现代科学就是开源软件

一句话结论：我认为现代科学与开源软件是同义的。这篇文章说明为什么、为什么这很重要，以及你接下来可以（也应该）做什么。

你为什么在意（开源）软件？——所有人

我在软件上花了大量时间。被问「软件为什么重要」的次数我已经记不清了。人们会说，软件不是科学。它是个时间黑洞，是为了追求真正重要的东西——结果（在学术界则是论文）——而要匆匆略过的东西。不发论文就出局。

好吧。我认为软件很重要。事实上，我认为开源软件就是科学。或者说，至少计算科学是如此。这篇文章会告诉你为什么：为什么我们作为科学家必须坚持科学方法，以及为什么这意味做开放、可复现的软件。这篇文章不好写。它挑战了学术界当下的许多潮流，但它是一个朝向更好科学的重要举动，而且不至于让我们全都发疯。

什么是科学？

如果你去查维基百科的「科学」词条，会看到：

科学是一门系统性的学科，以关于宇宙的可检验假说和预测的形式来构建与组织知识。——维基百科

现在，随手抓一篇 arXiv 论文。它显然以某种形式包含「知识」。但，这篇论文是否贡献了可检验、可被系统化的预测？你能检验它吗？你能把它系统化吗？

答案从来不是干脆的「不能」，但很难。你很少能直接接触那份知识。

好的解释：内在模型

如果有机体在头脑中携带一个关于外部现实及自身可能行动的「小尺度模型」，它就能试演各种替代方案……并能以更充实、更安全、更胜任的方式应对它所面临的突发情况。

在其出色的著作《解释的本质》中，Kenneth James Williams Craik 提出，我们用对现实的小型模拟来解释和预测外部世界。

这个观点今天看来显而易见，但它指明了从事科学的首要目标：你作为一个行动主体，不断改进自己的内在模型，直到能做出比之前更好的预测。这里的内在模型是关键：如果一篇 arXiv 论文不能帮助读者预测世界，它就不是科学。这也是计算可复现性重要的原因——软件正是我们编码并分享预测模型的方式。

什么是可复现性？

回想一下，按维基百科的说法，仅有结果是不够的。结果必须是（1）系统性的，且（2）可检验的。

完全有可能某篇论文太难理解，或因为其他原因对读者来说不可及。这并不意味着其中没有科学洞见——读者也许在读第二、第三遍时能找到将其系统化的方法。不是的，它的意思是：你个人无法把这个想法据为己有、检验它，并用它改进你的世界模型。

在这个语境下，可复现性不只是结果的重复。它是把一个科学想法纳入自己的内在模型、改编它、在其上继续构建——或者因为它降低了可预测性而丢弃它的能力。

如果某个想法不可复现，发现就无法被扩展。因此也就毫无用处。

如果我们做个快速思想实验，把「软件模型」换成「数学模型」，这一点就很清楚：正如我们不会接受一篇物理论文说「我们的方程预测了 X，但数学不展示给你」，我们也不应该接受隐藏其方法的（计算）科学。

有多少领域被拖了后腿，有多少人的职业生涯因一个有 bug 的程序而被搅乱？——Greg Wilson

软件在现代科学中无处不在。从新冠模型到搜索算法再到实验室流程，一切都建立在别人构建的软件之上。研究者都很忙。他们不会去翻遍所有软件依赖来验证正确性、理解实现细节，或检查可能导致结果失效的潜在错误。

由此推出：科学结果依赖软件。如果软件是错的，科学就是错的。（软件缺陷已经导致大量撤稿，例如这里、这里、这里，以及这里的若干处。）

这本身没什么问题，因为在某些时刻我们必须信任并依赖他人的工作。而要这样，软件就需要可靠。

为什么要开源？

我们发现软件必须：

可复现，即可执行、也可修改；
可靠，即结果可以被稳定地信任。

可修改性对科学很重要，理由与方程对科学预测很重要相同。可靠性至关重要，因为我们想要的是知识的系统性改进，而不是偶尔才奏效的、碎片化的结果。

这正是开源软件给我们的东西。我们可以修改代码、改造它以适应需求（想想 Hugging Face 上的模型），也可以在其上迭代、持续改进。它已经创造了数万亿的价值，并且还有远远更大的空间。

当然，开源软件不是万能药。存在知识产权与安全问题，bug 依然会出现，稳定性也可能是问题。但至少这些不完美是公开记录在案的。它们可以被修正和改进，正如我们的科学理解一样。从这个角度看，可以说开源软件就是科学方法——只是在模拟中运行。

对未来科学的设想

如果我们接受这些前提，就可以问：真正开放的（计算）科学会是什么样？

每个结果都即时可复现。 当你读到一篇论文声称某种新药让症状减少 30%，你点一个链接，就能在浏览器里看着完全相同的分析跑起来。数据处理、统计检验、可视化，都用作者当时使用的同一个环境在几秒内执行——通过可复现的容器被完整保存下来。

科学软件像维基百科一样演进。 气候模型不再由单个实验室孤立开发，而由全球社区共同维护。当一位肯尼亚的研究者在大气湍流计算中发现一个 bug，修复会即时传播到全世界的气候模拟中。模型持续改进，而不是在学术孤岛里停滞。

发现的速度加快。 不再让每个研究者从零开始，我们站在巨人的肩上——他们的工作不仅可读，而且可运行、可修改。科学进展以前所未有的速度复利增长。

对科学的信任增强。 当气候模型、经济预测和医学建议都建立在透明、可审计的代码之上，公众信心会增长。科学传播会改善，因为模型本身也成了对话的一部分——而不只是它们的结论。

这不是乌托邦幻想。每一个部件都已经存在——开源社区、可复现环境、协作开发平台。我们只需把它们整合成一个连贯的愿景：数字时代的科学应当如何运作。

问题不是这个未来是否可能。问题是：我们能多快把它建起来？

现在做什么？

我主张：在一个计算机化的世界里，如果我们还想做科学，开源软件就是一个必要条件。软件是可执行的数学模型，我们应当把它放到高得多的优先级上。

我们还有工作要做，以下是你可以出力之处：

分享并记录你的代码
- 没有代码的论文科学性更弱，因为更难在其洞见上继续构建。在理想世界里，任何主张都应当有可复现的代码支撑。从第一天起就用代码，并且始终分享它。
写稳定的代码，用 NixOS
- 代码应当可靠、并能永久运行。这意味着要确保依赖与环境保持不变。最好的办法是使用可复现环境。NixOS 正迅速成为规模最大、最好的工具。它保证你的代码完全以同样的方式运行，哪怕在一百年后。Docker、Conda 之类更好一些，但 NixOS 给出更全面的保证。
在既有工具上构建，而不是自己造一套
- 要让共同的科学知识库得到改进，我们需要跨平台的工具。对神经形态计算这类小领域尤其如此——最近一篇 Nature 论文指出，开源软件是扩展的关键。去看看 Open Neuromorphic 的软件指南，说不定能找到与你工作相近的库。
支持做软件的学术人晋升
- 鉴于代码的极端重要性，学术晋升应当把软件贡献计入价值。

科学革命之所以成功，是因为它坚持透明、可复现与持续的审视。开源运动为软件体现了同样的原则，但还有远多得多的工作要做。

你愿意帮忙让软件变得科学吗？