科學研究的核心目標是探索自然與社會的客觀規律，但這一過程并非簡單的線性推進，而是充滿挑戰、修正和優化的曲折歷程。歷史上，科學的每一次重大突破，往往源于不同學派或研究者之間的激烈論辯。而對抗性合作（Adversarial Collaboration），便是讓持對立觀點的科學家共同設計實驗、檢驗理論的研究模式，正是推動科學進步的重要引擎。

在這一過程中，貝葉斯推理（Bayesian Inference，通過概率更新逐步逼近真相）、證據積累（Evidence Accumulation，通過多次實驗驗證理論的穩健性）、證偽（Falsification，通過實驗推翻錯誤假設）以及模型比較（Model Comparison，在多個理論中選擇最優解釋）等方法是科學家們不可或缺的工具。這些方法不僅提升了研究嚴謹性，還幫助科學家在復雜環境下做出更可靠的判斷。

歷史告訴我們，個人對真理的求索難免陷入單一視角的局限，而在多元觀點碰撞與融合，往往讓我們離真相更近一步——這也是對抗性合作的獨特價值。

?圖：傳統競爭模式與對抗性合作模式的對比。圖源：李恒威

對抗性合作的經典案例

對抗性合作在物理學、生物學、心理學、神經科學等多個領域都有體現，是當今主要的科學研究范式之一。它區別于傳統的競爭性研究，后者往往導致研究者在各自的領域內固守己見，缺乏相互交流和理解。

在近代，對抗性合作最經典的案例是愛因斯坦與玻爾關于量子力學的爭論。愛因斯坦主張量子力學不完備，希望找到確定性的、局域實在的解釋。而玻爾支持哥本哈根詮釋，認為量子力學是完備的，測量會不可避免地影響結果。在1927年的索爾維會議上，愛因斯坦提出了一系列思想實驗，如對雙縫實驗的詮釋，試圖證明量子力學的不完備性，玻爾則嘗試利用不確定性原理解釋愛因斯坦的“光子箱”實驗，證明測量本身影響了量子力學的內在特性。

1935年，愛因斯坦與波多爾斯基、羅森提出EPR佯謬，將波瀾推向高潮。玻爾迅速回應，指出EPR實驗并未違背量子力學，而是與量子糾纏的非局域性效應相關。20世紀60年代，約翰·貝爾（John Bell）提出貝爾不等式，隨后又有實驗（如阿斯派克特實驗）證實了量子糾纏的真實性。這一系列的理論和實驗推動了量子力學基本理論的發展。如今看來，雖然愛因斯坦和玻爾在量子力學的詮釋上存在重大分歧，但他們之間的相互挑戰，反而推動了量子力學的發展。這種互動一直被視為對抗性合作的典范。

再看化學史，18世紀的安托萬·拉瓦錫（Antoine Lavoisier）與格奧爾格·斯塔爾（Georg Stahl），也同樣上演了一場勢均力敵的“思想對決”。那時，化學家對燃燒過程的解釋主要有兩個理論：斯塔爾的燃素說——認為物質燃燒時釋放“燃素”，以及拉瓦錫的氧化理論，認為燃燒是物質與氧氣發生了化學反應。

斯塔爾的支持者進行實驗試圖證明燃素的存在，但未能找到獨立存在的燃素物質。拉瓦錫則通過密閉燃燒實驗發現燃燒時質量不減少，并以此推翻了燃素說。1777年，拉瓦錫發表論文指出燃燒是氧氣與可燃物質間的化學反應，促進了質量守恒定律和氧化還原反應理論的發展，現代化學理論得以確立。

目前，意識研究也掀起了對抗性合作熱潮。意識理論層出不窮，但大多各說各話。鄧普頓世界慈善基金會基于對抗性合作的理念，出資2000萬美元，發起了一項名為“加速意識研究”的計劃。目前，該計劃正在檢驗全球神經元工作空間理論（GNWT）和整合信息理論（IIT）相矛盾的預測。GNWT主要認為意識產生于大腦中信息的全局廣播，意識的某些方面可以在前額葉皮層表現出來；而IIT則認為意識是系統內部信息整合的結果，后皮層腦區會有持續的同步活動。項目選擇了全球六個實驗室共同設計實驗檢驗方案，在實驗的第一階段，IIT小勝。除此之外，加速意識研究計劃還在籌劃開展另外4個對抗性合作項目，包括GNWT與IIT的動物模型實驗、一階理論與高階理論對比、IIT與預測加工理論對比、協調客觀還原理論與IIT對比。他們期待，借由這個項目，將“解決意識之謎需要的一百年，縮短到五十年”。

?通過對抗合作測試假設。圖源：Lucia Melloni, Liad Mudrik, MichaelPitts, Christof Koch

另一個案例是可變剪切與“垃圾DNA”的論爭。20世紀后半期，生物學界普遍認為人類和高等生物基因組中大量DNA是沒有功能的“垃圾DNA”。另一派科學家則認為，這些DNA其實具有功能，只是還未發現。2003年人類基因組測序完成后，為了鑒定哪些DNA片段有功能，科學家開展了ENCODE（Encyclopedia of DNA Elements）項目。2012年ENCODE團隊發布結果，稱80%以上的基因組具有生物活性，引發了生物學界的激烈討論，有研究團隊質疑ENCODE的定義，認為“生物活性”不等于“功能性”。2020年之后，越來越多的研究表明部分“垃圾DNA”確實有調控功能，如增強子、lncRNA等。這些研究推動了遺傳學的發展，揭示了基因調控的復雜性。

在氣象領域，20世紀末科學界對全球變暖成因和影響的討論越來越多。IPCC（政府間氣候變化專門委員會）派認為全球變暖主要由人類活動引起，另一部分人則認為氣候變化只是地球氣候周期的一部分，溫室氣體的影響被夸大了。對此，1998年，全球氣候學家聯合分析了歷史氣溫數據，以驗證人類活動與氣候變化的因果關系。氣候懷疑論者 Richard Muller則在2007年領導伯克利地球溫度項目（BEST）重新分析了全球氣溫數據，發現其結論與IPCC的一致。2013年這兩派科學家在一起探討了氣候模型的準確性，并達成共識：雖然全球變暖的細節仍有爭議，但人類活動確實是主要的驅動因素。這項科學共識的重大成果是2015年《巴黎協定》的出臺。

?聯合國氣候變化框架公約執行秘書克里斯蒂安娜·菲格雷斯、聯合國秘書長潘基文、法國外交部長兼巴黎聯合國氣候變化大會（COP21）主席洛朗·法比尤斯和法國總統弗朗索瓦·奧朗德在歷史性氣候變化巴黎協定通過后慶祝。圖源：www.un.org

對抗性合作，關鍵是合作

對抗性合作的核心在于將對立觀點轉化為共同探索的動力。這種模式常與其他合作形式交織，例如：

競爭性合作（Competitive Collaboration），即不同團隊或個人在競爭的同時也進行合作，以共同推進某一領域的研究或技術突破。例如，盡管80年代蘋果與微軟在個人電腦市場激烈競爭，但微軟仍為蘋果開發了Office軟件，推動圖形界面技術的共同進步。另一個例子是1975年美蘇合作的‘阿波羅-聯盟計劃’，在太空競賽的對抗中開辟了國際科研協作的先例。

交叉合作（Cross-Disciplinary Collaboration），即來自不同學科或領域的研究者合作解決復雜問題，通常在方法論上有較大不同。例如在生物信息學領域，計算機科學家與生物學家合作開發了基因測序算法。我們平時經常接觸的核磁共振技術也是很好的例子，物理學家發現的核磁共振原理，被醫學界轉化為診斷工具，徹底改變了疾病檢測方式。

爭議驅動研究（Controversy-Driven Research）。為了驗證某一理論的正確性，不同團隊或科學家開展獨立研究，交叉驗證實驗結果，這稱為爭議驅動型研究。例如暗物質與修正引力理論（MOND）的爭議，物理學家對宇宙質量分布有著不同解釋，不同研究團隊需要進行對比實驗。另一個例子是RNA起源假說，它與其它理論，如蛋白質先導理論之間存在競爭，推動科學家在實驗室中重構原始生命分子的形成過程。

競爭性驗證（Competitive Validation），即科學家或團隊獨立驗證對方的實驗或理論，以確保其結論的可靠性。愛因斯坦提出廣義相對論后，艾丁頓團隊通過日食觀測驗證了引力透鏡效應，讓‘光線彎曲’從數學預言變為科學事實。近一點的例子是，CRISPR基因編輯技術問世后，這一劃時代的研究成果引來了多個國際實驗室的反復驗證，最終確認了其精準切割DNA的能力。

對抗性合作的陰暗面：

當對抗走向對立

然而，并非所有科學爭議都能走向建設性合作。對抗性合作強調建設性交鋒，但這種對抗有時卻過于激烈，歷史上，不乏因對立而阻礙科學進步的情況，總的來說可以分成三種。其一是學派之爭（Paradigm Wars），指的是不同理論學派之間的激烈對抗，這些學派往往拒絕對方觀點，甚至阻礙新思想的發展。19世紀，拉馬克的“用進廢退”理論與達爾文的自然選擇學說激烈交鋒，雙方支持者互不相讓，導致進化論研究一度陷入僵局。這種對立不僅浪費了科研資源，還延緩了進化論在生物學中的普及。

第二種情況是破壞性競爭（Destructive Competition）。在這種情況下，團隊或個人為爭奪學術地位、專利權或資金，故意阻礙對方發展，甚至進行不道德競爭。在牛頓與胡克關于萬有引力的爭論中，牛頓試圖抹殺胡克的貢獻，甚至在胡克去世后銷毀其肖像，成為科學史上的一段遺憾。另一個例子是沃森和克里克在發現DNA雙螺旋結構時，未經許可使用了羅莎琳德·富蘭克林的實驗數據，卻未給予她應有的榮譽。

最后一種情況是科學孤立主義（Scientific Isolationism），即某一學派拒絕其他科學家交流，固步自封，導致科學研究的割裂。例如特斯拉的無線電波研究因與主流科學界脫節，未能實現產業化，最終被馬可尼的無線電技術超越。蘇聯時期，李森科主義盛行，孟德爾遺傳學被摒棄，導致農業科學停滯數十年，這在某種程度上也是蘇聯末期糧食危急的成因之一。

新模式：生成性對抗合作

近年來，在認知計算神經科學領域中，一種稱為生成性對抗合作（Generative Adversarial Collaborations，GAC）的新的科學研究模式得以實施。這種對抗性合作模式需要進行多任務協作學習、對抗性訓練以及協同采樣。多任務協作學習通過協作學習多個相關任務，如標志檢測和語義分割，使對目標對象的理解更深入，從而提高研究的全面性和準確性。對抗性訓練則利用生成對抗網絡（GAN）的理念，在團隊之間通過對抗性訓練，提升模型的生成和判別能力，以達到更高的研究成果質量。而協同采樣則是在生成對抗網絡中讓生成器和判別器協同工作，通過梯度更新和判別器形狀調整，改進數據生成過程，提高生成樣本的質量。

貝葉斯式對抗性合作則是最近出現的、生成性對抗合作的一種，促進了一些科學問題的解決和理論更新。傳統的對抗性合作過于關注對科學理論的證偽，限制了其在神經科學等領域的應用。而貝葉斯式對抗性合作利用貝葉斯信念更新、模型比較和證據積累等方法，拓寬了對抗性合作的范圍，使其適用于大信息量、參數較多的研究。

貝葉斯式對抗性合作，首先需要進行貝葉斯信念更新。在貝葉斯框架下，研究者將初始的理論信念表示為先驗概率。然后通過對新數據的觀察和分析更新這些信念，得到后驗概率。這種方法允許科學家在面對新證據時，逐步調整對理論的信任程度，而非簡單地接受或否定某一理論。

接下來，利用貝葉斯模型比較的方法，研究者可以對競爭理論進行評估。通過計算每個模型在給定數據下的邊際似然（marginal likelihood）大小，就可以量化每個模型被數據支持的程度。這樣的比較提供了一個統一的度量標準，有助于在對抗性合作中客觀地評估不同理論的相對優勢。

?圖：貝葉斯對抗協作概述。圖源：Corcoran, Andrew W., Jakob Hohwy, and Karl J. Friston. "Accelerating scientific progress through Bayesian adversarial collaboration." Neuron 111.22 (2023): 3505-3516.

在對抗性合作中，單一研究可能無法提供決定性證據。通過在多個實驗和研究中累積證據，研究者就可以逐步增強或削弱對某一理論的支持。例如在醫學研究中，新藥的有效性必須通過多個獨立實驗相互驗證，而不能僅憑某一項研究的結果。這種持續的證據積累過程也是貝葉斯式對抗性合作的重要一環，有助于科學共同體逐步達成共識。

GAC在實施過程中也面臨諸多挑戰，例如協調不同團隊的意見、制定統一的研究方法等。GAC源于對傳統科學研究模式的反思，它打破了各自為政的研究方式，促進持不同觀點的科學家之間的合作。而貝葉斯推理框架下的對抗性合作則是一種改進版的研究方法，它能夠涵蓋更多類型的研究，并提供指導實驗設計和數據分析的正式工具。

對抗性合作的優勢

在近現代科學發展當中，對抗性合作具有重要推動作用?？茖W研究者有時可能會受到確認偏誤（Confirmation Bias）的影響，因而傾向于支持自己的假設。而通過讓不同學派科學家共同檢驗假設，對抗性合作能有效減少個體偏見，提高科研透明度。研究者可以聯合設計實驗，并在多個實驗中積累證據，以驗證哪種理論更符合實際。由于是雙方共同設計實驗，數據和分析過程也更公開，降低了數據操控的可能性。

20世紀著名科技哲學家卡爾·波普爾（Karl Popper）提出，科學理論必須具備可證偽性（Falsifiability），即理論應該能夠被實驗驗證或推翻。例如，愛因斯坦的廣義相對論之所以被認為是科學理論，是因為它可以被實驗證實（如引力透鏡效應）。對抗性合作的核心目標之一是利用實驗設計來證偽某些理論。例如在進化生物學中，進化論和智能設計論的支持者也曾有過合作研究，最終證偽了智能設計論的某些核心假設。

科學研究通常需要在多個競爭性理論或模型之間做出選擇。這就涉及模型比較（Model Comparison）。例如赤池信息準則（AIC）和貝葉斯信息準則（BIC）通常用于比較不同數學模型的擬合優劣。交叉驗證（Cross-Validation）則常被用于評估模型的預測能力。對抗性合作還可以促進理論的互相補充或融合，因為一些看似對立的理論，可能在更高層次上具有兼容性。在人工智能研究中，神經網絡和符號推理曾被視為對立方法，但研究者通過對抗性合作，發現二者可以相互結合，提高了模型的解釋性和泛化能力。

科學發展的動力在于競爭與合作的平衡。過度競爭可能導致學術不端，而過度合作則可能導致錯誤理論的長期主導。因此，對抗性合作是一種健康的科學進步模式，它既允許競爭，又促進實驗驗證。在對抗性合作的作用下，科學發展呈現出“競爭-合作”循環往復的過程，即先競爭、后相互驗證、再達成共識。

結語

對抗性合作不僅是科學研究的一種策略，更是推動知識演進的強大引擎。它促使理論更加嚴謹，實驗更加精確，科技創新更加迅速。科學的本質并非追求單一真理，而是在不同觀點的較量中不斷接近更深層次的理解。

當今，人工智能也正為對抗性合作注入新的生機。在AI自動化實驗中，對抗性合作能減少人為偏見，使實驗更加客觀；在數據驅動科學中，AI可在生物醫學、量子物理等領域發現潛在的科學爭議點；同時，AI也將促進物理學、生物學、數學等多領域的交互合作。隨著AI和大數據的廣泛應用，科學研究可能會越來越依賴自動化的對抗性合作來變得更加客觀和高效。在科學探索的道路上，我們既需要競爭，也需要合作。在交鋒與共識中，科學才能不斷向真理邁進。

[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

關于追問nextquestion

天橋腦科學研究院旗下科學媒體，旨在以科學追問為紐帶，深入探究人工智能與人類智能相互融合與促進，不斷探索科學的邊界。如果您有進一步想要討論的內容，歡迎評論區留言，或后臺留言“社群”即可加入社群與我們互動。

關于天橋腦科學研究院

天橋腦科學研究院（Tianqiao and Chrissy Chen Institute）是由陳天橋、雒芊芊夫婦出資10億美元創建的世界最大私人腦科學研究機構之一，圍繞全球化、跨學科和青年科學家三大重點，支持腦科學研究，造福人類。

Chen Institute與華山醫院、上海市精神衛生中心設立了應用神經技術前沿實驗室、人工智能與精神健康前沿實驗室；與加州理工學院合作成立了加州理工天橋神經科學研究院。

Chen Institute建成了支持腦科學和人工智能領域研究的生態系統，項目遍布歐美、亞洲和大洋洲，包括、、、科研型臨床醫生獎勵計劃、、等。