпела глубокую трансформацию, обычно описываемую как переход от «малой науки» к «большой науке». Большие команды, значительное финансирование и детальное разделение труда стали основной моделью. Её достижения не вызывают сомнений: гигантские ускорители, космические телескопы и проект «Геном человека» представляют собой научные и инженерные подвиги, немыслимые в более ранние эпохи.
Тем не менее у любой организационной модели есть издержки, и у модели «большой науки» есть аспекты, заслуживающие обсуждения:
Следует избежать одной неверной интерпретации: институциональный анализ — не обвинение работающих исследователей. Современные учёные, в действительности, составляют большинство тех, кто добросовестно трудится в существующих институтах, и их профессионализм является фундаментом современной науки. Суть институционального обсуждения проще: если обществу нужен постоянный поток фундаментальных идей, то почва, их порождающая — время для долгосрочного мышления, оценка, терпимая к неудачам, междисциплинарный диалог — должна поддерживаться сознательно.
История предлагает точку отсчёта. Эйнштейн завершил свои самые важные работы, будучи сотрудником патентного бюро; Бору построил интерпретативный каркас квантовой теории в небольшом институте в Копенгагене. Эти условия не были роскошными, но у них было общее: они давали идеям время и свободу. Этот опыт остаётся актуальным для проектирования исследовательских институтов сегодня.
В совокупности обсуждение даёт несколько выводов, не зависящих от какой‑либо конкретной школы и полезных всем сторонам:
Для исследовательских институтов и фондов: В рамках тонко дифференцированных крупных программ целенаправленно резервировать часть финансирования для открытого исследования — позволяя учёным работать над долгосрочными проблемами, даже когда краткосрочный результат непредсказуем. Период окупаемости крупных открытий часто измеряется десятилетиями.
Для компаний: Во‑первых, рассматривать физические ограничения — энергию, охлаждение, пропускную способность — как стратегические переменные, а не как логистические детали, и включать их в открытое техническое обсуждение. Во‑вторых, превратить «уважение к пользователям» из языка связей с общественностью в инженерные метрики: выбор, выход и прозрачность — это свойства продукта, которые можно спроектировать и проверить. Постоянный рыночный спрос на минимальные, не отвлекающие инструменты сам по себе является сигналом, заслуживающим внимания.
Для отдельных людей: Помимо автоматизируемых навыков, отдать приоритет трем видам компетенций, которые сравнительно трудно заменить — способности формулировать проблемы, проверять и корректировать, а также брать на себя ответственность за конечный результат. Это не упрёк в адрес какой‑либо профессии: чем больше шагов автоматизируется, тем более человеческое суждение и подотчётность концентрируются в верхних звеньях цепочки создания стоимости.
Рисунок 5 Drawing a new stroke at the edge of the old map: theorist, engineer, and student looking toward unexplored territory
Традиция науки начинается именно с признания пределов. Каждое открытие фундаментального закона начиналось с того, что кто‑то признавал, что старый каркас достиг границы своей объяснительной силы.
ИИ находится в таком моменте: достижения реальны, и границы тоже. Завышать достижения или отводить взгляд от границ будет вредить долгосрочному развитию области; преувеличивать границы будет столь же ошибочным, учитывая, что область всё ещё быстро эволюционирует.
Более устойчивой позицией является следующая: позволять законам масштабирования продолжать проверяться практикой; включать вопросы энергии и данных в основной технический анализ; сохранять в исследовательских институтах пространство для генерации идей. Стратегические прорывы нельзя планировать — их можно лишь ожидать, подготовить и правильно использовать.
Каждый скачок цивилизации начинается с того, что кто‑то наносит новый штрих на границе старой карты.