认知价值的向上迁移
——以数学为例的AI引发的科学瓶颈迁移理论

人工智能通常被分析为一种扩展科学能力或替代特定研究任务的技术。本文提出了一种不同的视角。人工智能对科学的核心影响可能不仅仅在于机器变得能够做什么，而在于不均衡的自动化如何改变不同认知操作的相对稀缺性。我将这一潜在机制称为\emph{差异化认知成本压缩}。当人工智能大幅降低某一科学操作的成本，而互补性操作仍相对稀缺时，知识生产的瓶颈就会发生转移。因此，科学认知的边际价值会向那些仍然具有制约性的活动迁移。当被压缩得最强烈的是那些已在特定表征或理论框架内执行的任务时，这种迁移往往会趋向于对问题、抽象、表征、框架、解释和认知方向的高阶选择。我将这一过程称为\emph{认知价值的向上迁移}。

该理论并不假定这些高阶功能永远由人类保留。如果人工智能后来压缩了问题表述或框架构建，瓶颈就可能再次迁移。因此，所提出的机制是动态且递归的，而非关于一种不变的人机边界的主张。

数学提供了一个异常清晰的案例。数学活动结合了基于现实的抽象、形式约束、对现有形式结构的递归抽象、框架内推理以及高阶解释。近期的人工智能系统已大幅降低了日益复杂的数学搜索和证明的成本，而当代研究已经将问题选择和专家评审视为新兴瓶颈。陶（Tao）对从证明稀缺向证明丰裕转变的描述，抓住了这一过程的一种表现。本文扩展了这一见解，认为价值迁移既会向下游发生，趋向于验证、解释、整合和经典化；也会向上游发生，趋向于问题形成、抽象、框架构建和研究方向。

该框架为科学组织、培训、评估以及人工智能研究系统的设计带来了可检验的启示。更一般地说，它表明人工智能对科学的长期意义可能在于认知稀缺性所在位置的递归重组。