为什么外星人的 技术栈会和我们不同

1887年，迈克耳孙和莫雷进行了著名的实验，试图探测"以太风"。实验结果出乎意料：没有探测到任何以太风。但教科书讲的故事在这里就变得简单化了。事实上，迈克耳孙继续相信以太直到1929年去世，他持续进行相关实验超过20年。另一位物理学家Miller在1920年代声称在高山顶上探测到了以太效应。

洛伦兹（Lorentz）在爱因斯坦之前就推导出了"洛伦兹变换"——这是狭义相对论的数学基础。但他的解释完全不同：他认为这只是物体在以太中运动时受到的动力学效应，时间和空间本身并没有改变。这引出了一个深刻问题：科学界如何在实验证据不充分的情况下选择了正确的理论？

更令人深思的是，水星轨道的异常进动在19世纪就被发现，天文学家预言了一颗"火神星"来解释它——这和通过天王星轨道异常发现海王星是相同的思路。但这次预言失败了。问题在于：事先你无法知道哪种异常会带来新理论，哪种只是测量误差。

为什么自然选择——这个概念上似乎不复杂的理论——花了那么长时间才被发现？托马斯·赫胥黎读完《物种起源》后说："多么愚蠢，没有想到这一点。"但从来没有人读完牛顿的《自然哲学的数学原理》后产生这种感觉。这个对比揭示了科学发现的一个关键特征：不同类型的想法有不同的"可发现性"。

自然选择理论被延迟的核心原因并非人类智力不足，而是需要多个知识模块同时到位：1) 深时概念——直到1830年代，Charles Lyell 才确立地球有数亿年历史的概念；2) 古生物学证据——化石记录显示生命贯穿整个地球历史，包括过渡物种的存在；3) 生物地理学——殖民时代的探险揭示了物种在不同地理区域的分布规律；4) 人工选择的先验知识——动植物育种者已经实践选择育种数千年。

这解释了一个重要现象：达尔文和华莱士几乎同时独立提出自然选择理论。当所有前置知识模块到位后，发现几乎是不可避免的。更令人深思的是，公元一世纪的 Lucretius 确实有过类似想法——但他认为物种是在一个"生成期"一次性产生的，然后被一次性过滤。他没有持续过程的概念，也没有"生命之树"将所有生命联系起来的观念。这个案例说明：一个看似简单的想法，可能需要整个知识生态系统的支持才能被发现。

当人们谈论 AI 加速科学发现时，AlphaFold 常被引为成功案例。但 Nielsen 指出一个被忽略的事实：AlphaFold 的成功主要依赖于人类几十年积累的实验数据——18万个蛋白质结构通过X射线衍射、NMR、冷冻电镜等技术获得。AI 只是"拟合"了这些数据。它更像是一种强大的插值工具，而非发现新原理的引擎。

从牛顿引力到广义相对论的转变提供了一个关键洞察。爱因斯坦之所以提出新理论，不是因为他有更多的数据——事实上，牛顿理论已经完美解释了当时几乎所有观测。他的动机来自理论内部的矛盾：狭义相对论说信息传播不能超过光速，但牛顿引力是瞬时作用。这意味着用牛顿引力可以实现超光速通信，甚至向过去发送信息。这种概念上的不自洽是理论革命的驱动力。梯度下降无法感知这种概念矛盾——它只能优化对现有数据的拟合。

更关键的是，科学史上充满了"错误路径"的成功案例：通过天王星轨道异常，预言并发现了海王星（成功）；通过水星轨道异常，预言了"火神星"，但它不存在（失败）；先驱号航天器的异常加速曾让人怀疑广义相对论，最终发现只是热辐射的不对称。99.9% 的异常都会被证明是测量误差或局部效应。没有事先的方法来区分哪一次异常会带来新物理。这意味着：自动化科学发现的真正困难不在于"拟合数据"，而在于知道何时应该放弃现有理论框架。

一个被低估的历史案例是"Prout 假说"：1815年，化学家 Prout 提出所有原子量都应该是整数（因为所有元素都由氢原子组成）。氯的测量值是35.5——似乎证伪了这个理论。但这个学派的人提出了各种特设性假设来"拯救"理论：也许是化学杂质，也许是测量误差，也许是分数倍数...直到85年后，同位素被发现——原来我们测量的是不同同位素的混合平均值。验证循环在85年里都在"攻击"正确的理论。如果 AI 面对这种数据，它会如何选择？没有事先的理论偏好，任何选择都是任意的。

这是整个对话最令人震撼的洞见。大多数人假设：科学是客观的，所有文明最终都会"发现"相同的原理。但 Nielsen 指出，这个假设基于一个错误的类比——我们把自己在科技树底部的短暂探索误认为是整个科技树。

1930年代，Turing 和 Church 等人建立了计算理论——看似"完成"了计算机科学的基础。但90年后的今天，我们仍在发现其中隐藏的深刻想法：公钥密码学（1970年代）、数字货币和区块链（2000年代）、各种复杂性类和它们之间的关系。Knuth 在《计算机程序设计艺术》序言中提到，1960年代一位数学家对他说："等有一千个深度定理时再来找我。"几十年后，Knuth 说："现在显然有一千个深度定理了。"

在学校里，我们学过"物质有三态"（固态、液态、气态）。但现在物理学家已经发现了数十种相：超导体、超流体、玻色-爱因斯坦凝聚态、量子霍尔态、分数量子霍尔态...而且我们还在不断发现新的，甚至开始"设计"新的物质相。

人类是高度视觉化的生物。我们的数学表示、科学建模都深受视觉思维影响。但其他智能可能是听觉主导、触觉主导，或者拥有完全不同的感官模态。这会如何影响他们探索科技树的方式？想象一个听觉主导的文明——他们可能用谐波、共振、声谱图来建模世界，而不是我们用的几何和图形。他们的数学可能发展出完全不同的表示体系。更根本的是，不同的数值表示系统。我们用十进制，部分因为人类有十根手指。但这是最优的吗？也许有更好的表示方法我们根本没想到。

Nielsen 估计：科技树的大部分永远不会被探索。组合太多了，深刻的想法太多了，即使全人类也只可能触及极小的一部分。这意味着：不同文明探索路径的选择，会产生根本不同的"技术栈"。就像编程语言的选择——选择 Python、Rust 或 Haskell 不仅仅影响语法，更影响你能轻松表达的思维模式。选择某个科技树的分支，会塑造你能想到的问题和解决方案。

如果不同文明真的发展出不同的技术栈，这会产生一个重要后果：未来文明之间可能有巨大的贸易收益。不是资源交换，而是知识和能力的互补。就像我们今天从生物蛋白质中学习——DNA 经过40亿年的进化，创造了我们仍在探索的"分子机器"（血红蛋白、胰岛素、核糖体、驱动蛋白...）。这些是外星文明级别的"技术"，我们仍在学习如何理解它们。Nielsen 将蛋白质称为"来自另一个文明的 GitHub"——我们拥有数亿个"程序"（蛋白质），但只能逐个理解它们的功能。这个比喻令人震撼：生物进化的产物本质上是一个外星技术库。

经济学中有一个著名现象：要维持摩尔定律（晶体管密度每年增长40%），半导体行业的研究人员数量必须每年增长9%。类似的模式在许多领域被观察到——维持相同的进步速度需要指数级增长的投入。这似乎支持"低垂的果实已被摘完"的观点。但 Nielsen 指出了这个论证的几个问题。

这些研究通常关注特定指标（如农业生产力、特定工业参数）。但它们忽略了"新领域"的开放：1930年代，从数学哲学的深奥问题中，诞生了计算机科学；1950年代，从数理逻辑中，诞生了分子生物学；每次新领域开放，年轻人又可以快速做出重大贡献。

想象婚礼上的甜点自助餐——最好的甜点先被拿走，然后是次好的。这似乎支持"递减回报"。但如果有服务员不断添加新的、更好的甜点呢？科学进步有点像这样：新领域的开放会带来全新的"低垂的果实"。

1700年之前，科学进步非常缓慢且不规则。原因之一是缺乏支持性制度：研究人员的职业安全（不必担心宗教裁判所）、培训体系（大学、实验室）、资本分配机制（资助、基金会）。当这些条件成熟后，科学突然爆发。如果今天出现停滞，也许不是"内在递减"，而是需要新的外部条件变化。

现代科学仪器本质上是高度自动化的机器人系统——韦伯太空望远镜、大型强子对撞机，都结合了电子传感器、执行器和机器学习数据处理。AI 可能就是下一个外部条件变化，它可能会改变"科学家"这个概念的内涵。

Michael Nielsen 分享了他进入量子计算领域的经历。1992年，当这个领域还几乎无人问津时，他的导师 Gerard Milburn 给了他一叠论文——包括 Deutsch 和 Feynman 的奠基性工作。Nielsen 回忆道："一旦我读了这些论文...这些是令人兴奋的论文。他们在问非常基本的问题，你意识到我可以在这里取得进展。"这揭示了"选择研究方向"的一个启发式：寻找"低垂的深刻问题"——既有重大意义，又有可能通过努力做出贡献。

关于"多产 vs 深度"的讨论特别有价值：Dean Simonton 的"平等赔率规则"指出，对于任何创造性个体，其每部作品（论文、书等）成为"极其重要"作品的概率大致相同。决定总影响力的不是单部作品的"成功率"，而是作品的总数量。莎士比亚只是写了大量作品。爱因斯坦在1905奇迹年发表了四篇论文，删除其中任何一篇，那一年仍然非凡。但这里有一个悖论：Gödel 几乎没发表什么，却极度有影响力。

Nielsen 指出他认识许多才华横溢的人，他们"痴迷于将要让他们成名的大项目，却从不做任何事情"。这是一种对公众评判的回避——他们害怕产出不够完美，所以干脆不产出。这引出了一个深刻的洞见：创造者需要平衡两种不同的工作模式：1) 例行工作——追求效率，快速完成，避免拖延；2) 高方差工作——愿意花时间，接受大部分尝试都不会有成果。很多人擅长其中一种，但忽略了另一种。真正的创造者需要同时在这两个模式中运作。

Nielsen 描述了一个常见现象：学生说"我会在下周完成这个任务"，但一周后没完成。他问："如果一百万美元处于危险之中，你会付出同样的努力吗？答案是不，总是如此。他们尝试了，但他们没有真正尝试。"这揭示了一个残酷真相：我们大部分时间都在"差不多努力"的状态下运作，远低于我们的真正能力。

某些领域有清晰的学习路径：芯片设计（屋顶线分析）、AI（实现 Transformer）。但大多数领域没有这种"强制函数"。Dwarkesh 指出："对于其他领域，只是我模糊地理解这个。它没有固定。"

Nielsen 分享："有趣的是，卡住的时间极其重要。过去那只是令人烦恼。现在它甚至可能是整个过程的最重要部分。"他回忆自己写的文章：几天内写完的10,000字文章学到的很少；花了三个月写的15年后还记得。那种"来之不易的性质"是内化的关键。

Nielsen 指出，他真正内化知识的经历总是伴随着某种创造性输出：一门课程、与他人合作的创造性项目、一篇文章或一本书。这解释了为什么播客可以是学习工具——但前提是你要有"创造性参与"。

Nielsen 指出了 AI 时代的一个新风险：和 LLM 的轻松对话可能只是"逃避困难"的一种方式。"最难的事情，最苛刻的事情，是如此厌恶，以至于你试图找任何借口摆脱它。只是与 LLM 进行来回对话，你在其中掩盖...它令人愉快但不一定是其他任何东西。它是摆脱事情的一种如此简单的方式。"