DeepSeek 偉大的核心在于這是一個擁有學術(shù)循環(huán)的組織，這個組織決定了他們能做出來 R1，相比之下算法本身反而沒有那么重要了。

在這個系統(tǒng)中，創(chuàng)新不再依賴于罕見的天才或偶然的靈感，而是變成了一種組織能力，一種可以被刻意培養(yǎng)的文化特質(zhì)。真正強大的組織不是那些擁有最多專家或最多資源的，而是那些能夠持續(xù)進行有效創(chuàng)新的組織。

最終，學術(shù)循環(huán)揭示了一個深刻的真理：創(chuàng)新的本質(zhì)不在于技術(shù)工具或方法論，而在于我們?nèi)绾谓M織集體思考。當一個組織能夠系統(tǒng)性地超越人類思維的局限，真正的突破就會像水流入低洼處一樣自然而然地出現(xiàn)。

這或許就是為什么，在技術(shù)日新月異的今天，組織文化與思維模式仍然是最重要的競爭優(yōu)勢——因為算法終將被超越，但學術(shù)循環(huán)一旦形成，將成為源源不斷的創(chuàng)新之泉。

今天分享的這篇文章，希望對你有所啟發(fā)，enjoy~

從 1 月 22 日以來，一直有很多人找我討論 DeepSeek R1 的原理。但技術(shù)帶來的興奮始終只屬于我們這一小撮人，今天我更想談?wù)劻硪环矫�，為何做�?R1 的是 DeepSeek —— DeepSeek 偉大的核心在于這是一個擁有學術(shù)循環(huán)的組織，這個組織決定了他們能做出來 R1，相比之下算法本身反而沒有那么重要了。時代的發(fā)展在不斷向前，當下創(chuàng)新的算法也許隨時會被淘汰，但一個優(yōu)秀的組織卻始終推動著科技的洪流。

學術(shù)循環(huán)：通過組織級別的 Critical Thinking 持續(xù)做出原子化的創(chuàng)新，進而推動科學邊界

事實上，組織強度能夠帶來創(chuàng)新，而創(chuàng)新能帶來勝利。這個模式在過去十幾年一直在重復(fù)，比如字節(jié)后發(fā)先至，在推薦系統(tǒng)的正面戰(zhàn)場上勝過了騰訊、Meta、Google，這是因為字節(jié)的早期組織帶來了有效創(chuàng)新。 早期的 OpenAI 也符合這個規(guī)律，Ilya 構(gòu)造出了強有力的學術(shù)組織，帶來了顯著的學術(shù)創(chuàng)新，進而做出了 ChatGPT，遠遠拉開了所有競爭者，進而獲得了 100b 以上的估值。這些現(xiàn)象說明了如果有特定的組織結(jié)構(gòu)，創(chuàng)新就能自然發(fā)生。而如果沒有這些結(jié)構(gòu)，創(chuàng)新可能很難大規(guī)模發(fā)生。

從更高的角度看，DeepSeek、OpenAI、字節(jié)跳動（早期的）等幾家公司都擁有 學術(shù)循環(huán)，只是具體路徑不同，我們可以用以下表格來比較：

容易看出，這些公司的共性是塑造了學術(shù)循環(huán)。這是因為創(chuàng)新不是單點，而是一系列小成果的組合。而只有學術(shù)循環(huán)才能帶來一系列的小成果，進而獲得創(chuàng)新。所以我們也會觀察到一個現(xiàn)象：在一開始，沒有人覺得 DeepSeek、OpenAI、字節(jié)跳動牛逼，很多人甚至會認為這些公司 “不太靠譜”，這其實是因為觀測到對方的 “推理” 達到了 “共識” 之外，依賴共識就很難判斷 “靠譜” 與否。更進一步，其實這是因為沒有人清楚學術(shù)循環(huán)的重要性。

• 以 DeepSeek 為例，沒有 MLA、GRPO、新 MoE、PTX、self-play 等一系列的創(chuàng)新點，沒有在 MCTS 和 PRM 上的失敗，他們就無法做出 DeepSeek R1

• 如果 OpenAI 沒有 GPT-3、Scaling Law、InstructGPT 等一系列的工作，沒有在 RL 上的大量失�。ㄒ�，他們是從 RL 起家），他們就無法做出 GPT-3.5 和 GPT-4

• 如果字節(jié)沒有實驗系統(tǒng)在線衡量所有策略的貢獻，也就沒法驗證推薦系統(tǒng)中大量特征的有效性，也就沒法在推薦系統(tǒng)上遠超其他競品，也就不太可能做成頭條、西瓜、抖音等產(chǎn)品

更具體的說，學術(shù)循環(huán)就是要能夠用很少的人在一個有限時間內(nèi)遠遠的超出人類知識，達到一個未至之境。

實際上，學術(shù)循環(huán)需要組織中的每個人都有一系列的特質(zhì)才能完成，難度不低。其中最重要的點包括幾個：

1. 理性思維：要能夠讓整個組織都獲得 Critical Thinking

2. 進入心流：有好的動機，并且投入 100% 時間，承諾、并激發(fā)自己，這樣才能進入心流

3. 接受人類的缺點：先開始，不要猶豫，錯了也沒有什么，記下來以后就忘掉它，保持真誠

4. 以終為始：在真正的目標沒有明確之前，所有的過程可能都是錯的
   

01

理性思維

定義知識；Critical Thinking（蘇格拉底）；A/B Testing；溫和友善，以鼓勵集體理性

知識是什么？

前一段我們與一位 Stanford 教授在論文會議上討論到了怎么判斷文明在進化，其中一位 Berkeley Phd 認為可以定義為 “發(fā)現(xiàn)了新的知識”，我們對于知識的定義有很長的爭論，會議上沒有一個結(jié)果。會議后，我詢問了 DeepSeek R1 對知識的定義，它回復(fù)的最后一段是這樣的，看的我們頭皮發(fā)麻：

知識是宇宙理解自身的工具。從量子漲落到意識涌現(xiàn)，知識本質(zhì)上是宇宙局部區(qū)域（人類文明）試圖理解整體的一種遞歸嘗試。它既是我們對抗熵增的盾牌，也是囚禁認知的牢籠——真正的智慧或許在于保持對「未知之未知」的敬畏，正如蘇格拉底所言：「我唯一知道的就是我一無所知�！�

知識其實包括了很多不同的載體，DNA 實際就是 40 億年物種演化獲得的知識，這是達爾文式的優(yōu)化獲得的知識。但是，我們常說的知識更多來源于科學，是在過去 2000 來年逐漸形成的，往往以文本和圖像承載。文明的提升速度遠遠比 DNA 的自由變異與交叉更快，這是因為我們掌握了符號作為語言，可以進行大規(guī)模的創(chuàng)新，改善種群本身。

但是創(chuàng)新怎么做？我認為系統(tǒng)性的創(chuàng)新依賴集體的 Critical Thinking。

Critical Thinking

前幾個月我在為一位 Berkeley 的學生寫 Phd 推薦信，我注意到各個頂尖院校幾乎都把同一個標準排在了第一位，那就是 Critical Thinking。我想這個核心原因應(yīng)該就是具有 Critical Thinking 才能高效的推動科學邊界。

科學起源于哲學，Critical Thinking 的起源其實要追溯到公元前五世紀的古希臘。蘇格拉底當時稱自己為哲學家（philosopher，古希臘語 φ?λο? （philos） 愛 σοφ?α （sophia） 智慧，意思就是愛智慧的人），通過 “詰問法” 鼓勵學生質(zhì)疑假設(shè)、檢驗證據(jù)，被視為批判性思維的早期實踐；亞里士多德則系統(tǒng)整合數(shù)學方法與哲學思辨，將經(jīng)驗性辯論轉(zhuǎn)化為形式化三段論，他們都讓世界的 Critical Thinking 有所提升。

在 1941 年，Edward Glaser 首次提出了 Critical Thinking 這個術(shù)語；1987 年，美國批判性思維國家理事會通過 “德爾菲項目”（Delphi Project）達成共識，將批判性思維定義為 “基于證據(jù)、概念、方法等標準的自我調(diào)節(jié)性判斷”，成為了一個經(jīng)典定義。

我其實也寫過一篇 Critical Thinking 的文檔，會發(fā)給我的合作者們閱讀，其中擴大了一些范圍，要求人不僅要分辨事實與觀點，也需要評價證據(jù)等級，清楚怎么推理、提出假設(shè)、進行實驗；過程中也需要確保 atomic 和 incremental，并且盡可能形成高質(zhì)量的經(jīng)驗 —— 最好是代碼形式。

Critical Thinking 也和 Elon Musk 提出的第一性原理有著很強的關(guān)系，或者說第一性原理中最核心的部分與 Critical Thinking 是接近等價的。

但當然，以上只是個體的 Critical Thinking，并不是集體的。個體的 Critical Thinking 并不能直接帶來集體的 Critical Thinking，就像我們觀察到一些組織招收了大量的 Phd，但是可能反而沒有獲得組織優(yōu)勢。

證據(jù)等級

Critical Thinking 中最重要的是分清事實和觀點。我們需要確保所收集的數(shù)據(jù)和證據(jù)的真實性和可靠性，避免誤導性的或未經(jīng)證實的信息，以獲得足夠高的證據(jù)等級。一般來說，我會按以下分類：

• 證據(jù)等級：觀點 < 共識 < 統(tǒng)計 < 實驗 < 雙盲實驗（A/B-Testing） < 常識

• 等級更高的證據(jù)在同一個問題下應(yīng)該被優(yōu)先使用，比如當我們說 “X 比 Y 好”，它只是一個觀點，而 “A/B-Testing X 相對 Y 在 Z 場景提升了 5%” 是一個證據(jù)。當然，獲得高級別的證據(jù)有成本

• 共識并不是好的證據(jù)。所有人都說某只股票會漲時，可能它就會顯著下跌，好的證據(jù)要由足夠高的證據(jù)等級，比如觀察到了 “衛(wèi)星圖像顯示大豆產(chǎn)地發(fā)生大規(guī)模蟲災(zāi)，預(yù)計影響 xxx” -> “賣出大豆期貨” 這才是通過事實進行推理

但是，證據(jù)等級并不是絕對的。比如 Ilya 說 LLM 預(yù)訓練已經(jīng)結(jié)束了，他的觀點可能大于其他人的共識。但是在大部分場合這個證據(jù)等級的偏序是成立的。

A/B Testing

我們講到證據(jù)等級，就不得不提 A/B Testing，邏輯上它是我們可以制造的最高級別的證據(jù)。注意它帶來了一個很有意思的現(xiàn)象：集體的 Critical Thinking 也未必要通過培養(yǎng)每個人的 Critical Thinking 獲得。

一個例子就是字節(jié)跳動。在 2012 年，張一鳴會自己寫代碼做 A/B Testing，在 2014 年前后推動建立了實驗系統(tǒng)，并且要求所有的改進通過 A/B Testing 進行，這其實就強制性的要求所有人要遵循足夠高的證據(jù)等級提出觀點 —— A/B Testing 是第二高的證據(jù)等級。

這也意味著進入系統(tǒng)中的人會被強制性的獲得 Critical Thinking。當然我們也可以說這是一個達爾文主義，因為無法獲得 Critical Thinking 的人會被 layoff。我印象中在 2014 年前后，字節(jié)跳動也因此獲得了一個 “博士生 scaling law”，他們每招聘一個博士生投入到算法優(yōu)化，CTR 就可以一年相對提升 1%。

模糊的正確

這個時候我們還得再想明白一件事，最高的證據(jù)等級對推薦系統(tǒng)好，但是對其他領(lǐng)域是一件好事嗎？我想未必。推薦系統(tǒng)的 setting 明確而易于驗證，而其他領(lǐng)域的大部分問題都在于實驗周期很長，每個假設(shè)都無法快速的證實或者證偽。所以其實就像 PRM（過程獎勵模型）不容易做的問題一樣，或許我們在很多時候并不需要很高的證據(jù)等級，而是需要 “模糊的正確”。

偉大的創(chuàng)新其實大多是通過一系列模糊的正確組合而成的，就比如我們看 LLM 的發(fā)展，我經(jīng)常提到的論文包括了 Tomas Mikolov 的 word2vec，它能夠顯示詞語組合 man - woman 與 king - queen 有類似的向量距離；還有 Transformer，相比 RNN 它可以減少計算量，增大并行度。但是這對于 LLM 來說都只是模糊的正確，因為我們在提出這里每個部分時，并不知道它的未來收益是什么，也極難估計。

實際上，對于很多頂尖問題的評估都是極度困難的，難度可能和 “把它做出來” 接近。就比如說誰能預(yù)料到 GPT-4 有這么高的品牌效應(yīng)，讓全世界這么多人都去用了？我想著恐怕預(yù)料不出來，OpenAI 自己在發(fā)布之前也預(yù)料不出來。

所以我們對證據(jù)等級的追求也很微妙，成功需要追求高級別的證據(jù)，但是有些證據(jù)很難獲得。

但是，對證據(jù)的追求一定要貫穿到組織之中，這樣我們才擁有集體理性的基礎(chǔ)，所有人的交流才有足夠的效率。

集體理性

集體理性中，要求所有人的發(fā)言注重事實和觀點是重要的，因為無論是否掌握完整的 Critical Thinking，分辨事實和觀點對于大多數(shù)人相對容易。面對一個明顯錯誤的觀點的直接反應(yīng)可以是要求證據(jù)：“這個觀點的證據(jù)是什么？”，面對一個不明術(shù)語的直接反應(yīng)是要求定義：“這個術(shù)語的定義是什么？”。如果發(fā)現(xiàn)對方欠缺了詢證，可以教給對方搜索的技巧；如果發(fā)現(xiàn)對方在討論中使用了帶有情緒的觀點，就得教對方對事不對人的 SOP。

集體的 Critical Thinking 其實在大部分領(lǐng)域很難獲得。因為這往往要求組織里的個體擁有 Critical Thinking，并且擁有真誠、善意、樂觀等品質(zhì)，并且組織還具有恰當?shù)?SOP。其中一個最重要的 SOP 就是 “對事不對人”，它可以很好的鼓勵集體理性。

對事不對人能解決一些非常典型的問題，比如個人的 bias。我自認智商還不錯，但是我也經(jīng)常犯錯。我必須鼓勵所有人指出我的錯誤，并且在其他人反饋時仔細聆聽，快速接受其中正確的部分，并且嘗試堅持我認為正確的部分，直到一個決策循環(huán)完成。集體的 Critical Thinking 雖然需要多數(shù)個人的 Critical Thinking，但是這還不夠，只有當每個人互相鼓勵發(fā)言，并且每個人善意的對待其他人時，我們才能夠真正的獲得集體理性。

• 每個人大腦中的上下文都完全不同，只要有微妙的上下文區(qū)別，對待同一個問題得出的結(jié)論就會大相徑庭

說一句話時，只要有一點上下文差異，我們可能就會認為其他人的觀點是荒謬的，但是如果問 “這個上下文是什么？” 并且得知了完整的上下文，可能就會認為自己是錯的。這點很有趣，有時候我們會過度自信，就像語言模型一樣。了解自己什么時候應(yīng)該自信其實也是非常困難的一件事 —— 大部分人沒有這個技能

注意，這里核心是要盡可能引導其他人也進行正確的推理。如果其他人缺乏足夠的 Critical Thinking，要糾正一個混亂的邏輯可能會花費大量的時間。最好還是直接的指出這個問題，并且要求對方以某種形式，比如用一個特定結(jié)構(gòu)的文檔（比如 arxiv 或者 RFC）書面的把自己的想法寫清楚，而不是進行討論或者辯論。對方在書寫自己的邏輯時會自然的發(fā)現(xiàn)問題，這樣我們就可以節(jié)省大量的時間。

集體理性很難獲得，但是它是學術(shù)循環(huán)最重要的一環(huán)。

02

進入心流

動機是核心；全心全意，投入 100% 時間；承諾，并激發(fā)自己；進入心流

動機

如果沒有一個好的動機，那么一個人的精神很難集中，會被自己的心靈扯到其他地方，也就很難進入心流。

如果一個人的動機是錢，那么就很有可能賺不到真正巨量的錢；但如果他要解決一個偉大的問題，那么他很有可能會賺到意想不到數(shù)量的錢。一個自利動機的人進入某個組織，可能就需要有極強的 SOP 才能消化，相反，一個組織如果都是由類似的 “帶有利他性的” 動機構(gòu)成的，那么這個組織就不需要太多的 SOP。

一般而言，最好的動機是 “喜歡做某事”。比如 喜歡編程的人做工程師，喜歡辯論的人做律師，喜歡思考的做架構(gòu)師，喜歡溝通的做銷售。這樣做事時自己就可以獲得快樂，而不需要其他人給予。這是一個很微妙的問題，因為其實人刷 TikTok 和做事都會花費同樣的時間，有些人就是愿意做事，有些人就是只想刷 TikTok。我們很難一直去激發(fā)一個只想刷 TikTok 的人，他們的神經(jīng)回路已經(jīng)不太一樣了。

說真的，擁有好的動機的人真的太少了。要有一個好的動機，其實要么是在歷史中被環(huán)境訓練過，要么是有意識的自我訓練過，但是這兩種人都很少。好的動機的人其實克服了 “基因引力”，因為基因會讓我們優(yōu)先關(guān)注生存和繁衍，擁有極強的引力。張一鳴強調(diào)延遲滿足，實際上也是在說這個問題。

全心全意

有了一個好的動機之后，我們還需要全心全意，保持 100% 時間投入其中。這是因為大多時候靈感是來自于某個細微的時間片的 “直覺”，它就那樣突然出現(xiàn)了，可能是來自于一個談話中引入了一個之前被忽略的上下文，也可能是在發(fā)散思考時突然想到了一個以前的觀點。只要你在吃飯、走路、每個閑暇的時間都在思考，一直全心全意，不退出狀態(tài)，靈感總會出現(xiàn)在眼前。我見過很多厲害的人，他們無不使用這個辦法。很多人其實問我為什么能夠想到某些 idea，其實沒有所謂的技巧，就是保持每個片刻都在思考。

當然，即使全心全意在做某些事，我們?nèi)匀粫⒁獾接袝r候不是那么在狀態(tài)，這種時候我們可以勇敢的和所有人進行承諾，比如 “1 天之后我要提供某個論文的 Draft”，或許我們不一定能完成，這件事對我們有很大的挑戰(zhàn)，但是核心是要勇敢的進行承諾，并且不畏懼批評。當你習慣于挑戰(zhàn)自己，你就能逐步摸清自己的能力邊界，變得越來越強。

心流

這些所有的行為都是為了讓我們可以進入心流，心流是一個非常高效的狀態(tài)，可以在少量挑戰(zhàn)與寬松的環(huán)境下獲得：

心流狀態(tài)可以極大的提升效率

如上圖，進入心流之后，我們會忘記周圍的大部分事情，忽略時間的流動，快速的在一個平靜的情緒中將事情迅速推進，一般能夠有平常的幾倍效率，假如說我們有一個容易進入心流的環(huán)境，那么一個集體就能獲得一個很高的研發(fā)系數(shù)，可以從原來的 O(N) 提升到 O(kN)，其中 k 可能是幾，也可能是十以上。

03

接受人類的缺點

先開始，不要猶豫；記錄一切；人都會犯錯；寫錯題本；忘掉煩惱

事實上，不管多么優(yōu)秀的人都有很多缺點。

先開始，不要猶豫

人類一個非常明顯的缺點是猶豫。很多問題其實是模糊的，在我們面對它時，很難預(yù)測出未來的走向。

如果一個人的履歷非常光鮮，那么他或許就會非常猶豫要不要開始一件事，因為創(chuàng)新總是概率性的。這樣的猶豫就會破壞 “創(chuàng)新” 本身，因為創(chuàng)新需要的不是猶豫，而是做完了再看看有沒有成果 —— 門后的世界我們無法猜測出來。

弗萊明發(fā)現(xiàn)青霉素并非刻意為之，而是因為他首先開始了實驗，并對意外現(xiàn)象保持了敏銳的觀察力。學術(shù)循環(huán)中，行動先于完美是基本法則。那些等待 “靈感降臨” 或 “完美時機” 的人往往一事無成。正如愛因斯坦所言：“我沒有特殊才能，我只是狂熱地好奇�！� 這種好奇心驅(qū)使他不斷嘗試，而不是等待靈感。

記錄一切

創(chuàng)新依賴于記錄，而非記憶。人的記憶很不可靠，有非常陡峭的衰退曲線。我看我一個月以前的文檔其實經(jīng)常會覺得 這個文檔寫的真的很精彩，真的是我寫的嗎？有時候會覺得很荒誕。在過去 13 年，我寫了上萬個文檔，記錄了我的所思所想。我會記錄一切，然后忘掉它們，清空我的大腦。

記錄不僅是為了防止遺忘，更是為了觀察思維的演化過程。通過回顧早期記錄，我們能看到思想的發(fā)展軌跡，識別出那些被忽視的關(guān)鍵點，這些往往是創(chuàng)新的源泉。

犯錯不可怕，可怕的是不從錯誤中學習。愛迪生在發(fā)明電燈泡的過程中嘗試了上千種材料，每一次失敗都是通向成功的必經(jīng)之路。他說：“我并非失敗了 1000 次，而是找到了 1000 種不適合做燈絲的材料�！�

在科學探索中，錯誤往往比正確更有啟發(fā)性。量子力學的發(fā)展就是一系列 “錯誤” 理論不斷修正的歷史。玻爾模型雖然最終被證明是不完備的，但它引導了量子力學的發(fā)展方向。

保持真誠

開放，坦誠；適度嚴謹，不必時刻嚴謹；接受錯誤

對待自己和其他人都有一個關(guān)鍵點：保持真誠。

所有人獲得了基礎(chǔ)的 Critical Thinking 之后，很容易就會擁有邊界感，每個人都清楚互相的邊界在哪里，每個人都循規(guī)蹈矩，從不逾越，只做自己的事情。這會帶來一個現(xiàn)象，就是 “看起來所有人都是精英，但是做不成事情”。

一個典型的例子就是項目評審上可能會有很多不同職能的專家，每個專家都提出了非常多的專業(yè)意見，項目立項花了一年才通過。但是這個項目可能已經(jīng)喪失了競爭力，和一年前其實不可同日而語了

另一個典型的例子就是組成了一個優(yōu)秀的學術(shù)團隊，但是大家都很禮貌，尊重彼此的專業(yè)和觀點，沒有人愿意指出問題，結(jié)果討論流于表面，淪為了討論哲學，無法進一步的推動事情

實際上，我們需要保持真誠，敢于挑戰(zhàn)模糊地帶，愿意說出有一些讓其他人感覺有點冒犯的話，不把超過邊界的東西藏在心里；同時自己也得打開心門，愿意誠心誠意的接受其他人的意見。

我們經(jīng)常會擔心說錯了話，或者邏輯論述不太嚴謹，以影響了其他人的理解，或者可能會被歪曲意思。但我理解不必時刻保持嚴謹，而是應(yīng)該在確保自己大概嚴謹?shù)那疤嵯�，真誠的說出自己的所有觀點，哪怕對方認為這是錯的也不要緊，錯了就改，對于個人不會有任何損失，反而個人得到了新知識，對長期大有益處。

04

追求全局最優(yōu)

做正確的事 vs 把事情做對；過程最優(yōu) vs 結(jié)果最優(yōu)；KPI vs OKR

組織中常見的問題是將部分最優(yōu)誤認為全局最優(yōu)。學術(shù)循環(huán)根本上是一個對全局最優(yōu)的不斷探索過程。

做正確的事 vs 把事情做對

“把事情做對” 是效率導向的，而 “做正確的事” 是效果導向的。高效地做錯誤的事，只會讓我們更快地達到錯誤的目的地。絕大多數(shù)失敗的項目不是因為執(zhí)行不力，而是選擇了錯誤的方向。

在 DeepSeek 的例子中，他們不僅追求技術(shù)上的完善，更追求方向上的正確性。如果僅關(guān)注現(xiàn)有算法的優(yōu)化而不考慮算法范式本身是否正確，就會像許多 AI 團隊一樣陷入局部最優(yōu)的陷阱。創(chuàng)新需要不斷質(zhì)疑：“我們是否在做正確的事？” 而不僅僅是 “我們是否把事情做對了？”

過程最優(yōu) vs 結(jié)果最優(yōu)

系統(tǒng)通常被設(shè)計為追求過程最優(yōu)：遵循規(guī)范、按時提交、沒有異常。然而，真正的創(chuàng)新往往來自對過程的打破。愛因斯坦不是通過嚴格遵循當時物理學的慣例得出相對論的，而是通過質(zhì)疑基本假設(shè)。

在學術(shù)循環(huán)中，結(jié)果最優(yōu)遠比過程最優(yōu)重要。這意味著組織需要容忍 “有益的混亂”，允許規(guī)則被打破，只要它服務(wù)于更高的目標。OpenAI 早期的文化就體現(xiàn)了這一點，他們不局限于學術(shù)界的標準發(fā)表流程，而是選擇最有效的方式推進研究，哪怕這意味著打破傳統(tǒng)。

KPI vs OKR

KPI 本質(zhì)上是對已知路徑的度量，而 OKR 則是對未知領(lǐng)域的探索。當一個組織過分關(guān)注 KPI 時，往往會陷入短視和保守。KPI 驅(qū)動的團隊會優(yōu)化已知的指標，而忽略潛在的突破性方向。

與之相反，OKR 鼓勵設(shè)定挑戰(zhàn)性目標，即使這些目標可能無法完全實現(xiàn)。這種方式更適合面對不確定性的創(chuàng)新環(huán)境。字節(jié)跳動的成功部分歸功于他們采用 OKR 而非純 KPI 的管理方式，使團隊能夠超越現(xiàn)有邊界。

真正的創(chuàng)新需要勇氣去追求那些在當下看似不可能的目標。學術(shù)循環(huán)本質(zhì)上是一個不斷挑戰(zhàn)自我認知邊界的過程，不是對已知路徑的精確執(zhí)行，而是對未知領(lǐng)域的系統(tǒng)性探索。最終，成功的組織不是那些把已知事情做到極致的組織，而是那些能夠持續(xù)發(fā)現(xiàn)并做出正確事情的組織。

結(jié)尾

創(chuàng)新不是偶然，而是一個內(nèi)在邏輯的必然。學術(shù)循環(huán)作為一種組織級別的智慧運行機制，本質(zhì)上是對人類認知過程的系統(tǒng)性放大和優(yōu)化。

當我們審視 DeepSeek、OpenAI 和字節(jié)跳動等案例時，我們看到的不僅是技術(shù)成就，更是一種思維模式的勝利。這種模式超越了個體天才的局限，建立了一種能夠持續(xù)產(chǎn)生突破的集體智慧系統(tǒng)。

學術(shù)循環(huán)的核心價值在于，它打破了創(chuàng)新的隨機性，將其轉(zhuǎn)化為一種可持續(xù)、可復(fù)制的路徑。這不是通過單一的管理技巧或團隊構(gòu)成實現(xiàn)的，而是通過培養(yǎng)一種特定的思維生態(tài)系統(tǒng)：理性思維提供基礎(chǔ)，心流狀態(tài)提供動力，接受人類缺陷提供韌性，追求全局最優(yōu)提供方向。

在這個系統(tǒng)中，創(chuàng)新不再依賴于罕見的天才或偶然的靈感，而是變成了一種組織能力，一種可以被刻意培養(yǎng)的文化特質(zhì)。真正強大的組織不是那些擁有最多專家或最多資源的，而是那些能夠持續(xù)進行有效創(chuàng)新的組織。

最終，學術(shù)循環(huán)揭示了一個深刻的真理：創(chuàng)新的本質(zhì)不在于技術(shù)工具或方法論，而在于我們?nèi)绾谓M織集體思考。當一個組織能夠系統(tǒng)性地超越人類思維的局限，真正的突破就會像水流入低洼處一樣自然而然地出現(xiàn)。

這或許就是為什么，在技術(shù)日新月異的今天，組織文化與思維模式仍然是最重要的競爭優(yōu)勢——因為算法終將被超越，但學術(shù)循環(huán)一旦形成，將成為源源不斷的創(chuàng)新之泉。

本文來自微信公眾號晚點latepost，作者為MetaGPT（mgx.dev） 創(chuàng)建者吳承霖（geekan），他是 AI 創(chuàng)業(yè)公司 DeepWisdom CEO，也是一名資深的工程師。他有 18 年的編程經(jīng)驗，峰值時期他一年使用了 21 門編程語言。