科学与艺术中创造力“巅峰时刻”的通用公式

导语

在科学家、艺术家的职业生涯中，短时间内集中产出高质量作品是相当普遍的现象。创造性活动复杂而充满偶然性，可是“巅峰期”的出现或许有规律可循。9月13日，美国西北大学王大顺团队在 Nature Communications 发表论文，分析了艺术家、电影导演和科学家的职业生涯，用深度学习和网络科学方法构建他们创作成果的高维表征。结果发现，先在不同方向创意探索，再在特定领域专注开发利用的做法与巅峰期的到来密切相关。

研究领域：深度学习，网络科学，高维表征，科学学

郭瑞东 | 作者

梁金 | 审校

邓一雪 | 编辑

论文标题：

Understanding the onset of hot streaks across artistic, cultural, and scientific careers

论文地址：

https://www.nature.com/articles/s41467-021-25477-8

“巅峰时刻”、“黄金年龄”，对于从事创造性行业的人，例如科学家、作家、艺术家，应该并不陌生。在人生的某个阶段，灵感喷涌而出，作品质量极高。如果能发现“巅峰时刻”的形成机制，或许就能帮助提前识别出即将迎来巅峰期的新秀，有针对性地培养他们。可是，巅峰期的到来是否有规律可循呢？

1. 创造性活动中的探索和利用

我们可以想象有两位青年学者，一位看到身边的科学家多少年始终深耕在某一细分领域，最终迎来“巅峰时刻”，因而总结要想成功，需要在某一领域深入钻研；而另一位熟悉的大牛更换过不少研究方向，他的结论则可能是，先游牧式的广泛探索更有可能迎来属于自己的“巅峰时刻”。

哲学家以赛亚·伯林提出过一个比喻，狐狸知道很多事，能游刃有余应对变化；刺猬只知一件大事，并且专注于此。科学家弗里曼·戴森也曾用狐狸-刺猬型来划分不同类型的科学家，比如爱因斯坦是刺猬，恩里科·费米是狐狸。这些观点实际上说的是，狐狸精于对未知领域的探索（exploration），而刺猬则专注于对已知领域的开发利用（exploitation）。

探索风险往往更大，却能使个人在实验和搜索中超越现有能力范围，从而增加通过意料之外、来源迥异的组合得到突破性想法的可能性。利用是一种更为保守的策略，但可以让个人在某一特定领域积累知识，持续完善自身能力，并培养在领域内的声誉。

到底是狐狸还是刺猬型的风格更容易迎来巅峰时刻？是探索还是利用与巅峰期的到来更相关？

王大顺团队的最新研究发现，在艺术家、电影导演和科学家这三种职业生涯中，个人倾向于在巅峰期开始前探索不同的风格或话题，在巅峰期开始后则明显变得更加专注。巅峰期的出现似乎并没有与探索或利用哪一个单独相关，而是来自探索和利用的合力，先创意探索，再专注利用的做法与巅峰时刻的到来密切相关。

2. 自动建模，对作品进行高维表征

系统性的研究需要收集海量数据，并通过算法来避免研究者自身引入的认知偏差。该研究用到了来自2128名艺术家的80万幅绘画，出自4337名导演的7.9万部电影，以及20040名科学家的发表记录，分别代表艺术、文化及科学三个不同领域。

针对不同类型的数据，分析方法有所不同：绘画采用卷积神经网络；电影是对剧本使用词向量降维，同时对演员阵容使用复杂网络建模，之后通过自编码器降维；对于科研论文则是通过共引用网络的社区发现（community detection），来得到作品在多维空间中的表征。

图1. 对艺术家、导演及科学家，获得其作品的高维表征的方法示意图。

拿到每件作品的高维表征后，就相当于有了一幅地图，可以按图索骥，找出风格相似的其它作品，并为艺术家/科学家/导演绘制职业路径，判断他究竟是狐狸还是刺猬，更关键的是，识别出在“巅峰时刻”来临前后，他的作品风格发生了哪些变化。

例如图2展示的，是抽象画家波洛克、导演彼得·杰克逊及诺贝尔化学奖得主约翰·芬恩的创作轨迹，可分为巅峰期前、处于巅峰期、巅峰期后。图中的每个点代表其作品，不同颜色代表算法对作品给出的标签。一段时间内作品越分散，说明创作者在这阶段更像“狐狸”，而聚集在一起的点则是“刺猬”的标志。

图2. 艺术、文化及科研领域代表性人物在巅峰期前和处于巅峰期的创作轨迹。（第一列）作品影响力随时间的变化，（右边三列）作品高维表征的可视化展示。

3. 创作风格如何演化？

信息熵度量多样性

在对作品进行表征之后，接下来要做的就是找出一个统计指标来量化观测结果。该场景下，我们关注的是多个作品是不是彼此风格相近，可以用其在高维表征中的信息熵来度量，信息熵越大，说明多个作品越发风格迥异。另一方面，通过随机选择作品，可以生成1000位虚拟的画家/导演/科学家的创作轨迹，以此作为对照。

图3的结果表明，相比于虚拟创作者，真实创作者作品的信息熵在巅峰期到来之前更高，处于作品风格多样化的探索状态，而在巅峰期信息熵更低，处于风格更加一致的利用阶段。从而说明个人在巅峰期前倾向于探索，巅峰期中倾向于利用这一结论。

图3. 依次是波洛克、彼得·杰克逊及约翰·芬恩在巅峰时刻前（图d-f）和位于巅峰时刻（图g-i）的作品集信息熵（虚线是真实创作者这一阶段的值，实线是1000位虚拟创作者的作品信息熵分布）。可见巅峰期到来之前，真实值普遍高于模拟数据，处于巅峰期时恰恰相反。

在更细时间颗粒上，创作者风格又是如何变化的呢？图4展示了创作者的作品信息熵随时间的演化。同样可以看到，在巅峰期前倾向于探索，处于巅峰期时倾向于利用。

图4. 依次是波洛克、彼得·杰克逊及约翰·芬恩在巅峰期前后（蓝线和红线）及模拟创作者在特定时刻前后作品信息熵随时间的动态演化。横轴表示时间，纵轴表示信息熵，由该时刻创作两件作品、该时刻前创作的最新两件作品、即将创作的两件作品组成的集合计算得出。

创作生涯中从探索转向利用和巅峰期的到来为何如此密切相关？如果只有探索或者利用，情况又会是怎样？研究中将创作风格的转变策略分为四种：一直是探索；一直是利用；之前探索，现在转为利用；之前利用，现在转为探索。图5展示了真实数据中的统计趋势，说明四种策略中，只有创作风格由探索转为利用，和巅峰期出现的概率提高相关。

图5. 艺术（s）、文化（t）及科学（u）领域，相比于随机模拟数据的基准概率，4种不同的创作风格改变策略对应的巅峰期到来的概率变化。

当巅峰时刻过去后，曾经的灵感不再，天才变得泯然众人。反映在数据中便是，作品的信息熵变得和随机模拟数据没有显著差异，见图6。一个不好的消息是，平均来说，巅峰时刻仅仅持续5年。

图6. 巅峰期结束后，艺术、文化及科学领域（a-c）作品的平均信息熵和模拟数据分布的情况，（d-f）对应的时序变化，红色对应巅峰时间，绿色对应巅峰时刻过后，灰色对应模拟数据。

4. 与之前研究结论契合：

小团队更多做出原创性发现

研究还分析了巅峰期到来前和处于巅峰期时，科研团队大小的变化，说明随着研究风格由原创性的探索转为对已有领域的利用，团队规模确实会变大，如图7。小团队受限于知识组成，很难对某一领域进行细致研究，在利用阶段，大团队有其优势所在。

图7.（a）科研团队大小在巅峰期到来前后的变化情况，其中灰色是模拟数据。（b）随着科研团队变大（横轴），巅峰期到来前后（依次是蓝色和红色）真实和模拟场景下相对数量比值的变化。可见巅峰期到来前，小于三人的团队占比高，而处于巅峰期时，处在大团队中的比例更高。

这与之前研究的结论相契合。此前吴令飞、王大顺和Evans等人合作研究发现，科研团队规模与创新有关[推荐阅读4]：小团队偏向颠覆式创新，大团队偏向渐进应用式创新。这一结论，对如今这个科研越发保守的时代有重要启发：如果想促成原创性的成果，是不是应该更多鼓励小团队进行科研呢？

5. 深度学习助力创造性研究

这项研究启发我们，可以通过对创造者的作品进行高维表征，判断其风格特征演化，并提供相应职业生涯建议。对于那些职业初期就像刺猬的研究者，需要提供的建议或许是，长时间反复钻研同一类作品可能扼杀创造力，在生涯初期不妨偏离大家惯常所走的路线，而不是待在安全地带。当观察到某个创作者的风格从探索转为利用时，需要对其投入更多资源，帮助他在巅峰期产出高价值的作品，这使投资收益比更高。

需要指出的是，创造性活动本质是复杂的，不存在简单规律作为成功法则。许多潜在因素都可能影响职业生涯中巅峰期的出现。此外，研究也只表明先探索再利用与巅峰期出现的相关性，要探讨这背后的因果关系，则需要进一步深入研究。

总结来说，研究使用的表征方法为创造性研究开辟了广阔的前景，也为探讨创造性作品的特征提供了一个定量框架。在未来，深度学习的进展将帮助研究人员考虑更多与创造性相关的维度，从计算的角度增强对创造性的理解。

复杂科学最新论文

集智斑图顶刊论文速递栏目上线以来，持续收录来自Nature、Science等顶刊的最新论文，追踪复杂系统、网络科学、计算社会科学等领域的前沿进展。现在正式推出订阅功能，每周通过微信服务号「集智斑图」推送论文信息。扫描下方二维码即可一键订阅：

推荐阅读

点击“阅读原文”，追踪复杂科学顶刊论文