《形成中的学科：跨文化视角下的精英、学问与创新》，[英]G. E. R. 劳埃德著，陈恒、洪庆明、屈伯文译，商务印书馆，2024年10月出版，258页，75.00元

究竟何为一个学科？这个问题看似浅显，因为在世界各地大学的院系划分，如数学、医学、各种自然科学、人文学科，通常泾渭分明，对于很多经典“学科”来说，不同学校的教学内容也大同小异。然而，若从业者只是顺从地接受现有的学科范畴与分类，而不加以反思，其实表明他们并未深入思考“我们究竟在做些什么”。另外，研究这一问题也将帮助我们理解和指导很多新兴学科的发展。

劳埃德（G. E. R. Lloyd）认为，当今院系学科分类源自于十九世纪欧洲的制度性发展，不可避免地沾染了“西方中心论”的局限性。他批判这种狭隘思维，并主张用跨文化的全球视角来理解不同社会和历史时期的学科研究传统。在劳埃德所著的《形成中的学科：跨文化视角下的精英、学问与创新》（Disciplines in the Making: Cross-Cultural Perspectives on Elites, Learning, and Innovation）一书中，他分析比较了哲学、数学、科学等八个核心学科在古希腊、古代中国和其他社会历史时期的学术传统，侧重于社会结构与精英阶层在学科形成过程中的作用。

经典学科学术传统的多样性

在对“哲学”的分析中，劳埃德首先指出，即使在自称为“哲学家”的人中间，究竟“何为哲学”仍存在争议，比如对哲学的理解应该是严格的还是宽泛的。所谓“严格”的定义，大致上遵循了我们如今所熟知的希腊传统。这一理解自然是具有西方中心论色彩的。而“宽泛”的观点认为，“哲学便是人类基本的认知能力的一种拓展，是对道德尤其是推理之类主题的深思、论证”（10页）。在试图调和这两种定义的过程中，劳埃德首先分析了古希腊哲学传统中关于哲学的范围与目的的不同看法及相关辩论。继而以中国的资料作为一个测试实例（test case），分析佛教传入以前的古代中国学术传统与风气，并与古希腊传统比较。他认为，相较于古希腊，当时的中国学术界对“伦理学”和“政治哲学”兴趣更为浓厚，这一点与罗马时期的哲学类似。劳埃德对古印度和早期伊斯兰哲学也做了类似的分析，最后探讨了在文字缺失的社会里，哲学存在的可能性。他认为，非正式的哲学技艺广泛存在，但在某些哲学领域中存在的许多得到明确界定的问题，以及对它们的系统分析构成了当今的哲学学科。总体而言，哲学的发展若能采纳某些多元主义的看法，将有助于避免其走向狭隘。

随后，劳埃德将目光转向古希腊与古代中国的数学传统。两种文化都认为数学是理解其他不可估量之物的基础。两者都对类似的领域进行了深入研究，比如算术、几何学、音乐和声以及天文学应用等等。两个社会的数学都在两千年前就取得了辉煌成就，然而此后却都陷入长达千年的相对停滞。他认为“其原因之一是精英阶层为了保持自身地位而付出了不懈努力”（68页）。两种数学传统的方法论各有千秋。希腊传统注重公理化，以便在学术争论中给出确定性的结论，而非说服性或推测性的论点。中国传统则更侧重不同数学现象之间的联系和统一，主要使用外推法和类推法来获取新知。

何为“科学”

该书对“科学”的讨论特别值得我们关注。对“科学”的狭义理解，也就是没有附加条件的单词“科学”主要指的是物理化学等“自然科学”，而非社会科学心理学或“道德科学”。从“狭义”的视角来看，科学实践仅仅在从科学革命到现在的两百多年里才存在，而非人类文明中普遍存在的现象。这种观点假定历史上发生过一次科学革命，在这场“大分界”（Great Divide）之后，被认为对现代科学具有关键作用的实验方法、“假设-演绎”方法才产生并付诸实践，“科学”由此诞生。然而，采纳这种观点会带来对科学起源问题的困扰：人们为何突然开启这种探索？若缘于新获得的认知能力，又该如何理解这种新能力的产生？如果这种新的探索仅依赖于对既有认知能力的运用，又为何这些既有能力没有在更早的时期或其他文化被人们利用（想想李约瑟之问）？

广义的科学观认为，科学即主动理解世界的雄心，是普遍见于全人类的普遍现象。世界各地的具体科学的不同表现形式，仅体现了他们对各种现象的兴趣、研究动机和手段上的多样性。这种观念面临的困难是如何理解不同时代和社会对世界的真实理解极为不同。劳埃德试图运用“思维方式”这一概念去关注探索方式的多样性、应用者的自觉性和对方式本身的理解程度，进而对“狭义”的和“广义”的科学观进行调和。比如，分类型思维方式可被视为有普世性，但具体分类方法具有多元性；实验方法可被视为广泛存在的试验和试错的系统化发展。同样，科学可被理解为普通平常认知手段的延伸。望远镜、显微镜等新的工具和干预手段的产生，又拓宽了科学的探索领域。所谓大分界可被视为“科学深化过程中许多探索方式上的发展、变化所组成的一个完整序列……（各个）探索方式……之间常常表现得更具有互补性、累进性，而不是替代性”（202页）。学科建立后，科学精英的作用有两面性：一方面，从业者培训要求越来越高，过早独立门户难于立足；另一方面，拥有稳固地位的精英人士要在创新和顺从之间维持脆弱平衡。

学科分类与精英

在该书的最后一章，劳埃德尝试通过跨学科视角思考各学科之间的共性和联系，总结各个学科得以建立的途径、精英在其中扮演的角色，以及促进和抑制创新的因素。他指出，在学科发展过程中，“精英所发挥的积极影响包括：确保知识、技艺的传递；使各学科获得支持和声望；对科研成果的质量进行监督；组织协作型观测、研究……而消极影响是，人类可以观察到种种倾向：闭门经营，抵制变革，阻碍创新，保守而专断”（213页）。劳埃德认为，对每一学科的定义经常是有争议的，有时即使参照国际知名高等教育机构的定义，专家之间也不存在普遍共识。事实上，一个学科不仅在内部定义自己，还通过在外部与其他研究领域进行对比而界定自身。尽管该书中讨论的八个学科之间的区别是显然存在的，但它们之间的分界并没有我们想象的那么严格。当前的学科界限是一把双刃剑：它帮助研究者迅速直抵该领域的前沿，但同时也意味着对学科关注中心越走越窄。“思维狭隘是精英自我认知中的特有病症。”（218页）成功的创新是没有固定模式的，运用起源于其他学科中的观念、模式、方法可以收获创新的硕果。劳埃德主张避免“当下的学科分类神圣不可侵”的想法。

当代的“形成中的学科”

劳埃德的这本著作于2009年问世，商务出版社的中文版出版于2024年。在此十五年间，数据科学与人工智能等新兴学科迅速崛起，为大众所熟知，成为当代具有代表性的“形成中的学科”。在此，笔者拟借劳埃德的分析框架，尝试梳理这两个学科的发展脉络的发展过程，抛砖引玉，望能引发读者的进一步思考。

（一）成为数据科学

自2012年以来，数据科学逐渐成为显学。然而，数据科学到底是什么，各界专家尚未形成共识。著名的“数据科学韦恩图”将其定位于数学统计、计算机科学和领域专业知识的交集。但这一表述并非描述性的定义，而更像是借由与“外部”学科的比较来定义自身：数据科学相较统计研究，更强调计算机技术；相较机器学习，更强调专业领域知识；相较数据处理，则更侧重数学。这种比较性的定义表明数据科学的学科边界天生难以清晰划定。

数据科学韦恩图

“数据科学家”这一职业在2012年前后迅速流行开来，源于商业界日益重视海量大数据和非结构化数据的收集与利用，同时也得益于Hadoop、云计算等适用于大数据处理的技术工具的推广。这一时期的业界数据科学家往往具有处理这种大数据的经验，比如实验物理的研究生。在当时关于统计学和数据科学的异同的讨论中，一种流行观点是数据科学聚焦“大数据”，即那些需要分布式储存与并行计算的数据，而统计学则偏向“小数据”，即可由单台计算机直接分析的数据。尽管此划分非常片面，却反映了数据科学走进公众视野的历史契机。我们姑且把“狭义”的数据科学定义为可以利用“大数据”来解决问题的分析方法。这一时期也可以被视为数据科学发展史上的“大分界”，它从此作为独立的职业和学科为世人熟知。许多关于数据科学历史的作品将其起源追溯到约翰·特基（John Turkey）1962年对数据分析的未来的预言，甚至更早（参见拉斐尔·C.阿尔瓦拉多[Rafael C. Alvarado]的《数据科学：1963-2012》[Data Science from 1963 to2012]一文）。这种观点自有道理，但无法解释今日“狭义”数据科学和2012年以前主流统计学传统之间的差异，也未能涵盖以其他形式存在的数据分析传统。

借鉴劳埃德对科学的分析思路，我们可以将“广义”的数据科学理解为：一切以数据分析为核心来解决问题的系统性努力。类似于科学革命之前世界各地的具体科学传统的多样性，广义的数据科学传统也以不同的表现形式广泛地存在于统计学、商业分析、计算机科学、定量遗传学、生物信息学等学科和领域中，其差异也可归因于不同群体的对各种现象的兴趣、研究动机、和使用手段不同。2012年前后“狭义”数据科学的崛起，与图像数据、网络数据等新型大规模数据收集能力的普及密切相关，同时也依赖于对既有数据分析能力的运用。这一数据科学的大分界可被视为是数据科学深化过程中许多探索方式发展变化组成的一个完整序列。尤其值得统计学界注意的是，如今数据科学家的职责以及数据科学专业的课程设置并未限于大数据，而是和统计学的范畴开始逐渐重合。

目前，要深入探讨“精英”在数据科学发展过程中的作用仍颇具挑战性——相关讨论仍在动态演变中。不过，可以确定的一点是：来自不同领域的精英群体尚未就数据科学学科的本质，以及其应该如何发展等问题形成全面共识。各个高校的数据科学专业设置也有显著差异。依我之见，尽管适度探讨“是什么让数据科学成为数据科学”有助于从业者稳固根基，但更重要的是回归广义数据科学的初心——即解决实际问题的实践使命。与其执迷于积极维护现有学科分类边界，不如以更加开放和多元的态度，从各方面推动数据科学及其相关领域的发展。“数据科学是什么”这个问题，即使真有一个答案，也无法充当从业者的永恒的行动指南，它只能是对每个时代的“数据科学家”的行动的动态归纳总结。

（二）人工智能走向何方

人工智能（AI）是指由人类制造出来的机器所展现出的智能。作为一个相对独立的研究领域，人工智能正式起步于1956年的达特茅斯会议。尽管“智能”的标准，以及如何评估机器是否具有智能，学界尚无普遍共识（图灵测试仅是一个有意义的提案），但大多数参与者似乎并未对“人工智能”作为一个学科的研究领域与对象感到任何困扰。从这点上来看，“人工智能科学”更像是“火箭科学”或“农业科学”——它是以制造（和提高）人工智能为目的的综合性学科。其文化上先天是结果导向的，方法论上先天是多元的。

人工智能的发展经历了三次显著的高潮。第一次出现在二十世纪五六十年代，主要由政府资助推动，出现了以搜索式推理和自然语言研究为代表的研究成果。这一波热浪终因美国七十年代后期经济下滑，加之早期对人工智能的乐观预期未能兑现而冷却。第二次高潮是1980年代，始于“专家系统”在商业界的应用兴起，进而推动“知识处理”成为AI研究的焦点。多国政府在这一时期加大投入，推动了一系列创新。比如反向传播算法的出现使得神经网络获得新生。第三次高潮是2010年至今，以深度学习的突破和ImageNet的成功为最初标志，持续到大语言模型和强化学习开花结果的今天。

以人工智能研究的发展过程为例来探讨精英的作用是非常有意义的。尤其是在2010年以后，主导人工智能研究方向的往往不再是学术精英，而是商业精英。以往，商业界多通过资助高校或学术机构进行研究，而如今，大公司更倾向于直接雇佣人工智能人才在企业内部完成高水平研究。相比之下，学术界精英所获得的非商业资金相对有限，往往难以支撑大数据收集储存和大模型训练所需的算力成本。这一阶段的显著特征是“大”：使用大量算力在大数据上训练大模型。理查德·萨顿（Richard Sutton）的博客文章《苦涩的教训》（TheBitterLesson）被很多业内精英奉为“苦口良言”：真正有成效的进步往往来自通用方法和计算能力的提升，而非人为构造的复杂机制。在商业界，人工智能的发展在一定程度上已经演变为“算力军备竞赛”。一个自然的问题是，这是正确的道路吗？前两次人工智能热潮结束都是与政府资助锐减密切相关。第三次浪潮的不同之处在于它主要由商业资本驱动。那么，今天的商业资本会更有耐心和前瞻性吗？对AGI（Artificial Generalintelligence，人工通用智能）时间表的预测提供了有趣的侧面观察。一项研究分析了九十五个2012年以前的预测，发现有代表性的观点是AGI将在预测时间点的二十年后出现；另一项2025年的调查显示，发表过AI文章的研究者平均预测AGI会在十年后实现，而AI公司领袖普遍认为只需二到五年。可以想象的是，这种差异反映出AI公司在回应投资者期望时有强烈动机去造神、造梦，通过制造“年度重大突破”维持信心。对于行业领先者来说，大规模算力投资可能是维持技术领先和制造稳定投资预期的最稳妥策略，这种从知识密集型向资本密集型的转变也有利于排挤新兴的竞争者。

然而，这样取得的“创新”一般都只是延续性的量变，而非革命性的质变。“深度探索”（DeepSeek）的横空出世即为一例：该团队以极低的训练成本取得了接近行业领先表现，在一定程度上是革命性的，它撼动了“算力等于模型表现”的既有范式。虽因政治原因，DeepSeek暂时无法直接抢占西方市场，但它激励了全世界的中小型AI公司以及缺乏商业资本支持的学术界精英，让他们看到了对AI巨头弯道超车的可能。AI龙头企业如何应对，以及国家资本到底是扶持寡头，还是鼓励更具多元的创新生态，是一个值得观察和研究的问题，也决定了未来AI研究和产业的发展方向。我认为，下一个具有革命性的AI创新很有可能并非来自当前的行业巨头。这些创新有可能起源于现阶段看起来处在劣势的方法，在将来新的计算范式（比如量子计算或生物计算）、新兴市场需求或网络结构的改进推动下获得“逆袭”的良机。正如劳埃德在书中的总结：

如果新的观念、记忆、雄心为排他性的团体所操纵，精英之形成所产生的消极后果逐渐抵消乃至超过积极影响……（人类奋斗的历史）是一个在创新与权威之间不断发生冲突的过程……我们所追踪的历史告诉我们：如果没有与优势共存的劣势，那么我们几乎不可能获得那些优势。（219页）

结语

学科的划分并非天赋真理，而是有着历史背景的社会学产物。在《形成中的学科》一书中，劳埃德摒弃西方中心论的狭隘，通过跨文化视角来理解各学科内不同学术传统中的异同，也探讨了精英阶层在学术传统形成过程中的作用。他认为，在学术观点和方法论上的多元化会帮助克服学术精英的思维狭隘的倾向，促进各学科的发展。数据科学和人工智能是当代两大“形成中的学科”，其未来发展正取决于精英们如何看待和利用目前领域内的观点和方法论的多样性。