在宏观政策层面，国家对科技创新的重视已经提高到前所未有的高度，然而在微观实践层面，科技创新的表现却并不令人满意。笔者认为造成这种局面的根本原因是政策与实践之间出现了脱节。现在对宏观层面上的政策的阐释已经很多了，而对微观层面存在问题的关注却严重不足，中国科技发展遇到的底层具有共性的基础性问题就是知识的积累率与技术迭代不充分问题。为此，不妨借鉴美国Midjourney公司的成功经验对该问题进行深入探讨。

Midjourney公司创立于2021年8月，2022年7月12日进入公测后，不到一年便实现了1000万用户和1亿美元的营收。它的主营业务是AI绘图应用程序（AI image generation app），已经成为近年来高科技领域里的现象级企业。整个公司的人员只有11人，其中1位是创始人、8名研发人员、1名法务、1名财务。而作为中坚力量的研发成员，一半人员（4位）是尚未毕业的本科生（3位将于2023年6月份毕业，1位将于2024年6月份毕业）。创始人大卫·霍尔茨（David Holz）曾获得流体力学博士学位，有着丰富的成功创业经验，其他4位工程师都是具有多年从事相关行业经验的高级软件工程师，就这么简单的人员结构的科技企业却创造出一个神话般的奇迹，不能不令人震惊。坦率地说，就这种人员组成结构，在中国很容易找出与他们的智慧和能力相当的11个人，但我们却很难涌现出这样的高科技创新企业，问题到底出在哪里？透过这份耀眼的光环，我们不妨往回追溯，看看这家公司成功背后所依托的东西到底是什么，这些隐而不显的东西才是我们真正缺乏而且需要学习和培养的。

众所周知，美国于1946年2月14日在宾夕法尼亚大学制造出世界上第一台通用计算机“ENIAC”，在1966年设立了图灵奖，再到今天chatGPT的出现，近80年的时间里，计算机科学相关的知识积累得非常丰富，这期间有无数相关人才在该领域深耕，导致美国在计算机领域里的知识存量、研究深度、广度以及规模非常扎实，从而在这个领域的知识积累率非常高，在此基础上形成的技术迭代也非常充分，符合技术进化的常规模式。按照美国技术专家凯文•凯利（Kevin Kelly）的说法就是递增的“专业性”，即随着时间的推移，专业性的程度也提高了，进而朝着更细化的方向迈进。由此，“复杂性就是这样依靠叠加而不是改变其基本结构而累积起来的。”^[1]

如果说美国计算机发展史只是说明了相关知识的积累率，那么新知识的开拓就是积累中的创新。图灵奖是全球公认的计算机领域的最高奖项，代表计算机领域的最杰出创新成就。截至2022年，在76名获奖者中美国有54人荣获图灵奖，占获奖总数的71%，由此可见，在计算机前沿领域美国实力雄厚。再深挖下去，就会发现每位获奖者周围都有很多同事与团队，这意味着计算机知识在以分布式存在的众多从业者中有很好的交流、吸收、完善与提升，知识本身的内涵、缝隙与短板在这看似平淡的众人缓慢推进中，得到全方位的加强、弥补与推进，从而最大限度夯实了计算机知识的基础，同时也提升了知识吸收与迭代的速度与质量，也许更重要的是，在这个基础上一些计算机领域的真正前沿问题得以逐渐明朗化，从而吸引更多有才华的人进入这个细分领域，进而形成突破。千万不要小瞧这种看似缓慢的累积性进步，它为后续的发展提供了坚实可靠的基础，后来者不用再去逐一试错，这是巨大的成本节省（学习成本与鉴别成本），从宏观来看，这就相当于提高了行业的整体知识水准线以及进步速度。

我们再来看一组数据，据中国科学技术信息研究所的数据显示，2021年中国发表的国际高水平期刊论文中计算机科学发文5382篇（世界计算机高水平论文总数为12145篇），中国占了计算机领域国际高水平论文的44.31%，世界排名第一。如果仅从这组数据我们似乎可以说中国在国际计算机领域已经领先，但是现实状况似乎又不是这样，比如今年初由Open AI公司推出的chatGPT引发了整个世界对于新科技革命的期待，随后我国有多家公司开始推出中国的大语言模型，但是，无一例外，现在推出的所有产品跟chatGPT相比都存在明显的代差，这是很吊诡的现象：一方面我们的计算机科学论文在产出方面国际上领先，另一方面，在计算机应用领域的创新表现却远不如美国公司。问题就出在知识累积率与技术迭代的充分性有差异。

虽然近年来中国在计算机科学论文产出方面的表现越来越优秀，但毕竟起步较晚，知识存量还不够丰富，仍处于快速跑马圈地阶段，很多基础性知识还没有来得及深耕，仍处于知道阶段，离真正了解和应用还有一段距离。作为对比，中国被世人称作“基建狂魔”，其实哪里有什么狂魔，只要把这个发展进程倒带回放，我们就会看到，建立新中国以来，我国几乎每所大学都有工民建专业（工业与民用建筑专业），经过几十年时间在此领域的持续深耕积累了丰富工民建知识，同时，这几十年下来也培养了大量的相关人才，由此造就了中国在此领域具有较高的知识积累率，在此基础上形成的技术迭代自然比较扎实与充分，在时间与人员冗余两项条件的加持下成就了中国的基建奇迹。

结合上述两个案例，我们可以得到两个明确的结论，其一，中国科技的知识积累率还不高，导致由死知识到活知识的转化效率还较低，更为严重的是，由于新知识供给不足，导致存量知识水准停滞不前并由此带来耗尽知识储备的困境，即常识性知识的无限稀释带来的再生产能力快速下降现象，这就如同一群中学生也不如少数几名大学生更能促进知识增长；其二，基于知识积累率的差异，导致在技术迭代升级中存在明显的迭代不充分问题，迭代不充分带来的后果就是技术进化被锁定在低水平技术上，很难突破。在低知识积累率基础上衍生出的高技术存在诸多堵点，导致目标功能无法实现。知识积累率与知识存量的规模、发展时间密切相关，它与技术迭代是深度递归关系，在此基础上才能形成特定的科研创新生态位。

知识积累率，即对已有知识的实际消化吸收程度，关于知识积累率有两点值得全社会高度关注，其一，知识积累率与知识内涵展开时间密切相关。任何知识内涵的充分展开都需要在时间的延展中完成，没有快车道和捷径；其二，相关科研人员的冗余原则有助于提升知识积累率。即在某一领域有超过必要需求数量的冗余科研人员在同一片知识领域里持续深耕，通过持续的人员投入强度让现有知识的内涵得以充分挖掘以及新前沿的开拓，以此促进知识的消化与吸收。知识的积累率越高，知识的有效利用能力也就越高。当下我们遭遇到的问题是，前期知识库存比较少，面对追赶形势，对于任何新知识我们都是快速扫过，来不及深挖，生怕赶不上热点，一旦热点退潮，马上转移阵地，原有的热点再也无人问津，或者人员严重不足，试想那些曾经出现过的热点知识又有多少得到我们的持续深耕，更谈不上深刻的理解，回顾一下这几年走马灯似出现的热点如石墨烯、区块链、元宇宙等，哪一个不是水过地皮湿，热闹过后，对那些知识的丰富内涵我们仍然缺少全方位的揭示与实质性的推进，无数人仍在等待下一个风口。知识的积累率实质上体现了知识生产与生长的生态系统健康与否的一种直接表征。

从宏观层面来看，时间与人员冗余原则会导致知识领域的细分，在微观层面就是专业化程度的提高，导致科技的进化朝着更细化、更专业的方向发展，从而促成技术迭代的每个层级都得到了充分发展，诚如凯文·凯利所言：“进化随着时间的推移而进行，因此进化本身的多样性、复杂性和进化力也增长了。”^[1]

在知识有效积累的基础上。技术迭代才会成为技术进步的阶梯，否则，在存在诸多缺陷的底层技术间迭代，其后果就会造成整个技术体系存在累积性缺陷，导致技术系统功能无法实现。其实这个现象很好理解，一项项有缺陷的技术如同积木一般，当积木越积越高的时候，那个积木体系的缺陷就会被放大，最后导致整个体系的崩塌，道理就在于各层级技术的完善程度。按照美国技术史家布莱恩·阿瑟（W. Brian Arthur）的研究，技术发展有两种路径：“内部替换和结构深化。内部替换是指用更好的部件更换某一形成障碍的部件，结构深化是指寻找更好的部件、材料或者加入新的组件。”^[2]如果技术体系是通过技术模块组合构建起来的，那么这个嵌套结构必须从简单的局部控制中衍生出分布式控制，必须从已有且运作良好的简单系统上衍生出复杂系统。从对技术史的考察可以发现，无论是内部替换也好，还是结构深化也罢，其基础都是前期的知识积累率问题，从这个意义上说，只有在时间和科研人员冗余两条原则的加持下，知识才能得到充分挖掘，基于此技术迭代才会逐级升高，并成为技术进化的主导模式。

在创新驱动发展战略与科技自立自强理念逐渐为人们所普遍接受的今天，告别宏大叙事，走向具体的微观进步，利用我国人才数量较多的优势，以及时间的积累机制，通过加强基础研究的路径选择（知识的持续供给），再辅以去四唯/去五唯的科技评价体制改革，我们要做的只是去除浮躁心态、一步步脚踏实地地去做好每个领域的知识深耕，提高知识的积累率，真正把知识从知道转变成理解再到深化，如果能理顺这个关系，再加上基于结构功能主义的理念对科技资源配置进行优化组合，假以时日，相信我国科技界会涌现出取之不竭的创造力。