Nat. Commun. | 大科学与人工智能时代的知识传承: 可持续科学研究的策略

DRUGONE

现代科学研究正在以前所未有的速度产生海量数据与复杂知识，但与此同时，科学界也正在不断丢失那些本不该失去的重要知识。大量阴性结果从未发表，研究人员多年积累的经验会随着人员流动而消失，知识保存工作则长期处于碎片化状态。这种现象导致科研资源浪费、重复性尝试增加，以及潜在重要发现被延误。

研究人员指出，当前科研共同体已经具备采取行动的条件。通过采用更加开放的知识传播渠道、改进研究记录与文档规范，以及建设可持续的数字基础设施，科学界有机会建立更加完整的知识保存体系。研究人员设想了一种新的科研生态：在其中，阴性结果与实践经验可以通过受监管的平台共享，社区共同制定标准，而 AI 工具则帮助研究人员降低实施与维护成本。在这一愿景下，未来科学研究不仅会更加开放和高效，也会更加具有韧性，使今天产生的知识能够真正服务于未来世代。

现代科学研究正在经历一次深刻转型。实验自动化、高通量技术以及计算能力的快速发展，使研究人员能够以前所未有的规模生成实验与模拟数据。在生命科学领域，自动化实验平台和高通量测序技术已经显著改变了研究模式，而大型计算模型与 AI 系统则能够生成海量理论预测，甚至从零设计新的生物系统。

与此同时，跨学科研究正在成为主流。现代科研往往需要实验、生物信息学、数学建模、软件工程以及 AI 方法共同协作。这使得研究数据不仅数量更大，而且形式更加复杂。如今的研究数据通常是多模态、异构化的，需要专门的软件、定制化分析流程以及领域知识才能被正确解释。

然而，传统科研知识保存体系并未跟上这一变化。虽然同行评议论文仍然是科学传播的核心形式，但研究人员指出，这种模式已经越来越无法满足现代科研需求。论文篇幅限制导致实验细节、参数设置以及关键 troubleshooting 经验无法完整记录；补充材料和外部数据库链接又常常缺失、难以维护或难以检索。与此同时，科研人员流动性增加，使大量隐性知识随着人员离开实验室而消失。

研究人员认为，如果不建立新的知识保存与传播机制，现代科学累积式发展的基础将受到威胁。因此，他们提出应当构建一种更加开放、可持续、社区驱动的新型科研知识生态系统。

科学研究中的“知识流失危机”

研究人员首先指出，当前科研体系正面临严重的可重复性与可重用性危机。

很多研究虽然发表了论文，但实际上并未提供足够信息来实现真正复现。实验中的关键细节、参数设置、失败经验以及隐性操作技巧往往没有被记录下来。此外，与论文相关的数据、代码、元数据、实验材料和分析流程也常常分散于不同平台，缺乏统一组织。

长期保存同样存在困难。实验室冷冻样本可能因为设备故障而损坏，软件依赖关系会随着时间失效，文件格式也不断变化，而许多项目结束后缺乏长期维护资金。研究人员特别强调，跨学科研究中的术语差异进一步加剧了知识保存问题。例如，“in vivo”“gene”等术语在不同领域中的含义可能并不相同。

研究人员还指出，科研成果的“可重用性”会随着时间不断下降。实验材料可能丢失、污染或误标记，代码会因为依赖环境变化而失效，而文档又不足以支持后续研究人员独立使用这些资源。随着原始研究人员离开，这些问题会进一步恶化。

阴性结果被系统性忽视

研究人员认为，现代科研体系最严重的问题之一，是对“失败结果”的系统性忽视。

当前学术出版体系普遍偏好显著性、创新性和阳性结果，而阴性结果、失败实验以及未能重复已有工作的研究通常难以发表。

这种偏差会产生严重后果：

• Meta-analysis 会被阳性结果偏倚扭曲；
• 研究人员会不断重复别人已经失败过的实验；
• 理论模型会建立在不完整数据之上；
• AI 模型也会继承并放大这种偏差。

研究人员强调，失败实验本身往往包含极其重要的信息。例如，一个实验为什么失败、哪些条件不可行、哪些理论路线最终无效，这些经验都能帮助未来研究者避免重复错误。遗憾的是，这类知识通常只存在于研究人员个人记忆中。

特别是在计算科学领域，大量隐性知识极易流失。例如：

• 哪些参数组合会导致模型不稳定；
• 哪些计算方法适合特定数据；
• 如何解释模糊的模型输出；
• 这些知识很难形式化，但对实际研究至关重要。

现有开放科学体系的进展与局限

研究人员随后分析了当前开放科学体系已经取得的进展。

近年来，FAIR 原则推动了数据的可发现性、可访问性、可互操作性和可重用性建设。BioFAIR、CURE 等框架也开始尝试建立更加规范的数据与模型标准。

在生命科学领域，大量专用数据库已经建立，例如：

• PDB
• GenBank
• ENA
• SynBioHub

与此同时，FASTA、GFF、SBOL 等标准文件格式也显著提升了数据互操作性。

GitHub、GitLab 等版本控制系统则改变了计算研究的可重复性，使代码协作与追踪更加透明。Galaxy 等工作流平台也提高了标准化分析能力。

实验领域同样出现了重要平台，例如：

• Addgene 用于共享质粒资源；
• LabArchives 用于记录实验流程；
• AiiDA 用于追踪复杂计算工作流；
• CellRepo 与 OpenBioSim 则开始记录实验 lineage 与质量标签。

研究人员认为，这些系统已经证明开放科学的可行性，但它们目前仍然彼此割裂，缺乏统一生态。

建立“失败知识”的共享平台

研究人员特别强调，未来科研必须系统性保存“科学失败”。

目前只有少数期刊愿意接受阴性结果，而很多小规模失败观察根本无法进入传统论文体系。研究人员因此提出，应建立经过适度监管、但不依赖传统同行评议的新平台，用于共享：

• 阴性结果
• 失败实验
• troubleshooting 经验
• 小规模重复研究
• 方法学问题

这些平台应重点审核方法学合理性，而不是结果“是否新颖”。同时，每条记录都应具备 DOI，使失败实验也能够成为正式科研贡献。

研究人员认为，这种机制将从根本上改变科学界对“失败”的理解：失败不再是被隐藏的信息，而是科研知识体系的重要组成部分。

分布式知识保存体系

研究人员反对建立单一的“超级数据库”，而更倾向于一种联邦式、社区维护型知识网络。

他们提出，未来知识保存应采用：

• 分布式存储
• 社区协作维护
• 联邦式平台连接
• AI 辅助管理

研究人员还提出了“元数据仓库”概念，用于连接论文、代码、实验材料、失败结果与相关分析，使科研成果形成一个完整、可检索的知识网络。

他们甚至以 fan fiction 社区的标签系统为例，说明社区驱动的标签机制可以帮助科研领域建立更加统一、可搜索的术语体系。

个体知识与隐性经验的保存

研究人员认为，科学研究中大量最有价值的知识其实是“隐性知识”。

例如：

• 如何调整复杂实验条件；
• 如何处理特殊软件环境；
• 哪些 undocumented 技巧能够提高实验成功率；
• 如何根据具体问题调整分析流程。

这些经验往往无法通过论文完整表达，却是科研成功的关键。

研究人员指出，学术界长期依赖短期合同与高流动性人才体系，这导致知识传承极不稳定。他们建议科研机构更多使用长期技术岗位，而不是过度依赖短期研究人员。

同时，未来平台还应支持：

• 视频记录
• 注释协议
• 交互式教程
• AI 自动生成 protocol

例如 Cultivarium 的 PRISM 系统已经能够通过头戴设备录制实验过程，并自动生成带注释的视频协议。

教育、社区与跨学科协作

研究人员进一步指出，知识保存不仅是技术问题，更是教育与文化问题。

他们认为：

• reproducibility 应成为科研训练核心；
• coding groups、hackathons、peer mentoring 应被广泛推广；
• 生物学家需要学习 AI 与软件开发；
• 计算研究人员也必须理解实验背景。

只有真正跨学科协作，知识保存系统才能有效运行。

研究人员还强调：

• workshops
• summer schools
• 社区标准制定
• living documentation

都将成为未来科研基础设施的重要组成部分。

AI 在知识保存中的角色

研究人员认为，AI 将成为未来知识保存生态的重要驱动力。

AI 可以：

• 自动生成元数据；
• 发现失效链接；
• 更新代码依赖；
• 自动整理文档；
• 提供 troubleshooting 建议；
• 帮助研究人员发现隐藏的阴性结果。

但研究人员同时强调，AI 只能“增强”人类，而不能替代人类判断。重要决策必须保留人工监督。

研究人员提出了一个重要概念：更好的知识保存会产生更强大的 AI；而更强大的 AI 又会降低知识保存成本。

这种“飞轮效应”可能持续推动科学研究效率提升。

图1. 面向可持续科学研究的知识保存框架，包括社区驱动标准、受监管知识共享平台、AI-in-the-loop 支持体系以及新型激励机制之间的协同关系。

讨论

研究人员最终指出，未来科研知识保存体系的核心并不是技术，而是“人”。

真正可持续的科研生态需要：

• 机构认可知识保存贡献；
• 基金支持开放科学实践；
• 社区建立共享文化；
• AI 与人类形成协同关系；
• 科研人员拥有专门时间进行知识整理与传承。

研究人员强调，未来知识保存体系不会通过一次革命完成，而会通过大量渐进式改进逐步形成。现有工具、开放科学平台、AI 系统以及社区标准都会逐渐融合，最终构建一个跨越实验、计算与人员经验的“科学知识网络”。

在这一体系中，今天产生的科研知识将不再随着时间流失，而会持续被连接、解释、重用与扩展，从而真正形成面向未来世代的可持续科学基础设施。

整理 | DrugOne团队

参考资料

Rainford, P.F., Occhipinti, A., Wang, B. et al. Knowledge preservation in the era of big science and AI: strategies for sustainable scientific research. Nat Commun 17, 4069 (2026).

https://doi.org/10.1038/s41467-026-72667-3