大众科学的终结

①科学本身在很多领域的发展都将超越普通人的理解。突破性科学已经转入中年人的手中。

②人类所剩的科学知识, 会变得非常务实、非常具有预测导向, 而且主要是用来改善生活。

③未来多数经济学家的职务都能由计算机代劳,经济学家不再是独自建构理论、测试理论、撰写结果的学者, 他们会逐渐和电算能力合作, 专门弥补程序驱动进步时的不足之处。

我们中的很多人都在努力争取不但工资高而且有意义也重要的工作。我们想要做出实质性的贡献。我们之中，有些人想做老师，有些人想做医生，有些人想做粒子物理学家。在大量职业选择面前，我们很容易忽略这一事实：现代职业在某种程度上都依赖于科学发现。那么科学会怎么样呢？科学也会抛弃平庸吗？

科学是用来做出预测、控制环境，并且理解我们这个世界的整体框架的。但我认为对科学本身的实践和理解将会发生关键性的变化。变化的原因可能并不让人意外：机器智能。我们最终会不再理解工作和生活背后的大部分科学——我们中的很多人现在就已经不理解了。反直觉和不可知在量子力学中已经很常见。这种难以理解的趋势将会继续下去。

我们正站在科学史上不同寻常的时点：大多数重要的科学成果仍然能被受过适当教育的人所理解，肯定也能被接受过良好训练的聪明的研究者所理解。很多关于科学的畅销书都很发人深省。他们也许不能让你裁定这一领域的未来发展，或者理解所有细节，但很多不是科学家的美国人仍然能明白一些基本的科学成果，例如进化生物学、爱因斯坦的广义相对论。

然而，我们也许不该认为这种知识状态会始终不变。我不是在说文化程度的下降——而是科学本身在很多领域的发展都超越了普通人的理解范围。很多科学变得更难理解，至少出于以下三个原因：

1. 在某些（而不是全部）科学领域，问题变得更加复杂，并且不容易取得简单直观的重大突破；

2. 个人在科学中的贡献正在变得愈发专业化，这一趋势已经持续了数百年，并且不太可能停止；

3. 不久之后，智能机器本身将会成为强大的研究者。

总体来看，个人头脑理解世界运转原理与科学的能力不容乐观。

随着科学的进步，每一个新发现都更多的是专业化的结果，而不像以前一样，是全面突破的结果。也许不会再出现下一个牛顿、亚当·斯密或者欧几里得了，因为这些领域已经获得了最重大的进展。新的重大贡献并不会消失，但它们会零零星星地到来，而且更可能来自研究团队，而不是单个的天才们做出的重大而意外的突破。这并不是什么问题，事实上这反映了科学的一些积极特征，也就是交流快速而频繁，很多人才同时致力于主要的难题，以及我们已经取得了很多基本进展。和以前相比，现在的科学更多的是一种合作性的努力，这就意味着个人的研究贡献将会更小，即使是在取得巨大进步的时代也是如此。

我们已经站在这个时点，关于“证明”一条数学定理意味着什么，人们并不总能达成共识。一条重要定理的证明将会占据几十页或者几百页，并且依赖于不同数学领域的数百个前提结论。这条定理的完善依赖于劳动分工，但事实上没有任何人知道这条定理是否正确，相反，会有一组数学家浏览这条定理，把不同部分分配给合适的专家。最后会有一个对证明成立或不成立的集体评判，只有在这时候，创新者才知道他是否提出了重要的东西。

2010年，惠普实验室的维奈·迪欧拉利卡（Vinay Deolalikar）宣称他已经证明了著名的“P不等于NP”命题，这是数学千禧年大奖难题（Millennium Prize Problems）中最有名的难题之一，奖金100万美元。即使是他自己，一开始也不知道是否成功了。他在网络上以百页论文的形式发表了可能的证明，并对科学界公开。即使在论文发表一年以后，人们仍然不完全清楚他是否真的证明了这一命题。很多数学家都对此持有怀疑态度，而迪欧拉利卡也承认他最初的证明确实有一些问题，然而他已经重写了证明，并且宣布在修改后完成了证明。专家们研究了证明涉及的每一个不同领域，直到最后，怀疑主义似乎占了上风。在我写这本书的时候，这个问题仍然没有定论，虽然数学界越来越意识到，他们很难确认这一证明的可证明性。

格里高利·佩雷尔曼（Grigory Perelman）的表现相对较好。他在2010年3月获得了千禧年大奖的100万美元奖金，因为他证明了庞加莱猜想（Poincare conjecture），这个猜想是这样的：“任何一个单连通的、闭合的三维流形一定同胚于一个三维的球面。”如果你觉得这个总结很难理解，可以试试看懂它的证明。最初的证明通过2002年和2003年的一系列论文提出来了，然而，和上一个例子一样，一开始没有人能确定他是否获得了成功。（顺便说一下，佩雷尔曼最终拒绝了这一奖励，声称他并不想要金钱或者名誉。）

涉及复杂证明的时候，即使这个概念真的一开始就有明确定义，也没有哪一个单独的头脑能理解定理的正确性以及这条定理真正意味着什么。

专业化也在重塑应用科学和发明。以前，一个研究者或者潜在的发明家可以用几年时间就学会一门科学或者一个应用领域的全部内容，掌握它，然后很快地进行创新，创新者往往是独立研究者或是在一个很小的团队里进行研究。例如，工业革命背后的重大发明往往是由业余者推动的。现在更难看到这种状况，因为在一个成熟领域有太多知识需要掌握。在很多学科，你都需要花费十年或更长的学习时间才能进入前沿领域，当你到达这里并且提出一些新东西的时候，你的贡献只是微不足道的，或者是有一点过时的。科学前沿在你试图掌握它的时候已经移动了。即使你成功了，你只会明白为什么你的小调整比以前的方法要好，但你对新设备的总体了解可能仍然很粗浅，甚至不正确，因为你太过依赖其他人创造的基础知识了。

这条规律并不适用于那些还没有成熟的领域。正如我已经提到过的，在社交网络软件领域，马克·扎克伯格在哈佛大学读本科的时候就成了先驱。他没有花多长时间就到达了社交网络的前沿领域，并且很快就重新定义了这个前沿。他在脸书的创建上得到了很多帮助，他的成就也建立在交友网（Friendster）和聚友网等早期社交网络的基础之上。但脸书在很大程度上还是反映了他的个人视野和专业技能。至少在网站推出的前几年，扎克伯格能够全面把握产品的情况。当时在线社交网络刚刚起步，因此在这个领域取得重大成就相对容易。

“孤军作战”的能力有助于产生快速创新和业余创新。单独的个人和小团体可以做出重大贡献，而这就限制了管理和规定的僵化作用。扎克伯格需要一些初始资金和帮助，但没有多少人可以告诉他：“不，你不能做这个。”从最开始的突破起，扎克伯格就展现了以长远视角看待产品未来以及在必要时改弦更张的能力。这就是小团体创新的好处。现在“为社交网络写出优秀程序”已经成为一个更成熟的业务，设计师也越来越专精于小的改进。整体来看，社交网络正变得越来越不容易被个体专家所理解，其中也包括扎克伯格。

大多数科学和应用发明领域都不会有多少空间留给和马克·扎克伯格一样的人，因为在这些领域里，基础性的突破很早以前就完成了。你很难坐在车库或者学校宿舍里想出一个设计汽车的更好的新方法。不过，有一种竞争正在进行。虽然科学项目让个人成就更难获得，机器智能也许正在为业余者和不愿意墨守成规的人提供新的可能。一台智能机器可以担任科学研究团队里调查员的角色。假设你不能在一条真正的雨后道路上用专业的司机和带坐垫的汽车来测试你的轮胎改良设计，也许电脑模拟可以帮助你取得进展，即使你手头没有通用汽车那样的资源。

在任何时候都会有一些新兴的突破性领域，在这些领域里，创新者非常关键，他们会很快地重新定义整个部门的知识，也许还会记住很多这类知识。虽然如此，随着人类知识总量的不断增加，这些取得突破的领域会变成我们对世界科学理解的一小部分。科学会看起来更像科层制，而在标准的科层制里，没有任何个体对整体会有太多了解。在我的领域——经济学里，合作研究已经变得普遍多了，而且同一个研究的合作者也越来越多，正如其他科学领域一样。

恕我直言，由于日益增长的神秘性，科学最终也会看起来像是宗教和魔法。原理的部分将被隐藏，正如一台苹果手机不用告诉你操作原理也能发挥作用一样。你会在观察科学界时发现科层制，而且每天你都会作为消费者或工作者沐浴在魔法之中。

还有一个更深层的原因可以解释为什么很多科学会变得越来越难以理解。

在三四十年前，人们如果希望宇宙学、基础物理、基因学甚至宏观经济学等晦涩领域由于某种简单、易推理且非常可信的一般方法而变得明朗，也许还是合理的。比如说，虽然爱因斯坦的广义相对论第一眼看上去不符合直觉，但确实提供了相对简单的框架。一旦你弄懂了，你就懂了，而且你还能用这些方法来思考。你能对时间旅行的悖论发表意见，并且理解一些科幻电影里的噱头，或者在这些噱头违反基本科学原理的时候有所察觉。我们中的很多人甚至可以用等式把它写下来。

最近一段时间，在很多特定领域，取得相对简单的重大突破这个愿望已经化为泡影。科学确实在不断进步，但这个世界似乎在概念上变得更为杂乱。对人类行为的基因学解释仍在增加，但基因与行为结果之间的联系也一直在变得更加纷繁复杂。即使是人的身高——一个明显的遗传特征——也似乎牵涉到几十种不同的基因，还不断有新的相关基因被发现。我们不会找到一个“同性恋基因”或者“自闭症基因”，即使基因在同性恋与自闭症中都发挥着重要作用。

我们不妨来讨论一下最近发现希格斯玻色子（the Higgs boson）的事。一方面，这一发现确实按照承诺，使之前的粒子理论得以完成，并且试图把余下的问题与实证检验联系起来。另一方面，研究者们已经开始好奇，在我们现有的理解之下，可能隐藏着怎样的关于“大一统理论”（Grand Unified Theory）的深层真相。现有的备选方法非常复杂，也不直观，而且没有证据表明他们会逐渐被一般人所理解。

事实也许只是，我们在某些关键的科学领域到达了这样一个时刻：我们在致力于人类大脑——即使是诺贝尔奖得主的大脑——无法处理的解释层次。也许不是顶尖科学家，而是了解真理模糊轮廓的人，才是“知道”真相的人。如今，关于宇宙学、表观遗传学或者宏观经济学的前沿问题都比40年甚至是20年前要复杂、高深得多。我们不能保证未来的发展会把我们带回简单的概念世界，如果硬说有什么发展，可能也是往相反的方向。那么，如果我们越来越依赖机器智能来处理大量数据，而不是建立一个简单易懂的总体框架，情况真的会很糟糕吗？

归功于高等数学，我们已经在发展很少有人甚至完全没有人能看懂的理论。布莱恩·格林（Brian Green）大获成功的科普书籍《宇宙的琴弦》（The Elegant Universe）使人们多少熟悉了弦论，但这一理论并不直观。也许没有人真的知道十维或者更多维的假定意味着什么。我们固然可以用高等数学来讨论这些维度，但这一例子也说明了一个科学理论如何能演变到无法理解。试读下面这段描述。这是从弦论维基百科条目的第一页里摘出来的，当然已经尽可能平易近人、浅显易懂了：

弦论假定原子中的电子和夸克不是零维的客体，而是由一维的弦构成。这些弦能够振动，从而赋予可观测粒子味道、电荷、质量、自旋。在弦的振动模式中有一个无质量、自旋为2的态——一种引力子。引力子态的存在，加上描述弦论的理论包含爱因斯坦广义相对论公式这一事实，都意味着弦论是一种引力的量子论。因为弦论数学上的自洽性，很多人期待它能完全描述我们的宇宙，成为包罗万象的理论。弦论号称包含着可以描述所有观察到的基本力和基本物质的版本，但这需要一个零宇宙常数和一些新的理论领域。其他版本有不同赋值的宇宙常数，虽然不是长寿命的，但确是亚稳的。这导致很多人相信至少存在一个包含更小宇宙常数的亚稳解，在数量和标准模型上是等价的，它能合理解释暗物质和宇宙膨胀。我们仍不清楚弦论存不存在这样的一个解，也不清楚这个理论能给予我们多少细节选择的自由性。

这还是比较简单的部分，现在来看看这一段：

弦论也包含除了弦之外的其他客体，也就是膜（brane）。“膜”这个词是从“薄膜”演化而来的，指的是各种各样互相关联的实体，例如D膜、黑p膜及奈芙-施瓦茨（Neveu-Schwarz）5膜。这些延伸的客体都是矢势电磁场微分推广形式的带电源。这些客体通过各种各样的对偶性彼此关联。类黑洞的黑p膜和D膜是等价的，都是弦的终点，这种等价性被称为规范-引力对偶性。对此等价性的研究已经引发了对强核力的基本理论——量子色动力学的新的理解。弦遇到D膜会展开为1维的开弦，否则形成紧化圈。弦的端点必须保持在D膜上，但它们可以在其表面滑动。

这段令人望而生畏的摘要不一定暗示着理论的缺点，相反，它反映了先进的工具如何能提供一些对理论的了解，而这些理论是多数人甚至所有人类无法轻易理解的。如果没有高等数学，弦论根本不可能出现。

如今，在科学的各个领域，研究者写出极少有人理解的等式是很普遍的事。在将来的某个时刻，没有人能理解写出来的等式——也许已经如此，这个想法并不离谱。当然，理解是一个程度问题，我们可以想象，一个领域的顶尖科学家只能理解他们研究成果中越来越少的部分。这确实有可能，因为这个成果是由一个团队研究出来的，对其他部分的理解将在其他研究者的头脑里，或者由智能机器产生。这和下面这种情形很像：在流水线上，没有人对于一辆汽车的原理有太多的理解，他们也不需要知道。亚当·斯密、弗里德里希·哈耶克、迈克尔·波兰尼都曾经强调过，随着市场经济的演化，到了某一个时刻，要理解生产的整体联系会变得非常困难，同样的话也可以用来描述很多科学分支。

总体上看，把握全局的困难反映在取得科学成就的人的年龄结构上。很多人认为，年纪更大的科学家不那么大胆，不那么有创意，在概念上具有更强的惯性。爱因斯坦曾经说过：“如果一个人在30岁以前还没有科学上的巨大贡献，那就永远不会有了。”这句话已经不再正确了（如果它曾经正确过的话），但爱因斯坦的话仍然有一定的道理。创新者通常在他们比较年轻的时候最有创意和革命性，随着年岁的增长，我们获得了智慧，却失去了一些观念上的锋芒，以及推翻旧有方式的意愿。我们最终得到的创新者在革命性上将不如从前，但因特网和以之为基础的创新是个例外，因为在这些领域年轻人仍然能很快到达前沿。然而，更多突破还是由年纪更大的，常常是中年的研究者们做出的，因为只有他们有足够的知识来进行适当的整体把握。

研究者布鲁斯·温伯格（Bruce Weinberg）和本杰明·琼斯（Benjamin Jones）分析了1900——2008年物理学、化学、医学领域的525名诺贝尔奖得主。所有领域都表现出这样的趋势：随着时间推移，开创性研究者做出获奖性研究的年纪都越来越大。

在1905年，典型的诺贝尔物理学奖得主取得突破的年龄是37岁，到了1985年，平均年龄变成了50岁。在化学奖上，同一时间范围内，这一平均年龄从36岁上升到了46岁。1905年以前，这些领域20%的诺贝尔奖都颁给了人们在30岁之前获得的发现。但是直到2000年，几乎没有任何这类年轻天才的研究获得诺贝尔奖。无论我们是否喜欢，突破性科学已经转入中年人的手中。

这些发展对于数学这类领域来说可能是个问题，因为它们相对来说更依赖年轻天才。如今，更好的学习机会意味着，掌握数学天才应有的知识会更容易，但要成为一个开拓性的数学天才则更加困难。也许等你在30岁到达知识前沿的时候，你已经失去了一些敏锐度。

我们需要慢慢接受这些趋势，也许不能改变它们，甚至不应该去尝试改变它们。正如我提到过的，现状以及可能的未来方向蕴含着一些有利因素，例如科学交流与合作更加便利，获得科学材料更加容易，更强的计算能力，智能机械的广泛使用，以及更多人将得到从事科学工作的机会，包括来自中国和印度的人。毫无疑问，这些发展所带来的好处绝对能够补偿专业化带来的问题。无论如何，我们都不可能再像欧几里得时代一样，单凭一本书或者一组讲课笔记就能改革或创造整个领域。这在本质上是一种进步，但这是一种不寻常的进步，它的运作在很大程度上超越了人类正常的理解途径。

这种进步的一个问题是，它很难被管制。这不仅是指政府的管制，而是指更广义的管制。在很多科学领域，科学行政人员、慈善家以及政府官员要想了解正在发生的事将会越来越难。科学的神秘性将使信任肩负起更大的重担，无论是对特定机构、科学家还是诺贝尔奖之类的奖励结构。对谷歌的信任呢？人类整体智慧将储存在科学系统里，而不是个人的头脑里，但是当我们需要一个特定个体来决定系统内的资源分配时，这种情况就会引起问题。将来的科学将更多的是一个自发的秩序，而不是被规划或者能轻易设想的社区，其原则也不能被轻易阐述或解释。

大部分现有的科学研究看起来都像是“人类指导电脑来协助人类做研究”，但我们将会更接近“人类为电脑提供数据，让它自己做研究”以及“人类解释电脑的研究”。电脑会在实际工作中变得更富主导性，人类将成为技术进步的辅助者而不是推动者。

一台智能机器也许会提出一个新的宇宙学理论，可能没有人能理解或阐释这一理论。也许它会涉及无法想象的空间维度或者对时间的非直观理解。机器会告诉我们这个理论有很好的预测能力，而且至少我们能用另一台智能机器来检验这一台机器提出的理论预测。但是，作为人类的我们将不能很好地理解这个理论意味着什么，甚至最好的科学家也只能掌握智能机器研究的一部分。这就像试图对一个5岁小孩解释化学元素周期表。也许你可以办到，但不太可能让他形成对现状清晰而直观的理解。

对更好科学的追求将会鼓励这种变本加厉的晦涩。机器智能在人类已经能很好理解的任务和计算方面不那么有价值。他们或许能更快地完成这些任务，但很大一部分潜在收益都来自用机器解决人类根本不能解决或理解的问题。这就是劳动分工和互补性，一旦智能机器加入进来，劳动分工和互补性都会使科学成果远离一般人的理解。

在哪种意义上难以理解，将取决于具体的学科。有的学科，例如宇宙学，试图（在做其他事的同时）构建一个宏大的包罗万象的理论。可能没有人能轻易理解最好的宏大理论，因为这个理论太复杂，太高级，或者这个理论的范畴离我们的日常生活经验太过遥远。

很多正规科学并不符合这个模式，例如当研究者们集合起来，提炼关于某种海星消化系统的数据时，或者当他们研究一座火山的岩浆时，等等。对这些情况来说，无论有没有智能机器，可能都不会有任何宏大理论出现。相反，会有更多数据搜集和假设检验，还有对现存知识的缓慢精炼与改进。知识分工也会增长。要想对现有海星消化系统的科学进行全面掌握会变得困难很多，但通过网络，你会更容易查到这个领域的任何细节知识。未来将会有很多唾手可得的“微理解”，但普通人也能掌握的全局性观点将会变少。

其他人类科学知识会变得非常实用主义和预测导向，而且目的都是为了改善我们的生活，这些都是有利的发展。不过，作为整体世界观的科学就不总是振奋人心或发人深省了。受过教育的普通大众将在某种程度上被关在对世界的科学理解之外，而且我们还面临着这样的风险：他们可能会放弃对科学逻辑的长期忠诚。

从好的一面看，受教育程度比较高的那些非专业人士已经开始再次与“实践”科学建立起更紧密的联系，即使他们对整体理论并没有很好的理解。想象一个业余爱好者用其天文望远镜和电脑来探索星空，寻求新的发现，他并不需要对超新星和黑洞有很深的了解。想一想业余观鸟者对鸟类学数据和研究的重要性，还有那些把家庭电脑的一部分用于科学项目的非专业用户——是的，这样的事已经在发生了。人们同时也在为科学和医学的研究提供健康、饮食及宠物行为方面的个人数据。对大量这些数据样本进行整合与处理的科学被称为“市民科学”，这已日益成为一种发展趋势。

至于市民与科学的关系问题，我们将会逐渐变成实干家和参与者，而不是明白的观察者。

就目前来说，我们并没有多少超越人类理解能力的宏大理论。因为只有人类能提出理论，这些理论都至少在部分人类的理解范围之内，虽然这部分人的聪明程度和受教育程度往往高于平均水平。一旦智能机器开始提出新的理论，这一限制就将消失，而且总有一天可理解性将成为遥远过去的遗产。我们不应该假设自己现在就知道哪个科学领域会发展成平常的数据搜集，哪个领域会因为智能机器而发展出激动人心的宏大理论。海星的消化系统可能正好是我们看不到规律性而机器看得到的领域，如果是这样，机器将会提出一些相应的——但对我们来说是无法理解的——复杂理论。

我们将会越来越多地发现科学中日常数据搜集的那一面。科层制和科学数据搜集将会显而可见，正如我们手上设备的使用方法一样。但这类中间层次的知识——科学作为受过教育的非专业人群通过理论来理解世界的一般途径——将会在21世纪的某个时刻开始减少。

学术界的人通常都特别关注自己的领域和专业，因此请容许我暂时把注意力放在我从事的科学上，也就是所谓的“沉闷科学”。

在过去10年里，经济学的关注重点发生了很大的变化，这一变化主要是由网络公司而不是学术研究者引起的。当网络公司揣摩商业模式或试图面向消费者进行营销时，他们倾向于使用大量原始的、相对来说较少经过筛选的数据。很简单，他们这么做是因为他们有能力这么做。脸书、谷歌、亚马逊及其他公司都有大量高质量的信息，比大多数经济学家习惯使用的还要多。而且当他们处理这些数据时，采取的角度相对来说不会那么理论化。他们“吞咽”这些数据，于是就有了我们称之为“大数据”的巨量资料，引发了下一次商业革命，也就是对电子通信所产生的数据进行统计分析。

这些公司在处理数据时，对结构理论模型持有很大的怀疑。他们打算对数据进行适当的编码，并且以有用的方式重新组织，但他们并不试图从“关于人们为何使用谷歌的琼斯模型”或者“关于人们在亚马逊上购买什么图书的布朗模型”出发。他们直击数据，并试图在可能的地方找到解释力。

经济学研究领域最近也在跟随网络公司的步伐：使用大量的数据以及相对较弱的理论结构。强大的数据吞咽能力和小心细致的数据搜集正在将理论直觉挤出研究过程。我们还没有抛弃所有的模型，因为有一些模型是我们深信不疑的。例如，在其他条件不变的情况下，当价格上升的时候，人们通常会购买较少的产品和服务。但那些都是古老的理论，实际行动和新增价值都来自于数据以及对数据的处理，包括从田野实验中得到的数据、实验室数据及随机控制试验的数据。背后的模型并没有取得同等程度的发展，而且，对于典型的经济学研究者来说，即使背后的模型变得更复杂，它们通常也不会更有说服力。

我会把综合趋势总结为以下几点：（a） 更好的数据;（b） 对实证检验的要求更高;（c） 会有很多新增的复杂理论，但其影响没有相应的增加。如我们所料，作为一个多样化而且专业化的领域，经济学中的数学经济学、计算经济学、复杂经济学及博弈论都在继续发展，但他们的影响力在相对减弱。经济学越来越不像爱因斯坦和欧几里得的理论，而更像是对海星消化系统的研究。

如果最近还有任何发挥重大影响的经济学家的话，那就是埃斯特·迪弗洛（Esther Duflo）和阿比吉特·班纳吉（Abhijit V.Banerjee），还有他们在MIT贫困行动研究室（the Poverty Action Lab）的同事，我曾经在印度海得拉巴（Hyderabad）参观过他们的研究项目。该项目涉及数万名实验对象，其中一些可以得到小额贷款。这两组人是从大致可比的社区中抽取出来的，研究目的则是比较小额贷款到底会给人们带来多大好处。几十名助理组成的团队会帮忙从借贷者那里搜集数据，数据跨度包括他们开始（或者没有开始）小额贷款项目之前及之后。数据信息包括收入、新工作或生意、无法偿还贷款以及很多他们日常经济生活的其他特征。基本问题很简单：那组能得到小额贷款的人是否做得更好？研究结果是他们更有可能自主创业，于是一篇经典论文诞生了。大多数人认为，这是除了耶鲁大学迪恩·卡兰（Dean Karlan）的大规模随机控制试验之外，关于小额信贷的最重要的研究。比起从政府机构获取公开数据，在不需要担心数字的质量或者含义的情况下进行回归，这是一个很大的进展。设计整个田野实验也是一个独特的人类贡献，这与任何可以用智能机器进行复制的任务都大不相同。

在经济学之外的领域，电脑程序会从大量数值中寻找规律并汇报结果，其方法的复杂程度超过了当今实证研究者的能力。你可以想象它们从社交网络的大量个人资料中采集数据，从而看到音乐品位在多大程度上能被性别、年龄、居住地所解释。这些程序将确认我们已经相信的联系，发现我们还没有看到的联系，也许还会生成一些我们预料之外的假设。经济学还没有发展到这个地步，但也许在未来50年内，这类尝试就会取代经济学家对理论模型的依赖。与我们最好的模型的力量和质量相比，数据的力量和质量的增长速度很可能快得多。

当今社会科学中的理论建设类似于“前深蓝时代特级大师的直觉”。创建模型一直以来都是非常有用的方法，事实上现在仍然很有用，因为社会科学的“深蓝”还没有出现。

在经济学界，尽早使用机器智能将会加深我们对一些经济学现象背后基本规律的理解。我们对金融危机的前兆、超额股票回报的预兆、有利于经济发展的文化因素等问题都会有全新的和更精确的理解。我们对自认为已经知道的东西会更有信心，同时也会在边际上对知识做一些修正。在更久以后，随着数据质量的提升和数据采集点的剧增，机器智能可能会告诉我们哪种管制和货币政策的结合将会导致金融危机（当然它也会给出一个特定的置信度），而我们可能并不知道这是为什么。我们会查看机器的推理，但数据量会过于庞大，而模型也会过于复杂，以至于我们不能很好地理解。我们会知道如何往机器里输入数据以及如何使它们互相检测，我们也会知道如何使用它们得出的结果。但同时，我们将不再理解科学的所有组成部分，也将不再理解这些预测是如何得出的。只有机器能用自己的方式涵盖整个理论及其检验。

机器将会最终侵占所有或者大部分经济学家的功能。未来的社会科学家将不再是创建理论，用数据检验理论，并且写出结果进行发表的独立主体。他们将越来越多地与计算机的能力合作，并且专注于对程序主导的进步进行补充。他们发表的一些概念可能仍然存在，但研究成果的输出形式将是标准化而且可以由机器解读的。我们将不再“阅读论文”，而是让程序输出元分析结果，并回顾迄今为止的研究成果，就像“里布卡”输出对棋局的评价一样。过去曾经是杂志文章的东西将会变成程序的输入内容。“专家”也许是那些受过训练从而能解释机器输出结果的人，或者是能够把数据变成机读形式的人，而不是真正做出估计的人。

这就是未来50年经济学可能遇到的最大挑战。说起“新范式”，很多人会期待下一个马克思、凯恩斯或者哈耶克。即将到来的变化将比这更剧烈，也将挑战科学家与他的专业之间的关系。真正的变化将是，个体科学家成为附庸。

经济学是社会科学中受电脑影响最大的一个学科，我在经济学中已经看到了上述趋势的先兆。新培养出来的博士候选人非常善于处理数据，但他们中的很多人并没有多少微观经济学直觉。你可以问他们一些很简单的微观经济学问题，类似于芝加哥大学用来测试本科生的那种题目，你并不会得到很好的回答。如果你问劳动力市场上的应届博士毕业生：“在什么条件下允许而不是禁止品牌购买超市里的货架会对消费者有利？”很多情况下你得到的回应将是迷茫的眼神。这是纯粹的微观经济学逻辑问题，而且在结构上非常基础（这并不意味着简单），但学校对这些技能的培训已经大不如前了。这些在微观经济学直觉问题上失败的人，可能非常擅长计算机编程或者把数据处理成可用形式。总的来说，这一学科正在培养越来越多一流的实证研究者，但最近20年甚至更长时间以来，理论并没有太大进步并日益被人们所忽略。

硬要说有什么发展的话，在发展经济学和劳动经济学这类领域——两个都是日益重要的数据主导的领域——影响深远的变化就是，人们使用的理论比20或30年前更简单。简单的理论才能让我们利用电脑的数据分析能力，或者让我们设计即时可行的田野实验。从这个意义上来说，经济学的发展道路与理论物理学、天文学大不相同。真正引起反响的经济学理论会变得更简单，而那些更复杂的理论虽然还没有消失，却正在失去广泛的影响。

如今，大多数宏观经济学的前沿问题都不会给自己贴上“凯恩斯主义”“货币学派”或其他任何与某个思想学派相关的标签。运用数据被认为是主导性原则，而对某个关于深层经济学结构的特定模型过度忠诚，会被认为是有问题的。

如果我在2013年左右读到一篇重要的经济学论文，它很有可能是基于一个聪明地获得或生成新数据的方法，而不是一个新的理论想法。数据搜集当然是服务于数据吞咽的，这也是机器智能还完全不能处理的任务。电脑不能在一个卢旺达的村子里与人交谈，也不能理解应该问出什么问题，更不会记录下人们的回答并把他们整理成可用形式。

要想看到理论工具的减少，有一个方法是观察近期一些主要经济学家的研究生涯。史蒂文·列维特（Steven Levitt）写了很多关于婴儿名字、运动以及教师是否作弊问题的论文，这都是教育社会学和其他领域的经典问题。即使传统的交换和金钱逻辑都不适用，诺贝尔奖得主加里·贝克尔（Gary Becker）仍然花了几十年时间研究家庭行为。心理学家丹尼尔·卡内曼（Daniel Kahneman）获得了诺贝尔经济学奖，而且有越来越多的经济学研究来自法学院。保罗·克鲁格曼非常明确地表示他将主要致力于更简单的模型。政治科学领域的很多前沿研究都是由经济学家做出的，虽然是以“公共选择”或是“政治经济学”的名目。我们离一个事实上大致统一的实证社会科学已经不远了。在这样的社会科学里，研究者们会花费大量精力学习实证研究的技术，然后只用很少的一点精力来学习围绕他们研究领域的简单理论。最后，他们会把研究时间用来寻找新的数据或试图创造这类数据，无论是通过观察还是实验室和田野研究。

那些偏好更直观方法的经济学家将以完全不同的方式在这个领域生存下去。他们将更少专注于原创性研究，但会成为其他人研究成果的交流中心以及评价者。他们会翻译研究成果，不只是为了更广大的公众，而且是为了经济学专业的内部成员。从本质上来说，这些人会像自由式象棋选手安森·威廉姆斯那样坐在电脑前，消化不同来源的信息。他们会不断锻炼自己寻找、吸收和评价信息的技能。虽然他们并没有一流的研究成就，但在判断一个特定经济学命题——用象棋的语言来说就是“着数”——的正确性上，他们将会异常高明，甚至比很多诺贝尔奖得主还要高明。他们将成为翻译者，翻译那些来自我们的机器世界的事实。

这些自由式研究者将引领一个全新的“做”经济学的方法，以及对成为经济学家甚至是科学家意味着什么的全新看法。他们的收入会很高，也会有一定程度的公共声誉，而且他们的数量会大量增加，虽然他们的日常任务将越来越不同于该领域正常的科学研究行为。

至少在短期内，他们将会是仅存的可以清楚把握全局的人。