如何像天才一样跨界搞创新？顶刊用千人实验给出参考答案,像天才一样的思考方式

科学史上有许多天才“灵光乍现”的例子，也有很多人跨学科做出重要发现。这样创新的例子往往会被认为个案，但也有学者试图为人类的文化和技术演变找到理论框架。最近，一项聚焦于经典文化演化理论中创新机制的研究，揭开了人类创新的“底层逻辑”：语义知识是人类高效创新的基础，一旦剥离了这些语义知识，人类的创新能力也会大幅衰退。

撰文 | 郭瑞东

阿基米德在浴缸里发现了浮力定律，凯库勒梦见蛇咬住自己的尾巴而悟出苯环结构，当你听到这样的故事，会不会认为这不过是灵光乍现呢？

近期发表在《美国国家科学院院刊》（PNAS）的一篇题为“语义知识引领创新，推动文化的演变”（Semantic knowledge guides innovation and drives cultural evolution）的论文指出，创新是大脑在面对难题时，通过在语义空间提取出与当前问题结构相似的语义簇，再通过联想、迁移与重组而生成新的认知产物[1]。按照此解释，阿基米德脑中的语义网络将“身体排开的水量”与“王冠的体积”这两个属性在“置换”上关联了起来；凯库勒的蛇也不是凭空出现的幻象，而是“环形”“首尾相连”“闭合结构”这些语义特征，恰好与苯环的分子结构在形象上高度契合。

文章指出，语义知识（Semantic knowledge）是人类之所以能高效产生有意义发明的必要前提条件，一旦少了这一环，人群高效创新的能力会大幅衰退。

在脑中构建意义地图

很多人眼中，知识如同字典里一个个孤立的词条，例如苹果 = 一种红色的、圆的水果。而所谓的语义知识，不仅把苹果看成一种水果，还涉及它关联的性质：脆或面的口感（物理属性）、能榨汁（功能）、牛顿被砸中（传说故事）、“一天一苹果，医生远离我”（文化隐喻），甚至和“安卓”是商业竞争对手等多重含义。更精确地说，语义知识是把概念、属性和功能联成一张网络的“意义地图”。正如论文作者指出：“语义知识能让我们凭直觉知道一个东西是干什么用的，而不需要弄懂它具体是怎么运作的。”

对于人类文化与技术的演变，此前研究认为其在本质上遵循与生物演化相同的逻辑[2]。人类社会中，前人的创新被保留下来，后人在此基础上进行微小的修改和再创新。在这种逻辑下，创新被简化为“随机变异（random variation）+ 选择（selection）+ 社会传播（social learning）”。然而，这种视角在本质上把创新当成了群体的盲目试错——仿佛社会进步全靠某几个撞大运的幸运儿在前面开路，而其余人只需要负责模仿。这种对创新的理解，被称为盲变异与选择性保留（blind-variation and selective-retention，BVSR）[3]。

而此次 PNAS 的研究通过两个实验，说明了“语义知识”对创新是不可或缺的；如果没有对世界运作机制的基本理解，人类的创新活动就会陷入无意义的猜测之中。

第一个实验是建模仿真实验，目的是对比不同机制下的创新。研究人员基于主体（agent-based）模型，对比了包含与不含语义知识的主体，在创新能力上有何差别。这里的语义知识，被描述为“语义向量空间”（semantic vector space），其中具有相似物理属性或潜在功能的物品（例如“带刺的藤蔓”和“锋利的石头”），在空间坐标上的距离非常近，会自然聚集成一个“语义簇”。

图1 计算机模拟的多主体建模，其中将语义知识编码为“高维导航地图” 。丨图源：参考文献[1]

需要特别说明的是，本文中的“agent”（主体）并非指代当前流行的大语言模型驱动的智能体，而是指计算机模拟中遵循简单规则的虚拟个体。它们没有自然语言理解能力，仅通过预设的数学规则在“语义向量空间”中进行导航和探索。多个主体组成社交网络（图1A），会进行社会学习（模仿），也会根据试错找出对应的功能（图1B）；其目标是共同找出一个特定的组合，即有用的发明（图1C）。一个具体例子是，木头/树枝提供了手持的功能，石头具有切割、刮削的功能，两个语义完全不同的物品组合而成具有新功能的物品——石斧。

没有语义知识的主体，它就像无头苍蝇：如果发现组合 A+B 失败了，它下一步会去试组合 C+D 的概率是完全随机的。但对于拥有语义的主体，如果组合 A+B 失败了，主体会查看表征事物的“语义地图”（图1D）：若发现 C 在向量空间中与 A 距离很近，即属性相似（图1E，红蓝代表两种染料），它则会基于语义导航，尝试 C+B 的组合。

图2 群体累积的“独特发明规模”（纵轴）如何随世代迭代的改变（横轴）。丨图源：参考文献[1]

研究人员根据是否有语义知识及是否有社会学习设置了 2×2 分组，四组分别为：1) “独狼组”，既看不懂物品的属性，也不和其他人交流；2) “跟风组”，看不懂物品属性，但它们会在其他主体找到成功组合后模仿；3) “作坊组”，能根据物品属性的相似度进行有逻辑的推测，但它们只会闭门造车；4) “创新组”，同时有语义知识和社会学习的主体。创新组就像推动了工业革命的“月光社”（Lunar Society），这是一群由科学家、工程师、仪器制造商等组成的团体，他们在满月时聚会，畅所欲言，极大促进了科技与实业的结合。

模拟结果显示（图2A），独狼组（蓝色虚线）迅速撞上“组合爆炸”的天花板，初期纯靠运气撞对了几次，但很快群体积累的独特发明个数就不再增长。跟风组（蓝色实线）则没多久就在积累的创新个数上撞到了天花板。这是因为社群虽然可以通过模仿他人来快速传播已有的成功方案，但缺乏语义知识去解释为什么这个方案有效，社群只是在一个黑箱里追逐眼前的奖励，无法理解背后的结构，更谈不上迭代优化。

对于作坊组（红色虚线），每一个新的高阶创新（例如需要先造出“锋利的石头”，才能造出“带木柄的石斧”），都必须从头开始、独立地重新发现，随着创新复杂度的增加，累积性重新发现的成本呈指数级上升，个体的算力很快耗尽，导致整个社群的累积独特发明规模迅速触及天花板。

而同时包含语义 + 社会学习的“月光社”，其积累的创新不仅初期快速上升，远远甩开其他组合，且没有触顶的迹象。这可能是由于拥有语义知识的主体，能基于属性相似性提出更高质量的新组合（如从“木棍+石头”泛化出“木棍+骨头”）。加之群体内成功的创新会被迅速传播，成为其他主体的新知识；其他主体接收到这个新知识后，不是盲目复制，而是用自己的“语义地图”去解构它，并与其他概念结合，产生更复杂的“二代创新”（如“带骨刺的木棍” + “藤蔓” = “狼牙棒”）。这种“创新 → 传播 → 语义重构 → 再创新”的正反馈循环，使得发明库像滚雪球一样越滚越大。

大规模人类行为实验证明创新依赖语义知识

虚拟世界中的模型，得出的结论再漂亮，很多人还是会问一句：这是不是只在设定好的虚拟世界里成立？

对此，作者开展了大规模真人行为实验——纳入总计 1243 名被试，把他们放进一个需要不断试错和借鉴的任务环境里，通过随机操控他们是否拥有关于任务结构的语义知识，看创新和学习会怎样变化。

被试要尝试不同的“物件组合”或“操作序列”来找出高价值组合。当任务包含语义信息时，参与者屏幕上显示的是真实世界的物品图像（如木棍、绳子、石头、布条等），被试看到“绳子”时，大脑的语义网络会在几毫秒内自动激活“长条状、可弯曲、有韧性、可捆绑”等丰富的属性和功能常识，通过充分调动这些先验的语义知识来指导组合的选择。而关闭语义信息时，屏幕上被替换成了无现实意义的抽象几何图形/色块（如红色的多边形、蓝色的波浪线、黄色的圆圈等）。这些图形在人类的现实经验中没有直接对应的功能或因果属性。参与者看到“红色多边形”时，无法调用“它能用来干什么”的常识。研究者通过这种方式剥夺了被试的语义知识（图3A）。

图3 行为实验的设计和结果。丨图源：参考文献[1]

为了证明“失去语义=失去创新”，研究者还设计了一个纯粹的随机点击程序，结果显示：人类非语义组的表现与随机点击程序在统计学上无显著差异（图3B的发明数与图3D的创新成功率）；而包含语义知识后，积累的发明总数（图3C）与成功率（图3D）显著增加。这表明，一旦剥离了语义知识，人类的创新引擎就熄火了，表现与随机摸索无异。

从上述实验可以看出，当我们遇到没见过的问题时，语义知识能帮助我们在功能或结构上找到相似的已知事物，从而实现跨界迁移。这里令笔者想到了一个故事：乔布斯在设计 Macintosh 电脑时，试图让冰冷的计算机界面变得美观，他想起十年前听过的书法课中讲的，如何根据不同字母组合微调字间距而产生不同的视觉效果，由此他为苹果设计出了多种字体和比例，最终Macintosh 成为早期支持多字体与排版的个人电脑。正如 2005 年他在斯坦福大学毕业演讲中说的：“你无法预先串联起人生的点点滴滴，只有在回顾时才能看清它们是如何联系在一起的。所以你必须相信，这些点滴在未来总会以某种方式连接。”

减少选择，加速创新

通过上述两项实验，研究者证明了语义知识有助于创新，他们继续追问语义知识是如何发挥作用的。图4 揭示了当人类失去语义知识时，他们的具体操作策略是如何一步步降级的。

图4 微观行为轨迹分析——“非语义退化”的微观证据。丨图源：参考文献[1]

语义知识的作用，主要体现在它有助于人们将创新尝试集中在那些“有意义”的组合上。这表现为两个方面：首先，独特的组合更少（图4A），由于拥有语义知识，参与者能避免那些无意义的组合，让探索更聚焦于有价值的方向。其次，语义条件下，衡量探索随机程度的香农熵更低（图4B；熵越高，探索的随机性越大；熵越低，说明探索越有明确的偏向性）。这表明参与者进行了更少但更有针对性的组合尝试，而且尝试成功后，下一次尝试在语义上更加相似。比如尝试 “红颜料能染木头” 并且成功了，大脑里的语义地图会自动关联到 “蓝颜料也是颜料，核心功能都是上色”，接下来就会优先尝试“蓝颜料 + 木头”的组合，而非在海量选项里瞎碰运气（图4C），即“基于语义的相似性泛化”。

在组合时，被试会主动选语义不一样、功能互补的物品拼在一起（图4D），这符合真实世界的创新规律，突破性创新往往来自跨领域、跨功能的概念重组。而一旦去掉语义知识，比如把所有物品都换成无意义的抽象符号，被试就像失去认知导航，只能基于视觉图像的相似性决定是否换个思路（图4E）。

在无语义条件下，被试还表现出依赖两种简单的策略：靠运气尝试之前没试过的组合（图4F）；甚至退化为简单的记忆规律——刚用过的东西印象深，就接着用，即近因效应（图4G）。这一系列表现，可概括为无语义下的认知策略退化。

该研究还得出一个非常有说服力的证据，用以说明语义知识如何加速创新。在第一个基于主体的建模中，研究者把模型学出来的实际物体之间的“语义相似度”，和预训练语言模型（如 Sentence-BERT ，可生成语义向量表示）的相似度做对比，结果发现两者高度相关。这意味着模型并不是在一个“拍脑袋的抽象空间”里玩，而是学出的语义结构，与真实人类语言/概念空间高度一致。语义知识作为引导创新的“内在地图”，和人类积累的常识理解高度对齐。

不包含语义知识难以测出真正的创造力？

看到“剥离语义后人类创新引擎熄火”的结论，有人可能会联想到如瑞文推理测试等这类经典的智力测试。这类测试的设计初衷，正是要刻意剥离语义信息，用抽象的几何图形来考查被试者。那么这类测试，是否还有助于评估真实情境中的创造力呢？

实际上，瑞文推理测试的目的是测量个体的流体智力（fluid intelligence），即在不依赖已有知识和经验的情况下，理解新问题、进行抽象推理的能力。大量研究表明，流体智力与创造力之间存在阈值效应：在一定范围内，高逻辑推理能力是进行创造性活动的必要条件，但它不等同于创造力本身。

图5 一道瑞文推理测试的示例。丨图源：iqmindware.com

与之相对的，语义知识属于晶体智力（crystallized intelligence）范畴，指通过后天教育、生活经验和社会文化熏陶而获得的能力。PNAS 论文中“语义剥离导致创新能力下降”的实验结论，讨论的是在特定环境下，群体失去语义知识（和社会学习）后的表现——认知策略退化。不能用瑞文测试中的个体差异与群体中的绝对表现直接对比。

这恰恰说明真实世界的创新是流体智力与晶体智力协同作用的结果，而非单一认知能力的产物。流体智力提供了逻辑推理与模式识别的“底层算力”，语义知识（晶体智力）提供了“导航地图”与知识素材，二者共同支撑了真实场景下的创造性产出。

因此，若想要提升创造力，构建丰富的语义连接是有必要的。不要只看本行业的论文和报告，可以去读完全不同领域的深度文章。问问自己：“这个领域的背景知识，能解决我行业的问题吗？”通过这样的跨学科阅读，丰富自己的语义地图。特别是，现有通过语义网络分析个体知识结构的研究发现，语义网络更“稀疏”的人，遇到问题往往循规蹈矩，在发散思维、远距联想任务中表现较弱；网络“连通度高、整合性强”的人，创造性表现更好[4]。

上述结论不仅对理解人类认知有启示，也对人工智能系统的设计有借鉴意义。一定程度上，它可以解释为何大模型有时能给出让人眼前一亮的创新组合。大模型通过预训练保存了概率化的语义知识，因此它有一定概率像有语义信息的人那样，给出合适的组合。而为了让大模型更好地创新，需要在提示词中通过示例或者详细的背景描述让大模型有显式的语义网络，这也是提示词工程或少样本学习（few-shot learning）的原理。但大模型的这种创新，是基于高维向量空间中概率分布的偶然碰撞。这就是为什么它有时能写出惊艳的商业计划书，下一秒却会一本正经地胡说八道。因为它只有概率化的语义关联，而缺少形式化的物理常识。它时不时的惊艳表现，像是抽到了SSR 隐藏款，而非真正地如人类一样进行创新。

参考文献

[1]Yaman, A., Tian, S., & Lindström, B. (2026). Semantic knowledge guides innovation and drives cultural evolution. Proc. Natl. Acad. Sci. U.S.A. 123 (22) e2530750123. https://doi.org/10.1073/pnas.2530750123

[2]Mesoudi, A., Whiten, A., & Laland, K. N. (2006). Towards a unified science of cultural evolution. Behavioral and Brain Sciences, 29(4), 329–347. https://doi.org/10.1017/s0140525x06009083

[3]Simonton, D. K. (2022). The blind-variation and selective-retention theory of creativity: Recent developments and current status of BVSR. Creativity Research Journal, 35(3), 304–323. https://doi.org/10.1080/10400419.2022.2059919

[4] Skurnik, A., & Kenett, Y. N. (2026). Semantic memory structure and self-evaluation of creativity: Evidence across tasks and dimensions. Journal of Intelligence, 14(3), 41. https://doi.org/10.3390/jintelligence14030041