📈 economics

A Quest for Knowledge

本文提出了一个模型，证明了研究新颖性的收益是非单调的，表明“登月计划”——即研究比近视最优解更具新颖性的问题——可以通过诱导将新发现与现有基础联系起来的研究周期，来增强知识的长期演进。

原作者： Christoph Carnehl, Johannes Schneider

发布于 2026-06-25

📖 1 分钟阅读☕ 轻松阅读

原作者： Christoph Carnehl, Johannes Schneider

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

以下是对论文《知识的追求》（A Quest for Knowledge）的解释，采用了简单的语言和日常类比。

大局观：“稳妥的选择” vs. “登月计划”

想象一片广袤、多雾的景观，代表着我们尚未知晓的一切。科学家是试图绘制这片地形的探险家。他们拥有一张已知部分的地图（现有知识），但其余部分都隐藏在浓雾之中。

这篇论文提出了一个简单的问题：科学家应该坚持探索已知地图的边缘（稳妥的选择），还是应该冒巨大的风险跳入深远的迷雾之中（登月计划）？

作者建立了一个数学模型来回答这个问题。他们发现，虽然科学家天生更倾向于稳妥的选择，但这实际上减慢了进步的速度。有时，一个最初看起来毫无用处的冒险“登月计划”，实际上是未来加速所有人发现过程的最佳方式。

1. 知识是如何运作的：“迷雾地图”类比

作者设想每一个可能的问题（例如“这种蛋白质是如何折叠的？”或“是什么导致了这种疾病？”）都是一条线上的一个点。

现有知识： 这些是我们已经发现的点。它们就像海岸边的灯塔。
迷雾： 你离灯塔越远，就越难猜测地形的样子。
目标： 社会希望了解整张地图。一项新发现的价值不仅仅在于那个特定的点；而在于它能在旧灯塔与新灯塔之间的点位上，为多少区域拨开迷雾。

洞察：
如果你发现的点就在灯塔旁边，你只能拨开极小的一片迷雾。
如果你发现的点非常遥远，你会拨开大面积的迷雾，但是中间的区域仍然非常模糊。
“黄金平衡点”是在中等距离发现一个点。它既能拨开大量的迷雾，又不会留下巨大的空白。

2. 问题所在：科学家过于保守

在现实世界中，科学家因为能够“现在”就找到答案而获得回报。

风险成本： 在深层迷雾中寻找答案比在灯塔附近要困难得多（也更昂贵）。
科学家的选择： 因为在深层迷雾中成功的概率很低，科学家自然会选择探索已知地图的边缘。他们挑选那些容易回答的问题。

结果：
科学家最终创造了一个知识的“梯子”。他们采取小步、稳健的步伐，一次增加一个横杠。

缺陷： 他们失败得太频繁了。因为他们离已知领域太近，他们没有足够地推动边界扩张，从而无法激发下一次巨大的飞跃。他们是在小区域内“深化”知识，而不是向新的前沿“扩张”知识。

3. 解决方案：“登月计划”与“研究周期”

论文建议，资助者（如政府或拨款机构）有时应该强迫科学家进行巨大的冒险。这被称为登月计划（Moonshot）。

登月策略：
想象资助者付钱给一位科学家，让他跳跃 10 英里进入迷雾，远远超出其他任何人敢于涉足的范围。

眼下的问题： 这一跳极具风险。科学家可能会失败。即使成功了，这个新发现也离得太远，以至于目前对大家帮助不大。这就像是在一座目前无人能到达的岛屿之间建造桥梁。
长期的胜利： 一旦那座遥远的岛屿被发现，它就会变成一个新的灯塔。现在，下一代科学家有了新的起点。他们可以开始探索旧灯塔与新灯塔之间的空间。

“研究周期”：

第一步（登月）： 一次冒险的跳跃创造了一个遥远的发现。
第二步（填补）： 接下来的科学家会涌向旧知识与新登月点之间的空白。因为他们有了两个灯塔作为指引，他们可以工作得更快，且成功率更高。
结果： 总共创造的知识量，会比每个人都只采取小步、稳健的步伐要高得多。

4. 何时有效？

论文指出，这种策略仅在特定条件下有效：

成本必须“恰到好处”： 如果研究成本太低，科学家自然会承担风险。如果成本太高，即使是登月计划也会失败。它需要处于中间水平。
资助者必须有耐心： 资助者必须愿意等待。登月计划在短期内看起来像是浪费钱，但从长远来看，它通过让未来的发现变得更容易、更频繁，从而带来了回报。

三个主要观点的总结

知识是相互关联的： 发现一件事情有助于我们推测许多其他相关问题的答案。一项发现的价值取决于它能为多少个已知点之间的“迷雾”提供指引。
科学家过于保守： 因为远离已知领域时成功的难度很大，科学家自然会固守那些简单、安全的问题。这导致了进展缓慢和频繁的失败。
登月计划是基础设施： 一个“登月计划”（一个非常遥远、具有风险的发现）就像建造一座新桥。它可能不会立即发挥作用，但它为未来的科学家搭建了舞台，让他们能够跨越鸿沟，并比以往任何时候都更快地进行发现。

简而言之： 为了从我们的科学家身上获得最多的知识，我们不应仅仅要求他们解决最容易的问题。我们应该偶尔资助那些疯狂、冒险、“不可能”的想法，因为正是这些想法将开启下一波发现的浪潮。

技术摘要：知识的探索

问题陈述
本文探讨了科学经济学中一个根本性的矛盾：更多的创新研究是否总是值得的。虽然像美国国家科学基金会（NSF）这样的机构倡导科学自由和对“登月计划”（高度新颖、高风险的研究）的追求，但作者质疑研究人员在追求自身利益时，是否能自然地选择最优的创新水平。核心问题在于，发现的价值与寻找发现的成本都是现有知识存量的内生变量。作者试图建立一个模型来描述知识如何随时间演进，并探讨社会规划者（即“设计者”）是否应该介入，以激励那些即便即时回报较低、但超越了短期最优水平的创新研究。

方法论
作者开发了一个包含两个主体的微观基础动态知识创造模型：一个由单一决策者代表的社会，以及一系列短命的研究人员。

知识结构： 问题的宇宙被建模为实数轴。任何问题 $x$ 的“真相”（答案）是标准布朗运动的实现。现有知识（ $F_k$ ）由一组有限的已知问题-答案对组成。
推测与决策： 由于答案遵循布朗路径，决策者根据与已知答案的距离对未知问题进行推测。这些推测的精确度（方差）取决于与最近已知点之间的距离。决策者仅在精确度足够高（不确定性低于阈值 $q$ ）时才会应用知识；否则，他们会选择外部选项。知识的价值是决策者在所有问题上的预期收益积分。
研究过程： 研究人员选择一个问题 $x$ 和一个努力水平，后者决定了发现答案的概率 $\rho$ 。研究成本具有微观基础：如果关于答案的推测不精确（方差高），则发现概率为 $\rho$ 的研究成本更高。这在创新性（与现有知识的距离）与成功概率之间建立了内生联系。
动态扩展： 该模型扩展到了一个随时间推移的序列设定中，研究人员随时间到来。一个长期的设计者可以通过控制特定研究人员的行为来改变知识积累的轨迹。

主要贡献
本文对科学与创新经济学文献做出了三个主要贡献：

知识价值的微观基础框架： 作者通过建模发现如何改善相关连续问题的决策过程，从而量化了一项发现的价值。他们区分了“扩张知识”（发现超越当前前沿的答案）与“深化知识”（填补现有点之间的间隙）。他们表明，发现的收益相对于创新性是非单调的；其收益在距离现有知识的中等距离处达到最大。
内生的创新-产出权衡： 不同于通常将创新性和产出视为外生或独立的既有文献，本模型通过一个成本函数将两者联系起来。作者证明，取决于现有知识的结构，创新性和发现概率可以表现为替代关系或互补关系。具体而言，在“深化”情景下，远离一个边界意味着靠近另一个边界，从而改变了成功的边际成本。
对“登月计划”的政策启示： 本文为激励“登月式”研究（即显著高于当前前沿的研究问题）提供了理论依据。作者识别了在何种条件下，此类干预可以改善知识的长期演进。

结果

研究人员的最优选择： 在没有干预的情况下，研究人员选择的问题过于狭窄且失败率过高。他们倾向于在中间长度的区域“深化”知识，而不是“扩张”前沿，因为较小的区域提供了更高的精确度和更低的成本。因此，知识的自然演进遵循一种“阶梯”结构，即通过小步幅的逐步扩张来实现。
登月机制： 作者展示了前瞻性的设计者可以通过诱导一种“研究周期”来改善知识的演进。通过鼓励一次“登月”（即发现一个远超前沿的答案，例如距离为 $6q$ 而非最优的 $3q$ ），设计者创造了一个巨大的知识缺口。
动态外部性： 虽然登月本身提供的即时价值很小（因为缺口太大），但它为未来的研究人员创造了广阔的领域。随后的研究人员为了将登月成果与原始前沿连接起来，会被激励去研究比他们原本会选择的更具创新性的问题。这提高了他们的成功概率和整体知识存量的价值。
干预条件： 本文证明，设计者在满足以下条件时应诱导登月：
1. 研究成本处于中间水平（如果成本过高，未来的研究者会失败；如果成本为零，研究者会自然优化）。
2. 设计者具有足够的耐心（高贴现因子 $\delta$ ）。
3. 登月距离不会过远（必须足够近，以至于能够启发下一位研究者取得成功）。
研究周期： 一旦完成登月，下一位研究者会自然地通过填补缺口来“深化”知识。这一周期导致产生的知识景观比通过标准逐步扩张所形成的景观更具价值。

意义与主张
本文声称调和了两种观察结果：一是实证研究显示的缺乏创新性（保守策略），二是“登月计划”具有价值的直觉。作者认为，缺乏创新性并不一定是研究人员的失败，而是对成本结构以及短命研究人员与长期社会目标之间激励失衡的一种理性反应。

作者断言，其模型为资助政策提供了一种新的逻辑：激励遥远的发现不仅是为了即时的发现价值，更是为了给未来研究者的繁荣奠定基础。论文指出，“登月计划”的功能类似于基础设施投资：它们在孤立状态下几乎没有价值，但能够赋能后续更具生产力的研究周期。研究结果意味着，机构应当考虑面向未来的奖励（超越即时的政策相关性），并且可能需要一种混合型的激励机制——例如涉及研究联盟或针对特定创新方向的专项资助。

作者保持了谦逊的态度，指出其模型是程式化的，现实中的摩擦（如发表偏好或职业考量）并未被明确建模，但可以纳入其灵活的框架中。他们并不声称解决了所有科学机构的最优设计问题，而是提供了一个理解创新性、产出与知识动态演进之间权衡的可处理的理论基础。