法国西部天主教大学经济学教授卡尔-弗里德里希·伊斯雷尔（Karl-Friedrich Israel）本周二9月22日在《地缘政治情报服务》杂志发表评论指出－－北京正在把自己的科研体系变成一场实验，以检验人工智能能否弥补中央计划的不足。但他认为，中央集权式发现不可能取得成功：

简而言之

• 北京正在把人工智能智能体和自动化嵌入科学研究之中

• 中央计划者设定目标，从而缩小研究范围

• 最可能的结果是进展加快，但不会出现范式转变

人工智能有望通过识别海量数据集中的模式、生成假设以及实现实验自动化，加速科学发现。中国正试图通过一项协调一致的全国性行动来利用这些能力，将大学、国家实验室和科技公司与产业政策连接起来。这场行动构成了一次异常雄心勃勃的检验，以确定科学进步——并最终确定经济进步——是否能够由政治权力中心组织起来。

当某一具体目标得到明确界定，而且机会成本被排除在考量之外时，中央集权可能具有优势。在这种情况下，政府往往能够比任何私人机构更加容易地调动实现这一目标所需要的资源。然而，科学发现本质上具有不确定性。突破往往来自思想竞争、非传统观念以及那些其价值无法预先得到确认的实验。因此，那些有利于协调并为特定目的集中资源的中央集权机构，同样可能抑制创新赖以存在的开放性和冒险精神。

中国的这场实验将有助于确定人工智能能否缓解这种矛盾。它可能使国家能够更加有效地指导研究——也可能仅仅沿着政治当局选定的道路加速知识生产，同时让更富有成果的道路无人探索。

定向科学发现的局限

各国政府已经反复证明，只要预期结果足够明确，它们就能够加速特定领域的技术发展。核武器、太空飞行和疫苗都需要公共资金、制度协调以及把资源集中于一个明确目标。中央指导能够克服短期政治和商业时间表的限制，为任何一家单独公司都不会建设的基础设施提供资金，并协调那些工作依赖其他领域互补性进展的研究人员。

当目标已经明确时，中央集权模式运作得最好。一旦决策者知道自己试图实现什么目标，他们就可以设立里程碑，并奖励可以衡量的进展。然而，科学发现往往在目标本身或者衡量成功的适当标准得到明确之前就已经开始。研究人员无法可靠地预测哪些问题最终会变得重要，哪些实验的失败会产生有价值的结果，或者哪些看似不切实际的想法会获得出人意料的应用。

这给中央集权的科研体系造成了一个根本性的知识问题。管理者必须根据只有在研究完成之后才能得到验证的判断来分配资源。因此，政治优先事项、专业共识以及容易衡量的产出，往往会决定哪些项目能够获得支持。反过来，研究人员也会调整自己的工作，以适应机构用来评价他们的指标。论文发表目标、专利数量以及官方确定的优先领域，可以产生数量惊人的活动，同时却会抑制那些其价值很难事先得到证明的探索性工作。

中央集权还会放大错误的代价。在一个分散式体系中，大学、公司和单个研究人员可以探索相互竞争的假设。其中大多数都会失败，但这些失败的影响仍然受到限制，而成功的方法则可以吸引更多资源。相比之下，中央的一项错误决定可能会把整个科研体系引向一条毫无成果的道路。等级制机构可能会使纠正错误变得更加困难，因为研究人员有动机去证实那些控制其资金者所作出的假设。

人工智能可能改变这种平衡。能够处理科学文献、分析实验数据和生成假设的模型，或许能够帮助政府更加准确地识别有前景的研究。自动化实验室可以测试大量可能性，从而降低实验成本。共享的计算和数据基础设施也可能使协调变得更有价值，从而强化建立大型国家计划的理由。

但是，人工智能无法消除对于哪些发现最终会具有重要意义的不确定性。如果研究人员利用相同的知识体系训练相同的模型，并引导它们朝着中央选定的目标前进，人工智能甚至可能强化趋同。在这种情况下，人工智能会加速研究，却不会扩大正在探索的思想范围。

因此，决定性的区别并不在于政府参与和完全私营的科研体系之间；国家一直在科学研究融资方面发挥重要作用。真正的区别在于，是支持多样化的实验探索，还是以让其他道路无人探索为代价，把研究导向预先确定的结果。中国将人工智能融入科研的行动，将检验这种新技术能否缓解这一权衡。

中国将这一理论付诸检验

中国具备许多使中央协调的科学研究有效运作所需要的条件。中国政府能够把资金引导至战略性产业，把大学和国家实验室与科技公司连接起来，并支持那些其成本足以令规模较小的机构望而却步的基础设施。中国科研体系的庞大规模进一步强化了这种能力。根据2026年《自然指数》，在其追踪的顶尖期刊科研产出方面，中国位居全球第一，在化学、材料和应用科学领域尤其具有优势。

人工智能已经成为这一体系中日益重要的组成部分。教育部与另外四个部门联合发布的2026年“人工智能+教育”行动计划，提出建设科学智能体、跨学科研究平台、智能实验室以及自主实验集群。该计划还设想建立一个全国教育算力平台，为大学汇集算力、数据、模型和工具。地方举措对这一国家战略形成补充。北京和上海正在发展各自的人工智能赋能科学计划，而由上海人工智能实验室及其合作伙伴开发的一个平台，则整合了400多个科学模型和工具。

事实与数据

顶尖科学期刊的科研产出

这种方法可能使中国在那些问题可以得到明确界定、进展可以得到衡量的领域获得优势。人工智能系统可以筛选潜在材料、模拟天气模式、寻找候选药物并优化工程设计。随后，自动化实验室可以在有限的人为干预下开展实验。中国的制造业基础提供了另一项优势：有前景的成果可以在生产过程中接受检验，并通过实际应用得到改进。因此，中国可能缩短连接科学研究、技术开发和工业应用的周期。

然而，这一战略仍然复制了中央集权所面临的困境。政府不仅仅提供共同基础设施；它还规定各机构应该追求的技术目标。资金集中于与经济安全、军事力量和技术自主有关的领域。这可以刺激特定领域迅速取得进展，但同时也会鼓励研究人员遵循官方确定的优先事项，而不是对其提出挑战。当大学、实验室和公司都对相同的信号作出反应时，表面上的协调可能掩盖正在研究的问题范围不断缩小这一事实。

人工智能无法消除对于哪些发现最终会具有重要意义的不确定性。

对先进芯片实施的出口管制使这个问题更加严重。计算能力十分稀缺，而稀缺的计算能力更有可能被分配给官方指定的优先事项，而不是交由自由竞争的力量决定其去向。

中国已经经历过科研激励机制扭曲所造成的后果。自2020年以来，中国政府一直试图降低科研评价中对论文发表数量、期刊排名和专利数量的重视程度。这些改革本身就等于承认，中央强制规定的指标可以制造出大量产出，却未必带来与之相应的知识进步。人工智能可以通过改善评价并发现有前景的研究来缓解这一问题。然而，它也可能使量化监督变得更加无处不在，并奖励那些最容易衡量其成果的项目。

因此，中国的这场实验不太可能对国家主导的科学研究得出一个简单结论。它最大的优势可能并不在于产生截然不同的新思想，而是在于更加深入地探索预先确定的道路，并更加迅速地把科学发现转化为实际应用。即使如此，这仍然会产生深远的经济和地缘政治后果。问题在于，人工智能能否把这种优势从有组织的技术开发扩展到更加难以预测的基础科学发现领域。

情景

中国这场实验能否成功，不仅取决于其人工智能系统的能力，也取决于部署这些系统的制度环境。

最可能：选择性加速

在最可能出现的情景中，人工智能提高中国科研的生产率，却无法克服中央指导的根本局限。共享模型、计算基础设施和自动化实验室，使研究人员能够测试更多可能性，并更加迅速地把有前景的成果投入工业生产。在材料、能源技术、制药和工程等领域，中国取得尤其迅速的进展，因为这些领域的目标相对明确，而且中国的制造能力能够提供即时反馈。

西方国家在某些基础研究领域仍然保持优势，因为它们更加分散的制度能够维持范围更加广泛的相互竞争的思想。尽管如此，中国缩短了具有战略重要性的产业中的创新周期，并且更加有效地把现有知识转化为经济和军事能力。中国的实验表明，中央集权体系可以非常擅长应用和扩大科学进步的规模，但未必擅长首先产生那些影响最为重大的发现。这种情景发生的概率为50%。

较有可能：趋同加速

在这种情景中，人工智能放大了中国科研体系的弱点。大学和实验室采用类似的模型，使用相同的数据集，并追求由政府机构选定的优先事项。自动化实验增加了研究成果的数量，但有缺陷的假设和低质量的数据在整个体系中扩散。研究人员学会迎合人工智能辅助的评价机制，就像他们此前学会适应论文发表和专利目标一样。

报告中的生产率上升了，但重要发现并未出现与之相当的增长。政治压力使各机构不愿承认令人失望的结果，因此资源继续投入失败的项目。对国际科学交流以及获取先进技术的限制进一步加剧了这些问题。中国继续产生大量附加价值很低的研究成果。这种情景发生的概率为40%。

最不可能：中央集权式发现取得成功

在一种对中国而言乐观但最不可能出现的情景中，人工智能大幅缓解科研规划者所面临的知识问题。科学智能体发现不同学科之间的联系，而自主实验室则探索足够多的替代性假设，从而在中央选定的研究项目内部保持实验的多样性。当局同时改善科研评价，并给予领先机构更大的自由度，让它们自行决定如何实现国家目标。

生物技术、先进材料或能源领域的一系列重大发现证明了这种方法的有效性。由于中国能够把实验室与产业连接起来，突破性成果实现商业化的速度比西方更快。其他国家政府则通过建立国家科学平台并更加密切地协调科研活动作出回应。中国的成功将表明，人工智能已经改变了中央集权式动员与分散式实验之间的平衡，使国家能力成为科学领导力日益重要的来源。这种情景发生的概率为10%。