摘要：科学研究的核心目标是探索自然与社会的客观规律，但这一过程并非简单的线性推进，而是充满挑战、修正和优化的曲折历程。历史上，科学的每一次重大突破，往往源于不同学派或研究者之间的激烈论辩。而对抗性合作（Adversarial Collaboration），便是让持对

文 | 追问nextquestion

科学研究的核心目标是探索自然与社会的客观规律，但这一过程并非简单的线性推进，而是充满挑战、修正和优化的曲折历程。历史上，科学的每一次重大突破，往往源于不同学派或研究者之间的激烈论辩。而对抗性合作（Adversarial Collaboration），便是让持对立观点的科学家共同设计实验、检验理论的研究模式，正是推动科学进步的重要引擎。

在这一过程中，贝叶斯推理（Bayesian Inference，通过概率更新逐步逼近真相）、证据积累（Evidence Accumulation，通过多次实验验证理论的稳健性）、证伪（Falsification，通过实验推翻错误假设）以及模型比较（Model Comparison，在多个理论中选择最优解释）等方法是科学家们不可或缺的工具。这些方法不仅提升了研究严谨性，还帮助科学家在复杂环境下做出更可靠的判断。

历史告诉我们，个人对真理的求索难免陷入单一视角的局限，而在多元观点碰撞与融合，往往让我们离真相更近一步——这也是对抗性合作的独特价值。

▷图：传统竞争模式与对抗性合作模式的对比。图源：李恒威

对抗性合作在物理学、生物学、心理学、神经科学等多个领域都有体现，是当今主要的科学研究范式之一。它区别于传统的竞争性研究，后者往往导致研究者在各自的领域内固守己见，缺乏相互交流和理解。

在近代，对抗性合作最经典的案例是爱因斯坦与玻尔关于量子力学的争论。爱因斯坦主张量子力学不完备，希望找到确定性的、局域实在的解释。而玻尔支持哥本哈根诠释，认为量子力学是完备的，测量会不可避免地影响结果。在1927年的索尔维会议上，爱因斯坦提出了一系列思想实验，如对双缝实验的诠释，试图证明量子力学的不完备性，玻尔则尝试利用不确定性原理解释爱因斯坦的“光子箱”实验，证明测量本身影响了量子力学的内在特性。

1935年，爱因斯坦与波多尔斯基、罗森提出EPR佯谬，将波澜推向高潮。玻尔迅速回应，指出EPR实验并未违背量子力学，而是与量子纠缠的非局域性效应相关。20世纪60年代，约翰·贝尔（John Bell）提出贝尔不等式，随后又有实验（如阿斯派克特实验）证实了量子纠缠的真实性。这一系列的理论和实验推动了量子力学基本理论的发展。如今看来，虽然爱因斯坦和玻尔在量子力学的诠释上存在重大分歧，但他们之间的相互挑战，反而推动了量子力学的发展。这种互动一直被视为对抗性合作的典范。

再看化学史，18世纪的安托万·拉瓦锡（Antoine Lavoisier）与格奥尔格·斯塔尔（Georg Stahl），也同样上演了一场势均力敌的“思想对决”。那时，化学家对燃烧过程的解释主要有两个理论：斯塔尔的燃素说——认为物质燃烧时释放“燃素”，以及拉瓦锡的氧化理论，认为燃烧是物质与氧气发生了化学反应。

斯塔尔的支持者进行实验试图证明燃素的存在，但未能找到独立存在的燃素物质。拉瓦锡则通过密闭燃烧实验发现燃烧时质量不减少，并以此推翻了燃素说。1777年，拉瓦锡发表论文指出燃烧是氧气与可燃物质间的化学反应，促进了质量守恒定律和氧化还原反应理论的发展，现代化学理论得以确立。

目前，意识研究也掀起了对抗性合作热潮。意识理论层出不穷，但大多各说各话。邓普顿世界慈善基金会基于对抗性合作的理念，出资2000万美元，发起了一项名为“加速意识研究”的计划。目前，该计划正在检验全球神经元工作空间理论（GNWT）和整合信息理论（IIT）相矛盾的预测。GNWT主要认为意识产生于大脑中信息的全局广播，意识的某些方面可以在前额叶皮层表现出来；而IIT则认为意识是系统内部信息整合的结果，后皮层脑区会有持续的同步活动。项目选择了全球六个实验室共同设计实验检验方案，在实验的第一阶段，IIT小胜。除此之外，加速意识研究计划还在筹划开展另外4个对抗性合作项目，包括GNWT与IIT的动物模型实验、一阶理论与高阶理论对比、IIT与预测加工理论对比、协调客观还原理论与IIT对比。他们期待，借由这个项目，将“解决意识之谜需要的一百年，缩短到五十年”。

▷通过对抗合作测试假设。图源：Lucia Melloni, Liad Mudrik, MichaelPitts, Christof Koch

另一个案例是可变剪切与“垃圾DNA”的论争。20世纪后半期，生物学界普遍认为人类和高等生物基因组中大量DNA是没有功能的“垃圾DNA”。另一派科学家则认为，这些DNA其实具有功能，只是还未发现。2003年人类基因组测序完成后，为了鉴定哪些DNA片段有功能，科学家开展了ENCODE（Encyclopedia of DNA Elements）项目。2012年ENCODE团队发布结果，称80%以上的基因组具有生物活性，引发了生物学界的激烈讨论，有研究团队质疑ENCODE的定义，认为“生物活性”不等于“功能性”。2020年之后，越来越多的研究表明部分“垃圾DNA”确实有调控功能，如增强子、lncRNA等。这些研究推动了遗传学的发展，揭示了基因调控的复杂性。

在气象领域，20世纪末科学界对全球变暖成因和影响的讨论越来越多。IPCC（政府间气候变化专门委员会）派认为全球变暖主要由人类活动引起，另一部分人则认为气候变化只是地球气候周期的一部分，温室气体的影响被夸大了。对此，1998年，全球气候学家联合分析了历史气温数据，以验证人类活动与气候变化的因果关系。气候怀疑论者 Richard Muller则在2007年领导伯克利地球温度项目（BEST）重新分析了全球气温数据，发现其结论与IPCC的一致。2013年这两派科学家在一起探讨了气候模型的准确性，并达成共识：虽然全球变暖的细节仍有争议，但人类活动确实是主要的驱动因素。这项科学共识的重大成果是2015年《巴黎协定》的出台。

▷联合国气候变化框架公约执行秘书克里斯蒂安娜·菲格雷斯、联合国秘书长潘基文、法国外交部长兼巴黎联合国气候变化大会（COP21）主席洛朗·法比尤斯和法国总统弗朗索瓦·奥朗德在历史性气候变化巴黎协定通过后庆祝。图源：www.un.org

对抗性合作的核心在于将对立观点转化为共同探索的动力。这种模式常与其他合作形式交织，例如：

竞争性合作（Competitive Collaboration），即不同团队或个人在竞争的同时也进行合作，以共同推进某一领域的研究或技术突破。例如，尽管80年代苹果与微软在个人电脑市场激烈竞争，但微软仍为苹果开发了Office软件，推动图形界面技术的共同进步。另一个例子是1975年美苏合作的‘阿波罗-联盟计划’，在太空竞赛的对抗中开辟了国际科研协作的先例。

交叉合作（Cross-Disciplinary Collaboration），即来自不同学科或领域的研究者合作解决复杂问题，通常在方法论上有较大不同。例如在生物信息学领域，计算机科学家与生物学家合作开发了基因测序算法。我们平时经常接触的核磁共振技术也是很好的例子，物理学家发现的核磁共振原理，被医学界转化为诊断工具，彻底改变了疾病检测方式。

争议驱动研究（Controversy-Driven Research）。为了验证某一理论的正确性，不同团队或科学家开展独立研究，交叉验证实验结果，这称为争议驱动型研究。例如暗物质与修正引力理论（MOND）的争议，物理学家对宇宙质量分布有着不同解释，不同研究团队需要进行对比实验。另一个例子是RNA起源假说，它与其它理论，如蛋白质先导理论之间存在竞争，推动科学家在实验室中重构原始生命分子的形成过程。

竞争性验证（Competitive Validation），即科学家或团队独立验证对方的实验或理论，以确保其结论的可靠性。爱因斯坦提出广义相对论后，艾丁顿团队通过日食观测验证了引力透镜效应，让‘光线弯曲’从数学预言变为科学事实。近一点的例子是，CRISPR基因编辑技术问世后，这一划时代的研究成果引来了多个国际实验室的反复验证，最终确认了其精准切割DNA的能力。

然而，并非所有科学争议都能走向建设性合作。对抗性合作强调建设性交锋，但这种对抗有时却过于激烈，历史上，不乏因对立而阻碍科学进步的情况，总的来说可以分成三种。其一是学派之争（Paradigm Wars），指的是不同理论学派之间的激烈对抗，这些学派往往拒绝对方观点，甚至阻碍新思想的发展。19世纪，拉马克的“用进废退”理论与达尔文的自然选择学说激烈交锋，双方支持者互不相让，导致进化论研究一度陷入僵局。这种对立不仅浪费了科研资源，还延缓了进化论在生物学中的普及。

第二种情况是破坏性竞争（Destructive Competition）。在这种情况下，团队或个人为争夺学术地位、专利权或资金，故意阻碍对方发展，甚至进行不道德竞争。在牛顿与胡克关于万有引力的争论中，牛顿试图抹杀胡克的贡献，甚至在胡克去世后销毁其肖像，成为科学史上的一段遗憾。另一个例子是沃森和克里克在发现DNA双螺旋结构时，未经许可使用了罗莎琳德·富兰克林的实验数据，却未给予她应有的荣誉。

最后一种情况是科学孤立主义（Scientific Isolationism），即某一学派拒绝其他科学家交流，固步自封，导致科学研究的割裂。例如特斯拉的无线电波研究因与主流科学界脱节，未能实现产业化，最终被马可尼的无线电技术超越。苏联时期，李森科主义盛行，孟德尔遗传学被摒弃，导致农业科学停滞数十年，这在某种程度上也是苏联末期粮食危急的成因之一。

近年来，在认知计算神经科学领域中，一种称为生成性对抗合作（Generative Adversarial Collaborations，GAC）的新的科学研究模式得以实施。这种对抗性合作模式需要进行多任务协作学习、对抗性训练以及协同采样。多任务协作学习通过协作学习多个相关任务，如标志检测和语义分割，使对目标对象的理解更深入，从而提高研究的全面性和准确性。对抗性训练则利用生成对抗网络（GAN）的理念，在团队之间通过对抗性训练，提升模型的生成和判别能力，以达到更高的研究成果质量。而协同采样则是在生成对抗网络中让生成器和判别器协同工作，通过梯度更新和判别器形状调整，改进数据生成过程，提高生成样本的质量。

贝叶斯式对抗性合作则是最近出现的、生成性对抗合作的一种，促进了一些科学问题的解决和理论更新。传统的对抗性合作过于关注对科学理论的证伪，限制了其在神经科学等领域的应用。而贝叶斯式对抗性合作利用贝叶斯信念更新、模型比较和证据积累等方法，拓宽了对抗性合作的范围，使其适用于大信息量、参数较多的研究。

贝叶斯式对抗性合作，首先需要进行贝叶斯信念更新。在贝叶斯框架下，研究者将初始的理论信念表示为先验概率。然后通过对新数据的观察和分析更新这些信念，得到后验概率。这种方法允许科学家在面对新证据时，逐步调整对理论的信任程度，而非简单地接受或否定某一理论。

接下来，利用贝叶斯模型比较的方法，研究者可以对竞争理论进行评估。通过计算每个模型在给定数据下的边际似然（marginal likelihood）大小，就可以量化每个模型被数据支持的程度。这样的比较提供了一个统一的度量标准，有助于在对抗性合作中客观地评估不同理论的相对优势。

▷图：贝叶斯对抗协作概述。图源：Corcoran, Andrew W., Jakob Hohwy, and Karl J. Friston. "Accelerating scientific progress through Bayesian adversarial collaboration." Neuron 111.22 (2023): 3505-3516.

在对抗性合作中，单一研究可能无法提供决定性证据。通过在多个实验和研究中累积证据，研究者就可以逐步增强或削弱对某一理论的支持。例如在医学研究中，新药的有效性必须通过多个独立实验相互验证，而不能仅凭某一项研究的结果。这种持续的证据积累过程也是贝叶斯式对抗性合作的重要一环，有助于科学共同体逐步达成共识。

GAC在实施过程中也面临诸多挑战，例如协调不同团队的意见、制定统一的研究方法等。GAC源于对传统科学研究模式的反思，它打破了各自为政的研究方式，促进持不同观点的科学家之间的合作。而贝叶斯推理框架下的对抗性合作则是一种改进版的研究方法，它能够涵盖更多类型的研究，并提供指导实验设计和数据分析的正式工具。

在近现代科学发展当中，对抗性合作具有重要推动作用。科学研究者有时可能会受到确认偏误（Confirmation Bias）的影响，因而倾向于支持自己的假设。而通过让不同学派科学家共同检验假设，对抗性合作能有效减少个体偏见，提高科研透明度。研究者可以联合设计实验，并在多个实验中积累证据，以验证哪种理论更符合实际。由于是双方共同设计实验，数据和分析过程也更公开，降低了数据操控的可能性。

20世纪著名科技哲学家卡尔·波普尔（Karl Popper）提出，科学理论必须具备可证伪性（Falsifiability），即理论应该能够被实验验证或推翻。例如，爱因斯坦的广义相对论之所以被认为是科学理论，是因为它可以被实验证实（如引力透镜效应）。对抗性合作的核心目标之一是利用实验设计来证伪某些理论。例如在进化生物学中，进化论和智能设计论的支持者也曾有过合作研究，最终证伪了智能设计论的某些核心假设。

科学研究通常需要在多个竞争性理论或模型之间做出选择。这就涉及模型比较（Model Comparison）。例如赤池信息准则（AIC）和贝叶斯信息准则（BIC）通常用于比较不同数学模型的拟合优劣。交叉验证（Cross-Validation）则常被用于评估模型的预测能力。对抗性合作还可以促进理论的互相补充或融合，因为一些看似对立的理论，可能在更高层次上具有兼容性。在人工智能研究中，神经网络和符号推理曾被视为对立方法，但研究者通过对抗性合作，发现二者可以相互结合，提高了模型的解释性和泛化能力。

科学发展的动力在于竞争与合作的平衡。过度竞争可能导致学术不端，而过度合作则可能导致错误理论的长期主导。因此，对抗性合作是一种健康的科学进步模式，它既允许竞争，又促进实验验证。在对抗性合作的作用下，科学发展呈现出“竞争-合作”循环往复的过程，即先竞争、后相互验证、再达成共识。

对抗性合作不仅是科学研究的一种策略，更是推动知识演进的强大引擎。它促使理论更加严谨，实验更加精确，科技创新更加迅速。科学的本质并非追求单一真理，而是在不同观点的较量中不断接近更深层次的理解。

当今，人工智能也正为对抗性合作注入新的生机。在AI自动化实验中，对抗性合作能减少人为偏见，使实验更加客观；在数据驱动科学中，AI可在生物医学、量子物理等领域发现潜在的科学争议点；同时，AI也将促进物理学、生物学、数学等多领域的交互合作。随着AI和大数据的广泛应用，科学研究可能会越来越依赖自动化的对抗性合作来变得更加客观和高效。在科学探索的道路上，我们既需要竞争，也需要合作。在交锋与共识中，科学才能不断向真理迈进。

参考文献：

[1] Corcoran, A. W., Hohwy, J., & Friston, K. J. Accelerating scientific progress through Bayesian adversarial collaboration. Neuron, 2023; 111(22), 3505-3516

[2] Clark, C. J.; Tetlock, P. E. Adversarial collaboration: The next science reform. Springer. 2022; 2–3.

[3] Peters, Benjamin et al. Generative adversarial collaborations: a new model of scientific discourse. Trends in Cognitive Sciences, 2025; 29(1), 1-4

[4] Arts and Sciences, Penn. "Adversarial Collaboration Project". Adversarial Collaboration Project. Archived from the original on 2021. 09. 15

[5] John Brockman. Adversarial Collaboration: An EDGE Lecture by Daniel Kahneman. 2023

[6] Heyman T., Moors P., Rabagliati H. The benefits of adversarial collaboration for commentaries. Nat Hum Behav 2020; 4, 1217

来源：钛媒体APP