《形成中的學科：跨文化視角下的精英、學問與創(chuàng)新》，[英]G. E. R. 勞埃德著，陳恒、洪慶明、屈伯文譯，商務印書館，2024年10月出版，258頁，75.00元
究竟何為一個學科？這個問題看似淺顯，因為在世界各地大學的院系劃分，如數(shù)學、醫(yī)學、各種自然科學、人文學科，通常涇渭分明，對于很多經(jīng)典“學科”來說，不同學校的教學內(nèi)容也大同小異。然而，若從業(yè)者只是順從地接受現(xiàn)有的學科范疇與分類，而不加以反思，其實表明他們并未深入思考“我們究竟在做些什么”。另外，研究這一問題也將幫助我們理解和指導很多新興學科的發(fā)展。
勞埃德（G. E. R. Lloyd）認為，當今院系學科分類源自于十九世紀歐洲的制度性發(fā)展，不可避免地沾染了“西方中心論”的局限性。他批判這種狹隘思維，并主張用跨文化的全球視角來理解不同社會和歷史時期的學科研究傳統(tǒng)。在勞埃德所著的《形成中的學科：跨文化視角下的精英、學問與創(chuàng)新》（Disciplines in the Making: Cross-Cultural Perspectives on Elites, Learning, and Innovation）一書中，他分析比較了哲學、數(shù)學、科學等八個核心學科在古希臘、古代中國和其他社會歷史時期的學術傳統(tǒng)，側(cè)重于社會結(jié)構與精英階層在學科形成過程中的作用。
經(jīng)典學科學術傳統(tǒng)的多樣性
在對“哲學”的分析中，勞埃德首先指出，即使在自稱為“哲學家”的人中間，究竟“何為哲學”仍存在爭議，比如對哲學的理解應該是嚴格的還是寬泛的。所謂“嚴格”的定義，大致上遵循了我們?nèi)缃袼熘南ＥD傳統(tǒng)。這一理解自然是具有西方中心論色彩的。而“寬泛”的觀點認為，“哲學便是人類基本的認知能力的一種拓展，是對道德尤其是推理之類主題的深思、論證”（10頁）。在試圖調(diào)和這兩種定義的過程中，勞埃德首先分析了古希臘哲學傳統(tǒng)中關于哲學的范圍與目的的不同看法及相關辯論。繼而以中國的資料作為一個測試實例（test case），分析佛教傳入以前的古代中國學術傳統(tǒng)與風氣，并與古希臘傳統(tǒng)比較。他認為，相較于古希臘，當時的中國學術界對“倫理學”和“政治哲學”興趣更為濃厚，這一點與羅馬時期的哲學類似。勞埃德對古印度和早期伊斯蘭哲學也做了類似的分析，最后探討了在文字缺失的社會里，哲學存在的可能性。他認為，非正式的哲學技藝廣泛存在，但在某些哲學領域中存在的許多得到明確界定的問題，以及對它們的系統(tǒng)分析構成了當今的哲學學科。總體而言，哲學的發(fā)展若能采納某些多元主義的看法，將有助于避免其走向狹隘。
隨后，勞埃德將目光轉(zhuǎn)向古希臘與古代中國的數(shù)學傳統(tǒng)。兩種文化都認為數(shù)學是理解其他不可估量之物的基礎。兩者都對類似的領域進行了深入研究，比如算術、幾何學、音樂和聲以及天文學應用等等。兩個社會的數(shù)學都在兩千年前就取得了輝煌成就，然而此后卻都陷入長達千年的相對停滯。他認為“其原因之一是精英階層為了保持自身地位而付出了不懈努力”（68頁）。兩種數(shù)學傳統(tǒng)的方法論各有千秋。希臘傳統(tǒng)注重公理化，以便在學術爭論中給出確定性的結(jié)論，而非說服性或推測性的論點。中國傳統(tǒng)則更側(cè)重不同數(shù)學現(xiàn)象之間的聯(lián)系和統(tǒng)一，主要使用外推法和類推法來獲取新知。
何為“科學”
該書對“科學”的討論特別值得我們關注。對“科學”的狹義理解，也就是沒有附加條件的單詞“科學”主要指的是物理化學等“自然科學”，而非社會科學心理學或“道德科學”。從“狹義”的視角來看，科學實踐僅僅在從科學革命到現(xiàn)在的兩百多年里才存在，而非人類文明中普遍存在的現(xiàn)象。這種觀點假定歷史上發(fā)生過一次科學革命，在這場“大分界”（Great Divide）之后，被認為對現(xiàn)代科學具有關鍵作用的實驗方法、“假設-演繹”方法才產(chǎn)生并付諸實踐，“科學”由此誕生。然而，采納這種觀點會帶來對科學起源問題的困擾：人們?yōu)楹瓮蝗婚_啟這種探索？若緣于新獲得的認知能力，又該如何理解這種新能力的產(chǎn)生？如果這種新的探索僅依賴于對既有認知能力的運用，又為何這些既有能力沒有在更早的時期或其他文化被人們利用（想想李約瑟之問）？
廣義的科學觀認為，科學即主動理解世界的雄心，是普遍見于全人類的普遍現(xiàn)象。世界各地的具體科學的不同表現(xiàn)形式，僅體現(xiàn)了他們對各種現(xiàn)象的興趣、研究動機和手段上的多樣性。這種觀念面臨的困難是如何理解不同時代和社會對世界的真實理解極為不同。勞埃德試圖運用“思維方式”這一概念去關注探索方式的多樣性、應用者的自覺性和對方式本身的理解程度，進而對“狹義”的和“廣義”的科學觀進行調(diào)和。比如，分類型思維方式可被視為有普世性，但具體分類方法具有多元性；實驗方法可被視為廣泛存在的試驗和試錯的系統(tǒng)化發(fā)展。同樣，科學可被理解為普通平常認知手段的延伸。望遠鏡、顯微鏡等新的工具和干預手段的產(chǎn)生，又拓寬了科學的探索領域。所謂大分界可被視為“科學深化過程中許多探索方式上的發(fā)展、變化所組成的一個完整序列……（各個）探索方式……之間常常表現(xiàn)得更具有互補性、累進性，而不是替代性”（202頁）。學科建立后，科學精英的作用有兩面性：一方面，從業(yè)者培訓要求越來越高，過早獨立門戶難于立足；另一方面，擁有穩(wěn)固地位的精英人士要在創(chuàng)新和順從之間維持脆弱平衡。
學科分類與精英
在該書的最后一章，勞埃德嘗試通過跨學科視角思考各學科之間的共性和聯(lián)系，總結(jié)各個學科得以建立的途徑、精英在其中扮演的角色，以及促進和抑制創(chuàng)新的因素。他指出，在學科發(fā)展過程中，“精英所發(fā)揮的積極影響包括：確保知識、技藝的傳遞；使各學科獲得支持和聲望；對科研成果的質(zhì)量進行監(jiān)督；組織協(xié)作型觀測、研究……而消極影響是，人類可以觀察到種種傾向：閉門經(jīng)營，抵制變革，阻礙創(chuàng)新，保守而專斷”（213頁）。勞埃德認為，對每一學科的定義經(jīng)常是有爭議的，有時即使參照國際知名高等教育機構的定義，專家之間也不存在普遍共識。事實上，一個學科不僅在內(nèi)部定義自己，還通過在外部與其他研究領域進行對比而界定自身。盡管該書中討論的八個學科之間的區(qū)別是顯然存在的，但它們之間的分界并沒有我們想象的那么嚴格。當前的學科界限是一把雙刃劍：它幫助研究者迅速直抵該領域的前沿，但同時也意味著對學科關注中心越走越窄?！八季S狹隘是精英自我認知中的特有病癥?！保?18頁）成功的創(chuàng)新是沒有固定模式的，運用起源于其他學科中的觀念、模式、方法可以收獲創(chuàng)新的碩果。勞埃德主張避免“當下的學科分類神圣不可侵”的想法。
當代的“形成中的學科”
勞埃德的這本著作于2009年問世，商務出版社的中文版出版于2024年。在此十五年間，數(shù)據(jù)科學與人工智能等新興學科迅速崛起，為大眾所熟知，成為當代具有代表性的“形成中的學科”。在此，筆者擬借勞埃德的分析框架，嘗試梳理這兩個學科的發(fā)展脈絡的發(fā)展過程，拋磚引玉，望能引發(fā)讀者的進一步思考。
（一）成為數(shù)據(jù)科學
自2012年以來，數(shù)據(jù)科學逐漸成為顯學。然而，數(shù)據(jù)科學到底是什么，各界專家尚未形成共識。著名的“數(shù)據(jù)科學韋恩圖”將其定位于數(shù)學統(tǒng)計、計算機科學和領域?qū)I(yè)知識的交集。但這一表述并非描述性的定義，而更像是借由與“外部”學科的比較來定義自身：數(shù)據(jù)科學相較統(tǒng)計研究，更強調(diào)計算機技術；相較機器學習，更強調(diào)專業(yè)領域知識；相較數(shù)據(jù)處理，則更側(cè)重數(shù)學。這種比較性的定義表明數(shù)據(jù)科學的學科邊界天生難以清晰劃定。
數(shù)據(jù)科學韋恩圖
“數(shù)據(jù)科學家”這一職業(yè)在2012年前后迅速流行開來，源于商業(yè)界日益重視海量大數(shù)據(jù)和非結(jié)構化數(shù)據(jù)的收集與利用，同時也得益于Hadoop、云計算等適用于大數(shù)據(jù)處理的技術工具的推廣。這一時期的業(yè)界數(shù)據(jù)科學家往往具有處理這種大數(shù)據(jù)的經(jīng)驗，比如實驗物理的研究生。在當時關于統(tǒng)計學和數(shù)據(jù)科學的異同的討論中，一種流行觀點是數(shù)據(jù)科學聚焦“大數(shù)據(jù)”，即那些需要分布式儲存與并行計算的數(shù)據(jù)，而統(tǒng)計學則偏向“小數(shù)據(jù)”，即可由單臺計算機直接分析的數(shù)據(jù)。盡管此劃分非常片面，卻反映了數(shù)據(jù)科學走進公眾視野的歷史契機。我們姑且把“狹義”的數(shù)據(jù)科學定義為可以利用“大數(shù)據(jù)”來解決問題的分析方法。這一時期也可以被視為數(shù)據(jù)科學發(fā)展史上的“大分界”，它從此作為獨立的職業(yè)和學科為世人熟知。許多關于數(shù)據(jù)科學歷史的作品將其起源追溯到約翰·特基（John Turkey）1962年對數(shù)據(jù)分析的未來的預言，甚至更早（參見拉斐爾·C.阿爾瓦拉多[Rafael C. Alvarado]的《數(shù)據(jù)科學：1963-2012》[Data Science from 1963 to2012]一文）。這種觀點自有道理，但無法解釋今日“狹義”數(shù)據(jù)科學和2012年以前主流統(tǒng)計學傳統(tǒng)之間的差異，也未能涵蓋以其他形式存在的數(shù)據(jù)分析傳統(tǒng)。
借鑒勞埃德對科學的分析思路，我們可以將“廣義”的數(shù)據(jù)科學理解為：一切以數(shù)據(jù)分析為核心來解決問題的系統(tǒng)性努力。類似于科學革命之前世界各地的具體科學傳統(tǒng)的多樣性，廣義的數(shù)據(jù)科學傳統(tǒng)也以不同的表現(xiàn)形式廣泛地存在于統(tǒng)計學、商業(yè)分析、計算機科學、定量遺傳學、生物信息學等學科和領域中，其差異也可歸因于不同群體的對各種現(xiàn)象的興趣、研究動機、和使用手段不同。2012年前后“狹義”數(shù)據(jù)科學的崛起，與圖像數(shù)據(jù)、網(wǎng)絡數(shù)據(jù)等新型大規(guī)模數(shù)據(jù)收集能力的普及密切相關，同時也依賴于對既有數(shù)據(jù)分析能力的運用。這一數(shù)據(jù)科學的大分界可被視為是數(shù)據(jù)科學深化過程中許多探索方式發(fā)展變化組成的一個完整序列。尤其值得統(tǒng)計學界注意的是，如今數(shù)據(jù)科學家的職責以及數(shù)據(jù)科學專業(yè)的課程設置并未限于大數(shù)據(jù)，而是和統(tǒng)計學的范疇開始逐漸重合。
目前，要深入探討“精英”在數(shù)據(jù)科學發(fā)展過程中的作用仍頗具挑戰(zhàn)性——相關討論仍在動態(tài)演變中。不過，可以確定的一點是：來自不同領域的精英群體尚未就數(shù)據(jù)科學學科的本質(zhì)，以及其應該如何發(fā)展等問題形成全面共識。各個高校的數(shù)據(jù)科學專業(yè)設置也有顯著差異。依我之見，盡管適度探討“是什么讓數(shù)據(jù)科學成為數(shù)據(jù)科學”有助于從業(yè)者穩(wěn)固根基，但更重要的是回歸廣義數(shù)據(jù)科學的初心——即解決實際問題的實踐使命。與其執(zhí)迷于積極維護現(xiàn)有學科分類邊界，不如以更加開放和多元的態(tài)度，從各方面推動數(shù)據(jù)科學及其相關領域的發(fā)展。“數(shù)據(jù)科學是什么”這個問題，即使真有一個答案，也無法充當從業(yè)者的永恒的行動指南，它只能是對每個時代的“數(shù)據(jù)科學家”的行動的動態(tài)歸納總結(jié)。
（二）人工智能走向何方
人工智能（AI）是指由人類制造出來的機器所展現(xiàn)出的智能。作為一個相對獨立的研究領域，人工智能正式起步于1956年的達特茅斯會議。盡管“智能”的標準，以及如何評估機器是否具有智能，學界尚無普遍共識（圖靈測試僅是一個有意義的提案），但大多數(shù)參與者似乎并未對“人工智能”作為一個學科的研究領域與對象感到任何困擾。從這點上來看，“人工智能科學”更像是“火箭科學”或“農(nóng)業(yè)科學”——它是以制造（和提高）人工智能為目的的綜合性學科。其文化上先天是結(jié)果導向的，方法論上先天是多元的。
人工智能的發(fā)展經(jīng)歷了三次顯著的高潮。第一次出現(xiàn)在二十世紀五六十年代，主要由政府資助推動，出現(xiàn)了以搜索式推理和自然語言研究為代表的研究成果。這一波熱浪終因美國七十年代后期經(jīng)濟下滑，加之早期對人工智能的樂觀預期未能兌現(xiàn)而冷卻。第二次高潮是1980年代，始于“專家系統(tǒng)”在商業(yè)界的應用興起，進而推動“知識處理”成為AI研究的焦點。多國政府在這一時期加大投入，推動了一系列創(chuàng)新。比如反向傳播算法的出現(xiàn)使得神經(jīng)網(wǎng)絡獲得新生。第三次高潮是2010年至今，以深度學習的突破和ImageNet的成功為最初標志，持續(xù)到大語言模型和強化學習開花結(jié)果的今天。
以人工智能研究的發(fā)展過程為例來探討精英的作用是非常有意義的。尤其是在2010年以后，主導人工智能研究方向的往往不再是學術精英，而是商業(yè)精英。以往，商業(yè)界多通過資助高?；?qū)W術機構進行研究，而如今，大公司更傾向于直接雇傭人工智能人才在企業(yè)內(nèi)部完成高水平研究。相比之下，學術界精英所獲得的非商業(yè)資金相對有限，往往難以支撐大數(shù)據(jù)收集儲存和大模型訓練所需的算力成本。這一階段的顯著特征是“大”：使用大量算力在大數(shù)據(jù)上訓練大模型。理查德·薩頓（Richard Sutton）的博客文章《苦澀的教訓》（The Bitter Lesson）被很多業(yè)內(nèi)精英奉為“苦口良言”：真正有成效的進步往往來自通用方法和計算能力的提升，而非人為構造的復雜機制。在商業(yè)界，人工智能的發(fā)展在一定程度上已經(jīng)演變?yōu)椤八懔妭涓傎悺?。一個自然的問題是，這是正確的道路嗎？前兩次人工智能熱潮結(jié)束都是與政府資助銳減密切相關。第三次浪潮的不同之處在于它主要由商業(yè)資本驅(qū)動。那么，今天的商業(yè)資本會更有耐心和前瞻性嗎？對AGI（Artificial General Intelligence，人工通用智能）時間表的預測提供了有趣的側(cè)面觀察。一項研究分析了九十五個2012年以前的預測，發(fā)現(xiàn)有代表性的觀點是AGI將在預測時間點的二十年后出現(xiàn)；另一項2025年的調(diào)查顯示，發(fā)表過AI文章的研究者平均預測AGI會在十年后實現(xiàn)，而AI公司領袖普遍認為只需二到五年?？梢韵胂蟮氖?，這種差異反映出AI公司在回應投資者期望時有強烈動機去造神、造夢，通過制造“年度重大突破”維持信心。對于行業(yè)領先者來說，大規(guī)模算力投資可能是維持技術領先和制造穩(wěn)定投資預期的最穩(wěn)妥策略，這種從知識密集型向資本密集型的轉(zhuǎn)變也有利于排擠新興的競爭者。
然而，這樣取得的“創(chuàng)新”一般都只是延續(xù)性的量變，而非革命性的質(zhì)變?！吧疃忍剿鳌保―eepSeek）的橫空出世即為一例：該團隊以極低的訓練成本取得了接近行業(yè)領先表現(xiàn)，在一定程度上是革命性的，它撼動了“算力等于模型表現(xiàn)”的既有范式。雖因政治原因，DeepSeek暫時無法直接搶占西方市場，但它激勵了全世界的中小型AI公司以及缺乏商業(yè)資本支持的學術界精英，讓他們看到了對AI巨頭彎道超車的可能。AI龍頭企業(yè)如何應對，以及國家資本到底是扶持寡頭，還是鼓勵更具多元的創(chuàng)新生態(tài)，是一個值得觀察和研究的問題，也決定了未來AI研究和產(chǎn)業(yè)的發(fā)展方向。我認為，下一個具有革命性的AI創(chuàng)新很有可能并非來自當前的行業(yè)巨頭。這些創(chuàng)新有可能起源于現(xiàn)階段看起來處在劣勢的方法，在將來新的計算范式（比如量子計算或生物計算）、新興市場需求或網(wǎng)絡結(jié)構的改進推動下獲得“逆襲”的良機。正如勞埃德在書中的總結(jié)：
如果新的觀念、記憶、雄心為排他性的團體所操縱，精英之形成所產(chǎn)生的消極后果逐漸抵消乃至超過積極影響……（人類奮斗的歷史）是一個在創(chuàng)新與權威之間不斷發(fā)生沖突的過程……我們所追蹤的歷史告訴我們：如果沒有與優(yōu)勢共存的劣勢，那么我們幾乎不可能獲得那些優(yōu)勢。（219頁）
結(jié)語
學科的劃分并非天賦真理，而是有著歷史背景的社會學產(chǎn)物。在《形成中的學科》一書中，勞埃德摒棄西方中心論的狹隘，通過跨文化視角來理解各學科內(nèi)不同學術傳統(tǒng)中的異同，也探討了精英階層在學術傳統(tǒng)形成過程中的作用。他認為，在學術觀點和方法論上的多元化會幫助克服學術精英的思維狹隘的傾向，促進各學科的發(fā)展。數(shù)據(jù)科學和人工智能是當代兩大“形成中的學科”，其未來發(fā)展正取決于精英們?nèi)绾慰创屠媚壳邦I域內(nèi)的觀點和方法論的多樣性。
鄂公網(wǎng)安備 42010302001612號 