The Non-Optimality of Scientific Knowledge: Path Dependence, Lock-In, and The Local Minimum Trap

本文通过类比机器学习中的梯度下降，论证科学知识的演进受历史偶然性、认知路径依赖和制度锁定影响，往往陷入局部最优而非全局最优，并据此提出打破锁定机制的元科学策略。

要点

这篇文章提出了一個非常有趣且深刻的觀點：我們目前的科學知識，可能並不是“最好的”知識，而只是“目前為止最容易走到的”知識。

作者把科學探索比作在一個充滿山丘和山谷的巨大地形圖上找最低點（也就是最完美的真理）。

為了讓你更容易理解，我們用幾個生活中的比喻來拆解這篇文章的核心思想：

1. 核心比喻：下山找最低點（梯度下降）

想象你是一個在濃霧中下山的登山者。你的目標是找到整座山脈的最低點（代表最完美、最簡單的科學真理）。

• 科學家的做法：因為有霧，你看不到遠處。你只能看腳下的路，往最陡、最容易下的方向走一步。這在數學上叫“梯度下降”。
• 問題所在：你很容易走到一個小山谷（局部最優解）的底部。在這裡，四周都是上坡，你覺得自己已經到底了，於是停下來。
• 現實情況：其實在幾公里外，還有一個更深、更完美的山谷（全局最優解）。但因為中間隔著一座高聳的山脊（改變理論的巨大成本），你不敢或無法跨過去。

結論：我們現在的物理學、生物學、化學，可能只是被困在了一個“小山谷”裡，而不是真正的“世界最低點”。

2. 為什麼我們被困住了？（四個“鎖”）

作者說，有四股力量把我們死死鎖在這個小山谷裡，讓我們以為這裡就是全世界：

• 大腦的鎖（認知鎖定）：

  • 比喻：我們人類大腦喜歡“直線”和“故事”。我們喜歡把複雜的東西拆解成小零件（還原論），喜歡畫圖（空間視覺）。
  • 例子：自然界其實是彎彎曲曲、非線性的，但我們強行用直線方程去描述它，因為這樣我們的大腦好理解。這就像非要用直尺去畫圓，畫出來的永遠不圓，但我們卻怪圓太難畫。

• 工具的鎖（形式鎖定）：

  • 比喻：這就像你從小學的是“繁體字”，雖然“簡體字”可能更簡潔，但你已經寫了一輩子繁體字，讓你突然改寫簡體字，手會抖，筆會斷。
  • 例子：現代科學太依賴“微積分”和“微分方程”了。如果自然界本質是離散的（像像素點），我們卻非要用連續的流體方程去算，結果就是算不出來（比如湍流問題）。我們不是因為問題難，而是因為工具選錯了。

• 體制的鎖（機構鎖定）：

  • 比喻：這就像一個大公司，大家都習慣用舊的 Excel 表格。如果有人提議用一個全新的、更強大的系統，老闆會說：“太冒險了，沒法發獎金，而且你沒做過這個，我們不投錢。”
  • 例子：科學家要發論文、拿經費、拿諾貝爾獎，都必須在現有的框架下做點小修補。如果你提出一個完全顛覆的理論，沒人會聽，因為沒人懂，也沒人敢投錢。

• 政治與戰爭的鎖（社會政治鎖定）：

  • 比喻：這就像打仗時，為了造飛機，大家只研究“怎麼讓飛機飛得更快”，而忽略了“有沒有更好的飛行原理”。戰爭結束後，這些為了打仗而建立的理論變成了標準，把其他可能性都擋在門外。
  • 例子：很多科學理論（比如空氣動力學）之所以成為主流，不是因為它們最完美，而是因為它們在二戰中幫盟軍贏了戰爭，於是就被定為“真理”。

3. 具體的“被困”案例

文章舉了很多例子，說明我們可能走錯了路：

• 化學：我們一直以為原子之間有“化學鍵”（像小棍子連接）。但量子力學告訴我們，其實沒有小棍子，只有一團電子雲。我們硬要畫出“鍵”，是因為這樣好教、好算，但這可能不是真實的。
• 生物學：我們以為“基因”是主角，DNA 決定一切。但現在發現，基因只是網絡的一部分，表觀遺傳、微生物群體（腸道細菌）可能更重要。我們太執著於“基因”這個故事了。
• 神經科學：我們把大腦看作由神經元（點）連接的網絡。但大腦裡還有大量的膠質細胞，它們可能也在計算信息。我們只盯著神經元看，就像只研究電腦的電線，卻忽略了處理器。

4. 怎麼逃出來？（AI 與“回頭走”）

既然被困住了，我們該怎麼辦？作者提出了幾個像“黑客”一樣的解法：

• 策略一：模擬退火（故意走錯路）

  • 在算法中，為了跳出局部最低點，有時需要故意往“上坡”走一步，試試看能不能翻過山脊。科學界也需要故意資助那些看起來“荒謬”或“高風險”的理論，哪怕它們現在看起來沒用。

• 策略二：回到分叉口（Principled Regression）

  • 這是文章最精彩的點。不要一直往前衝，而是往回走。
  • 比喻：想象你在森林裡迷路了，一直往前走是死胡同。這時候，你應該回到幾年前那個你第一次做選擇的路口，看看當時沒走的那條路是什麼樣。
  • 例子：有一位科學家（Taha）發現，關於飛機升力的理論，100 年前其實有另一種數學方法（變分法）沒被採用，因為當時的人覺得微積分更方便。他回去研究那個被遺忘的方法，結果發現能解決現在微積分解決不了的難題。
  • 啟示：很多被我們遺忘的“舊理論”，可能正是解開現代難題的鑰匙。

• 策略三：人工智能（AI）作為探路者

  • AI 的優勢：AI 沒有人類的大腦偏見，沒有職業生涯的顧慮，也不怕“丟臉”。它可以同時讀完人類所有的書，發現我們沒注意到的聯繫。
  • AI 的風險（ bootstrap 悖論）：AI 是用人類的書訓練的，如果人類的書都錯了，AI 會不會也跟著錯？
  • 解決辦法：AI 雖然讀的是舊書，但它沒有“人類的情感鎖”。它可以冷靜地指出：“嘿，你們人類因為戰爭或習慣才選了這個理論，但從數學上看，那個被你們扔掉的理論其實更好。”
  • 關鍵：我們要設計 AI 去探索新理論，而不是只幫我們更快地算舊理論。

總結

這篇文章不是在說“科學沒用了”，而是在說**“我們可能太自滿了”**。

我們以為科學已經接近終點，其實我們可能只是被困在一個舒適的“小山谷”裡。真正的突破，可能不是繼續在現有的路上跑得更快，而是回頭看看那些被遺忘的岔路口，或者讓 AI 幫我們看看我們看不到的風景。

科學的未來，可能取決於我們是否有勇氣推翻自己最珍視的假設。

技术摘要

论文技术总结：局部最小值陷阱——科学知识的依赖性、锁定与非最优性

论文标题：The Local Minimum Trap: Path Dependence, Lock-In, and the Non-Optimality of Scientific Knowledge
作者：Mohamed Mabrok (卡塔尔大学)
日期：2026 年 4 月
核心领域：科学哲学、科学方法论、机器学习类比、认识论

---

1. 问题陈述 (Problem)

科学通常被视为人类揭示自然真理最可靠的方法，但其发展轨迹很少被当作一个优化问题（optimization problem）来审视。本文提出一个核心论点：在任一历史时刻，现有的科学知识体系并非全局最优解（global optimum），而仅仅是局部最优解（local optimum）。

• 核心困境：科学框架、形式化和范式深受历史偶然性、认知路径依赖和制度锁定的影响。科学往往沿着“可处理性、经验可及性和制度奖励”的最陡局部梯度（steepest local gradient）前进，类似于机器学习中的梯度下降算法，从而可能绕过对自然界更优越的描述。
• 后果：这种非最优性导致许多科学难题（如湍流、蛋白质折叠、意识问题）长期无法解决，并非因为自然本身不可解，而是因为当前的数学语言和概念框架存在局限性。

2. 方法论与理论框架 (Methodology & Framework)

2.1 优化类比 (The Optimization Analogy)

作者将科学进步建模为在崎岖的“科学景观”（Scientific Landscape）上的优化过程：

• 框架空间 ($F$)：所有可能的科学形式、符号、概念词汇和方法论的集合。
• 解释成本 ($C(f)$)：衡量框架优劣的指标，包括预测残差、计算复杂度和概念模糊度。
• 目标：寻找全局最小化 $C(f)$ 的框架 $f^*$。
• 现状：科学实践类似于迭代局部搜索（Iterative Local Search），即 $f_{t+1} = f_t - \eta \nabla_f C(f)$。由于景观的崎岖性（Ruggedness）和高维性，科学容易陷入局部最小值，难以跨越“能量壁垒”（范式转换的成本）到达全局最优。

2.2 锁定机制分析 (Mechanisms of Lock-In)

论文识别了四种相互强化的锁定机制，阻碍科学跳出局部最优：

1. 认知锁定 (Cognitive Lock-In)：人类认知的系统性偏差（如线性化偏好、空间视觉偏好、还原论偏见、叙事因果偏见）导致我们倾向于构建符合直觉但可能非最优的模型。
2. 形式锁定 (Formal Lock-In)：数学和符号基础设施的惯性。例如，微积分垄断了连续变化的描述，迫使离散或分形现象强行拟合连续近似；符号系统（如莱布尼茨符号）塑造了思维路径，掩盖了其他可能性。
3. 制度锁定 (Institutional Lock-In)：同行评审、教育体系、资金结构和声望经济形成反馈回路，奖励范式内的增量进步，惩罚根本性的范式挑战。
4. 社会政治锁定 (Sociopolitical Lock-In)：战争、地缘政治和殖民主义将科学引导至特定轨迹（如二战后的核物理主导、冷战时期的航天竞赛），使得某些框架因“实用”而非“最优”而被确立为标准。

3. 关键贡献与案例研究 (Key Contributions & Case Studies)

论文通过跨学科案例研究，论证了科学非最优性的普遍存在：

• 微分方程与动力学系统：纳维 - 斯托克斯方程（Navier-Stokes）在描述流体时面临数学上的不可解性（如湍流）。替代方案：格子玻尔兹曼方法（Lattice Boltzmann）和元胞自动机模型表明，离散规则可能比连续偏微分方程更自然地捕捉复杂流动。
• 化学：分子范式：化学键是量子力学波函数解释下的“便利虚构”。替代方案：量子理论原子分子（QTAIM）基于电子密度拓扑，无需引入“键”的概念，能更清晰地描述金属键和离域系统。
• 生物学：基因中心论：过度关注基因序列忽视了表观遗传、基因调控网络和微生物组（Holobiont）。替代方案：系统生物学和信息流视角可能比还原论的基因中心论更自然。
• 物理学：微扰陷阱：强相互作用系统（如夸克禁闭、高温超导、量子引力）无法用微扰论解决。替代方案：AdS/CFT 对偶展示了通过非微扰框架（高维引力理论）解决强耦合问题的可能性。
• 神经科学：神经元学说：仅关注神经元突触忽略了胶质细胞计算、树突非线性计算和电磁场效应。替代方案：包含胶质网络和场论的综合模型。
• 统计学：频率主义锁定：P 值和零假设显著性检验（NHST）因历史偶然性（计算便利性）占据主导，导致可重复性危机。替代方案：贝叶斯推断和信息论模型选择。
• 热力学：平衡态偏见：经典热力学基于平衡态，难以描述生命等远离平衡态的耗散结构。替代方案：基于最大熵原理或信息论的非平衡热力学。

4. 结果与解决方案 (Results & Strategies)

4.1 核心发现

科学史上的革命（如相对论、量子力学）虽然存在，但往往保留了前代的形式基础设施（如微分方程、流形微积分）。真正的“全局最优”框架可能因历史路径依赖而被永远错过。

4.2 逃离局部最优的策略 (Strategies for Escaping)

作者借鉴机器学习中的优化技术，提出元科学策略：

1. 模拟退火 (Simulated Annealing)：故意资助高风险、挑战范式的研究，即使其短期内不如现有方法优越。
2. 原则性回归 (Principled Regression / Return to First Principles)：这是论文的核心创新点。回到历史分叉口，探索未被选择的道路。
   • 案例：Haithem Taha 利用 19 世纪赫兹（Hertz）的“最小曲率原理”重新推导升力理论，解决了 Kutta 条件无法处理的非定常流动问题。
   • 案例：David Hestenes 复兴几何代数（Geometric Algebra），统一了物理中的向量、张量和旋量，解决了麦克斯韦方程组形式冗余的问题。
3. 动量方法 (Momentum Methods)：为长期、无短期成果的激进研究项目提供稳定的资金支持。
4. 基于种群的方法 (Population-Based Methods)：维持研究方法的多样性，防止方法论的单一化。
5. 迁移学习 (Transfer Learning)：促进跨学科的深度交叉，将其他领域的形式化方法引入当前领域。

4.3 人工智能的角色与悖论

• Bootstrap 悖论：AI 基于人类现有知识（局部最优）训练，如何能发现全局最优？
• 解决方案：AI 继承了知识内容，但不继承导致锁定的认知、社会和制度机制。
  • AI 可以识别被人类忽视的“废弃路径”（如被遗忘的数学工具）。
  • AI 可以分析范式失败的“指纹”（异常数据），绘制局部最小值的边界。
  • 设计建议：开发专门用于“范式探索”而非“范式加速”的 AI，如反事实科学生成器（Counterfactual Science Generators）和形式翻译器。

5. 意义与启示 (Significance)

1. 认识论意义：

   • 反对科学胜利主义：承认当前科学并非终极真理，其形式和概念可能具有巨大的改进空间。
   • 重新审视库恩与拉卡托斯：用优化景观模型解释了为何科学革命既必要又罕见（能量壁垒高），以及为何退化的研究计划能长期存在（转换成本过高）。
   • 科学的偶然性：科学的发展高度依赖于历史路径。外星文明可能拥有经验等效但形式完全不同的科学体系。

2. 实践意义：

   • 呼吁科学界进行元科学改革，建立支持“原则性回归”和跨范式探索的机制。
   • 重新评估 AI 在科学中的作用，从单纯的“加速器”转变为“景观探索者”，利用 AI 打破人类认知的线性化和还原论偏见。

结论：科学目前的进展是梯度下降的结果，而非全局优化。未来的重大突破可能不在于在现有框架内解决更难的问题，而在于发现能够溶解这些问题的全新框架。这需要我们有勇气回溯历史，探索那些被遗忘的“分叉路口”。