The Diminishing Returns of Discovery: Why More Research Yields Fewer Breakthroughs
科研人员、论文与研发支出的曲线一路向上，全要素生产率与重大突破的曲线却向下走。布卢姆等人测算，今天维持摩尔定律所需的研究者数量是 1970 年代初的十八倍以上；琼斯把这一现象归因于「知识的负担」。但这未必说明人类变笨了——它更可能说明，我们把研究从一种长周期的制度安排，改造成了一种短周期的项目考核。真正稀缺的不是想法，而是容许异常存在的空间。
一、两条方向相反的曲线
先摆一个事实，它比任何论断都更让人不舒服：过去半个多世纪，投入研究的资源在指数增长，而研究本身的产出效率在持续下降。
布卢姆（Nicholas Bloom）、查尔斯·琼斯（Charles I. Jones）、范里南（John Van Reenen）与韦布（Michael Webb）2020 年发表在《美国经济评论》上的论文《想法越来越难找了吗？》给出了一个常被引用的数字：今天要维持摩尔定律那「芯片密度每两年翻一番」的速度，所需的研究者数量是 1970 年代初的十八倍以上。论文的表述相当克制——研究投入在大幅上升，研究生产率在急剧下降，而总产出之所以还在增长，是因为投入增长得更快。
这不是半导体独有的现象。同一批作者在农业上看到，1960 到 2015 年间玉米、大豆、小麦、棉花的平均单产大约翻了一番，但为此投入的研究量增长了三到二十五倍不等，研究生产率平均每年下降 4% 到 6%；在企业层面，超过 85% 的上市公司呈现「研发支出上升、研究生产率下降」的组合。
这里要先把一个常见的误读挡掉：研究生产率下降，不等于「没有进步」。它说的是进步的价格在上涨——每单位进步所需要的钱、人、时间越来越多。这个区别很重要。「进步停滞」是假的，「进步变贵」是真的，而两者的政策含义完全不同。
二、第一种解释：知识的负担
本杰明·琼斯（Benjamin F. Jones）2009 年在《经济研究评论》上的论文给出了一个结构性解释，标题带着一点悲观的幽默：《知识的负担与「文艺复兴人」之死》。
他的观察很朴素：创新者不是生在前沿上的。一个人必须先花十几年把已有知识学到手，才站得到「可以往前推一步」的位置。知识总量越大，这段路程越长。
后果是可测的：做出第一项重要贡献的年龄在上升，博士训练年限在延长，单人完成的重大创新越来越少，团队规模越来越大。所谓「文艺复兴人」——一个人同时精通几门学问并能跨界突破——不是消失了，而是被知识的分工挤掉了。
这个解释的力量在于，它不需要假设人的智力在退化。它只说一件事：前沿离起点越来越远，抵达前沿的成本随时间上升。 如果这个机制是主导的，那么研究生产率下降就是知识积累的必然副产品，任何「多投钱」的政策都只能延缓、无法逆转。
但它有一个明显的缺口：它解释了「贵」，没有解释「少」。成本上升可以被工具抵消——显微镜、计算机、现在的机器学习，本质上都是降低「抵达前沿」成本的技术。如果知识的负担是唯一变量，那么每一次工具革命都应该让曲线重新抬头一次。而事实上，有些领域确实抬头了。
三、第二种解释：低垂的果实
更流行的说法是「低垂的果实已经被摘完了」。这个比喻直观，但它偷偷塞进了一个前提：果实的总量是固定的，树就那么大。
问题在于，「可发现的东西」不是一个固定的存量，而是一个随工具扩张的空间。望远镜造出来之前，天上的果实并不存在；没有 X 射线衍射，DNA 的双螺旋也不在「待摘」清单上。每一件新工具都会长出新的枝条。所以「果实摘完了」在搜索空间封闭的领域里成立，在搜索空间仍在扩张的领域里是错的。
这个区分不是修辞上的。光刻是搜索空间正在收窄的例子：波长已经推到极紫外，物理极限近在眼前，每往前一步的代价是数量级的。而计算、生物、材料发现，是搜索空间还在扩张的例子。把两者混在一起谈「创新变难了」，必然得出一个错误的结论——以为所有领域都该用同一种办法救。
四、反方：也许我们量错了
在把「变难」当成事实之前，必须先给出最强的反方：也许下降的是我们的度量，不是研究本身。
三条具体的怀疑。
第一，全要素生产率漏掉了质量改进与免费品。布林约尔松（Erik Brynjolfsson）等人一再指出，GDP 没有把免费的搜索引擎、地图、维基百科计入产出，数字经济的「消费者剩余」大量落在统计口径之外。如果产出被低估，生产率的分子就显得虚低，下降就被夸大。
第二，突破是用后见之明定义的。我们今天说「二十世纪有那么多大突破」，是因为一百年足够长，足以筛出真正重要的东西；而近二十年的工作还没被时间筛过。拿「已被追认的伟大」去比「尚未被追认的当下」，必然得出「今不如昔」——这是幸存者偏差加上怀旧的双重账。
第三，通用技术有时滞。保罗·大卫（Paul David）关于电力的经典研究指出，电动机发明之后，工厂还要花几十年重排车间布局、重训工人，生产率红利才真正兑现。电气化如此，计算机如此，人工智能很可能也如此。用「出现十年还没改变全要素生产率」去判定它失败，是拿错了时间尺度。
但这个反方也有它的限度。测量误差很难同时解释四个相互独立的指标——作物单产、药物批准数、企业层面的销售增长、以及半导体每一代工艺的研发投入——在同方向、同量级上一起恶化四十年。所以更稳妥的结论不是「没有下降」，而是「下降真实存在，但幅度被高估，且被时滞掩盖了一部分」。
五、真正的变量：研究的组织形态
如果成本上升是真的，时滞也是真的，那么剩下的问题是：为什么有些时期、有些机构，能在同样的知识负担下持续产出？
《贝尔实验室与美国革新大时代》（The Idea Factory）提供了半个答案。贝尔实验室在很长一段时间里不按季度考核，不要求每个项目都指向产品，允许一批聪明人用几年时间研究「暂时没用」的问题。晶体管、信息论、激光、Unix 和 C 语言都出自这种安排。它靠的不是更多的钱，而是一种特定的时间结构：资助的周期长于问题的周期。
对照之下，当代科研的主流形态是项目制：三到五年的经费周期，中期考核，论文计数，成果转化指标。这种形态擅长推进已有范式内的增量工作——它把「可交付」定义得很清楚。但它系统性地不利于一件事：注意到异常。
库恩（Thomas Kuhn）在《科学革命的结构》里说得很清楚：常规科学是在既定范式内解谜，而革命始于「异常」——那些用现有范式解释不了、于是被大多数人忽略或强行归位的结果。注意到异常需要两个条件：你有余裕去看不该看的地方，以及你不至于因为三年没有产出而失去位置。短周期考核恰好同时摧毁这两个条件。
所以我的判断是：研究生产率下降的主因，不在「想法变少」，而在「容许异常的制度空间变窄」。 这不是说钱没用，而是说钱的时间尺度比数量更关键。把同样一笔钱拆成一百个三年期项目，和把它交给十个可以安静做八年的小组，产出结构会完全不同。
六、判断：两种领域，两套办法
必须承认这个判断的限度。它解释不了光刻：在接近物理极限的地方，再长的资助周期也换不回数量级的成本下降。它也可能被证伪：如果人工智能真的把「抵达前沿」的成本压到接近于零，那么「知识的负担」这个机制就会失效，今天所有的悲观测算都要重写。这是本世纪最值得盯住的一个变量，而不是一个已经解决的问题。
所以在行动上，值得把领域分成两类，用两套办法。
搜索空间仍在扩张的领域（计算、生物、材料发现）：瓶颈是组织，不是钱。有效的动作是拉长资助周期、降低对短期产出的考核权重、保留一批不指向产品的岗位。反过来，加钱但维持短周期考核，很可能只是生产更多可发表、不可累积的工作。
接近物理极限的领域（先进制程、电池能量密度、航空航天）：瓶颈是物理，不是制度。这里的收益递减是真的，该做的是接受它，把资源转向替代路径——新材料体系、新架构、新原理，而不是在旧路径上继续堆人。
最后回到最初那两条曲线。它们并不证明人类变笨了，也不证明进步已经结束。它们只说明一件事：当一个社会把「研究」当成可以用季度衡量的生产活动时，它买到的必然是越来越多的论文，和越来越少的意外。 而意外，恰恰是唯一没法被 KPI 预订的产出。
