在学术界常说的“内卷”，其实可以用数学优化中的“局部最优”来类比。这两者不能说有点像，只能说是一模一样。

两者在本质上都有类似的特征：个体在有限的规则和局部环境下，追求眼前的最优选择，却可能因此陷入整体效率或成果上的停滞。

在优化问题中，算法往往根据当前梯度选择方向，容易停在某个局部最优点。科研中的内卷也是如此：研究人员为了论文数量、项目数量等显性指标，不断投入精力，但这些努力并不一定对应学术发展的“全局最优”。一旦走入局部最优点，如果没有外力干预，算法就很难跳出。科研人员和机构在既有评价体系下，也会逐渐形成固定模式，比如追逐热点、重复低水平产出，从而进一步加深内卷。

正如优化算法在某个山谷中收敛，科研群体在同一套评价机制下趋同，结果是所有人都在持续的努力了，整体结果却并没有进一步提升。

在数学优化里，常见的跳出局部最优的方法包括随机扰动、模拟退火、全局搜索等。这些思路可以对减少科研内卷提供一些借鉴。例如，鼓励探索不同方向，支持冷门或跨学科研究，避免所有人挤在同一研究热点；在某些阶段放宽对短期成果的要求，允许研究人员有更多自由探索的时间，以换取更长期的突破；改进科研评价体系，不单纯以数量或即时指标为导向，而是重视质量、原创性和潜在影响力。——当然了，这些举措，其实也有很多人提过，但在整个社会的接受度和执行情况依然堪忧。

问题的本质原因还是挺简单的：很多人并没有意识到，局部的最优并不自然导致全局的最优。短时/局部/少量的挫折可能是长期成功的前提，对人对事都是一样的。具体到基金项目上，应该允许课题组以阴性结果结题。如果有一天，国自然的科研项目有20%以（部分）阴性结果结题，那就说明我们的研究确实站在了人类知识的前沿，而不是工程化的实现。

科研内卷与局部最优一样，并不是个体不够努力，而是系统本身的限制。借鉴优化算法的思路，若能在科研管理和评价机制上引入“全局视角”，就有可能让学术发展跳出“局部山谷”。