不断重复相同失败的世界
全球 R&D 支出每年超过2万亿美元。
其中有多少钱，被花在了不知不觉中重复别人已经失败过的实验上？
成功会变成论文、博客、登上大会舞台。但失败呢？死在个人笔记本里，埋在实验室的抽屉里，锁在制药公司的内部报告中。
地球另一端怀揣着同样假设的研究者，根本无从知晓那些失败。于是花同样的钱，烧同样的时间，得出同样的结论。
人类在黑暗中各自摸索，撞向同一面墙。
失败不是沉没成本
从两个问题出发。
- 世界上有无数的失败，难道其中就没有重复的吗？
- 失败能创造价值吗？
答案都是肯定的。
失败之所以没能创造价值，不是失败本身的问题，而是结构化成本太高了。
“我试过了，不行"只是酒桌闲聊。但"在这个假设下、在这些条件中、因为这个原因失败了"则是可搜索、可定价的资产。区别在于结构化。
一直以来，这种结构化的成本太高。要求一个已经失败的人去整理自己的失败，就像要求一个已经亏了钱的人再掏钱。谁会去做？
LLM 大幅降低了这一成本。把失败经历口述出来，机器就能提取并分类假设、条件和原因。结构化成本进入了商业可行的范围。
失败第一次成为可交易的资产。
空白就是机会
失败数据积累起来，地图就画出来了。
“这里试过了，没成功"的区域填得越多，“还没有人试过的空白"就越清晰。这些空白就是机会。
想想专利检索。发明者搜索专利数据库，是为了不重新发明已经存在的东西。搜索"已经被尝试过的"来避免重复——这种需求模式同样适用于失败。
只有一个区别。专利数据库记录的是成功，失败地图记录的是失败。如果成功的地图告诉你"别做了”，那失败的地图就告诉你"看这里”。
失败地图越精确，空白的边界就越清晰。边界越清晰，就有越多人投入探索。探索者越多，失败数据积累得越快，地图就越精确。
加速开始了。
专业失败者
在传统 R&D 中，失败是纯粹的成本。
试10次，失败9次，9次的费用就打了水漂。所以只有资本雄厚的一方才能大量尝试。尝试越多，成功概率越高。这就是资本的护城河。
在失败可以交易的世界里，这个结构被翻转了。
9次失败的每一次都在创造收入。失败的销售收入为下一次实验提供资金。不是随机乱戳，而是在失败地图上挑选空白处精准出击。试验次数增加了，试验精度也提高了。
一个新职业由此诞生：专业失败者。
靠失败维持生存，精确探索空白区域，将试验次数最大化的人。成功是概率游戏。尝试最多、最精准的人会赢。专业失败者就是这样的人。
专业失败者既是失败专家，也是处于最有利位置的准成功者。
巨头的护城河崩塌了
一款新药从研发到上市，平均需要10到15年，花费20到30亿美元。成功率不到10%。另外90%的失败数据被埋在大型制药公司内部。
这些积累的失败数据就是巨头的护城河。“我们知道什么行不通，你们不知道。”
AI 时代降低了研究的进入门槛，个人研究者和小型制药公司如雨后春笋般涌现。当他们在一个可以买卖失败的平台上相遇，全球的小型研究者实际上就组成了一个分布式 R&D 网络。
巨头用资本堆砌的护城河——内部积累的失败数据优势——被平台民主化了。
三个轮子同时转动
AI 替代现有工作岗位后，劳动力被释放出来。同时 AI 降低了研究的进入门槛。但在"失败就完了"的世界里，释放出来的劳动力很难投入研究。
当失败成为资产的那一刻，这个循环就被打通了。
投资者的算法也变了。传统 R&D 投资是成功或全额亏损。如果失败数据可以出售、收回部分投资，最坏情况就不一样了。资本开始流入以前风险太高而不敢碰的领域。
三个轮子同时转动。
人力 — 从 AI 失业转型为研究者。即使失败也能生存。探索者爆发式增长。
资本 — 失败风险降低，投资增加。更多实验成为可能。
数据 — 实验增加，失败地图更精确。空白越清晰，成功概率越高。更多投资和人才涌入。
只有结构化的失败才有效
需要一个警告。
分享原始失败是危险的。仅凭"这个不行"这样的信息无法了解背景。实验条件必须足够具体，才能判断是"同一个实验"还是"不同的实验”。这样才能在不抑制探索的前提下消除重复。
2002年有一本叫做 Journal of Negative Results in Biomedicine 的学术期刊，专门发表失败实验的论文。15年后停刊了。免费且非结构化的数据没有经济激励。
教训很明确。仅靠善意是不够的。失败必须被结构化，结构化必须有经济回报。卖失败的人必须赚到钱，才会有更多失败被结构化。更多的结构化失败让地图更精确。地图更精确才能减少重复。
驱动系统运转的不是善意，而是激励。
把灯打开
到目前为止，人类一直在黑暗中各自摸索，反复撞向同一面墙。
将失败资产化，就是把灯打开。让人们看到谁在哪里碰了壁。看到墙壁就能绕过去，看到空路就能跑过去。
当一个领域的失败缩小了另一个领域的空白，当失败地图跨越领域相互连接，人类的探索速度将呈指数级加速。
失败不是终点。失败是下一个人的起点。