Science打脸“赢在起跑线”!少年天才90%成年后止步顶尖水平之下
涵盖科学、艺术、体育多个领域
梦晨 发自 凹非寺
量子位 | 公众号 QbitAI
“从小就要赢在起跑线”这套逻辑,被顶刊Science最新论文狠狠打了脸。
这项研究综合分析了超过34000名国际顶尖人才的成长轨迹,涵盖诺贝尔奖得主、典作曲家、奥运冠军以及世界顶级棋手。
结论颠覆人们观念:
少年天才往往止步于顶尖水平之下,和最终登顶的成年人近90%不是同一批人。
而最终达到世界级水平的人才,在早年阶段表现反而低于只达到国家级水平的同龄人。
作者团队来自德国凯泽斯劳滕工业大学(RPTU Kaiserslautern)体育科学系、密歇根州立大学心理学系、普渡大学心理科学系。
他们综合分析了多项研究数据,涵盖科学、艺术、体育多个领域。
“天才少年”长大后去哪了
长久以来,学界对人才培养的研究主要聚焦于年轻人。传统观点普遍认,早期表现越好、专项练习越多,后期成就越高。
全球各地的精英学校、音乐学院和青训学院也据此设计了选拔机制:挑出表现最好的年轻人,然后用高强度的专项训练进一步“加速”他们的成长。
但这套逻辑在真正的世界顶尖群体中是否成立,此前从未被系统验证过。
通过大规模数据追踪,研究团队给出了一个令人意外的答案:无论是体育、国际象棋还是学术领域,早期的“尖子”和成年后的“顶尖人才”之间的重合度都低得惊人。
具体来看,在一项涵盖超过5万名运动员的元分析中,82%的国际级青少年运动员在成年后未能达到同等级别,而72%的国际级成年运动员在青少年时期也没有达到过国际级水平。
将两组数据结合计算后发现,青少年国际级选手和成年国际级选手之间的人群重叠率只有约13%。换句话说,近90%是完全不同的两拨人。
国际象棋领域的数据更为精确。
一项研究追踪了国际棋联FIDE*2001年至2006年间所有14岁以下世界前十的棋手,一直跟踪到他们32岁。同时,也回溯了2015年至2024年间所有成年世界前十棋手的早年排名。结果显示,少年前十和成年前十的人群重叠率同样只有约11%。
学术领域呈现出同样的规律。一项研究追踪了6136名学生,发现顶尖高中毕业生和后来进入顶尖大学的学生之间,约90%是不同的人。
另一项针对美国的研究则表明,12岁时认知能力排名前1%的孩子,与35岁左右收入排名前5%的成年人之间,人群重叠率仅为1%。
世界级选手的反常成长曲线
既然大多数最终的顶尖人才并非少年天才,那他们的成长轨迹究竟是什么样的?
研究团队对比了508名世界级运动员(成年国际奖牌得主或世界前十)和420名国家级运动员(仅达到国家前十或国内顶级联赛水平)从14岁到22岁的表现发展曲线。
结果发现,最终达到世界级水平的运动员,在早年阶段的表现反而低于那些只达到国家级水平的同龄人。
诺贝尔奖得主的发展轨迹也符合这一模式。研究者分析了330名物理学和化学领域的诺贝尔奖得主与1595名曾获诺贝尔奖提名但未获奖者在获奖或提名前28年的论文引用排名。
数据显示,诺贝尔奖得主在职业生涯早期的论文影响力反而低于那些最终未能获奖的被提名者。
国际象棋的数据同样印证了这一点。过去十年(2015年4月至2024年3月)世界排名前三的棋手,在巅峰期平均比排名第四到第十的棋手Elo分高出48个。但追溯到14岁时,这些后来登顶前三的棋手反而比第四到第十名的棋手Elo分低62。
简言之,在最顶尖的人群内部进行比较时,成年巅峰表现与早期表现之间呈现负相关。
早年发展慢的人,反而容易走得越远。
“少练专项、多玩别的”才是顶尖配方
这项研究中更具颠覆性的结论在于,预测早期成就和预测最终世界级成就的因素不仅不同,而且方向完全相反。
对于青少年优秀者他们的共同特征是:更早开始专项训练、更早进入精英人才培养项目、更早达到各类“里程碑”(如首次参加全国或国际比赛)、在主项上投入更多练习时间、而在其他领域的练习时间更少。
但在成年世界级群体中,规律完全反过来。
世界级运动员相比国家级运动员开始主项训练的年龄更晚,进入精英培养项目的年龄更晚,达到各类里程碑的年龄也更晚。
更关键的是,他们在主项上累积的练习时间更少,但在其他运动项目上的练习时间更多。
平均而言,世界级运动员在童年和青少年时期从事过两项其他运动,持续约9年。这一规律在所有奥运会项目中都保持一致。
科学界和音乐界的数据也支持这一模式。
一项针对德国科学家的研究发现,诺贝尔奖得主相比仅获得国家级最高科学奖的科学家,获得学生奖学金的比例更低,获得首个正教授职位的年龄更晚,但在科学内部的跨学科实践以及科学之外的活动(如艺术、音乐、手工艺等)方面投入更多。
另一项涵盖510名诺贝尔奖得主和2900名英国皇家学会及美国国家科学院院士的研究也表明,诺贝尔奖得主在科学之外的业余爱好和职业实践明显更为丰富,平均多出两项。
音乐领域的证据来自对历史上59位最负盛名的歌剧作曲家的911部歌剧的分析。
研究发现,一部歌剧的长期成功与作曲家此前创作的同类型歌剧数量呈负相关,但与其此前创作的所有类型作品的总数呈正相关。
这意味着跨类型的多元创作经验,而非单一类型的深度专注,才是预测杰作诞生的关键因素。
研究者用元分析汇总了跨学科实践和早期缓慢进步对世界级成就的效应量,发现无论是在体育、科学还是音乐领域,这些效应量的大小和方向都高度一致(Cohen’s d = 0.39到0.58),且不同领域之间的差异不具有统计显著性。
难道世界级人才的发展可能遵循某种跨领域的普遍规律?
三个假说与实践启示
既然现有的理论框架无法解释这些新发现,研究团队提出了三个候选假说作为未来研究的起点。
第一个是“搜索匹配假说”(search-and-match hypothesis),源自劳动经济学:
在多个领域的实践经验会增加一个人找到最适合自己天赋和偏好的领域的概率,而找到“最优匹配”的人更有可能最终达到顶尖水平。
第二个是“增强学习资本假说”(enhanced-learning-capital hypothesis),源自学习迁移理论:
在不同领域的多样化学习经历可能从三个方面扩展一个人未来的长期学习潜力,促进灵活思维和跨领域整合能力、增强对不同学习情境的适应能力、以及帮助学习者理解什么样的学习方法对自己最有效。
第三个是“有限风险假说”(limited-risks hypothesis):
早期的跨学科实践(通常伴随着较少的专项训练)可以降低职业生涯中各种风险因素的累积,包括过度训练导致的倦怠、过高的机会成本(如牺牲社交、教育或其他爱好)*、对某个不再热爱的领域的过度投入、以及体育和音乐领域常见的过劳损伤。
基于这些发现,研究者对现行的精英人才培养体系提出了质疑。
当根据早期表现来选拔人才时,往往只包含了未来成年顶尖成就者中的少数人,而大多数未来的顶尖成就者落选了。
他们建议,青少年培训项目的教练和管理者可以鼓励年轻人在专注于单一领域之前,先在多个领域进行持续数年的认真练习。
例如,青少年足球教练可以鼓励球员每周抽出两次训练时间去从事篮球、网球或体操等其他运动。钢琴老师可以鼓励学生同时学习长笛、小提琴或打击乐。物理竞赛辅导老师可以建议学生同时参加计算机科学、生态学或哲学的课外项目等。
论文在结论中写道:
不同领域中相似的发展模式,暗示着人类最高成就的获得可能存在广泛甚至普遍的底层原理。
One More Thing
论文发表后,引起了激烈讨论。
天赋和努力到底哪个重要?
又或者最后泯然众人的神童本来可以有不同的结局?
也有人质疑论文的一些核心结论。
UC伯克利教授Alex Dimakis指出,这项研究可能犯了两个经典的统计学错误。
第一个是基础率谬误(Base-rate fallacy)。论文确实承认,精英青少年成为顶尖成年人的概率是普通人群的49倍,这个关键信息被埋在了第6到7页的技术分析中,但在摘要和结论部分几乎没有充分讨论。
研究表明年轻时的顶尖者和成年后的顶尖者不是同一批人,但这其实是意料之中的,因为非精英的年轻候选人基数本来就大得多。
第二个更微妙的问题是伯克森悖论(Berkson’s paradox),也叫对撞偏差(Collider Bias)。
论文声称“在最高成就水平的群体内部,巅峰表现与早期表现呈负相关”,这恰恰是伯克森悖论的经典表现。
用一个简化的例子来理解:假设要成为一名成功的演员,你必须要么长得极其好看,要么极其有才华。再假设在普通人群中,才华和外貌是完全独立、不相关的。
然而,如果只观察成功演员这个群体,你会发现才华和外貌之间呈现出负相关,长得越好看的演员似乎越没才华,越有才华的演员似乎长得越普通。
但这种负相关不代表任何因果关系,它只是选择过程的产物,不应该被外推到一般人群。
Alex Dimakis还给出了一个例子辅助说明:在NBA球员中,得分能力和身高呈负相关。
原因是要进入NBA,要么身高有优势,要么得非常擅长得分。身高一般但能进NBA的球员,必然在得分能力上极为突出;而那些得分能力一般但能进NBA的球员,必然在身高上极为突出。
现在争论的关键点变成了,青少年表现好和成年表现好这两个变量到底是不是独立不相关的?
但无论怎么样,这项研究还是给了很多人启发,特别是教育工作者。
甚至有人联想到了大模型训练。
论文地址:
https://www.science.org/doi/10.1126/science.adt7790
参考链接:
[1]https://x.com/ValerioCapraro/status/2002354094195843143
- GPT-5.2果然反超谷歌Gemini 3 Pro!北大数院校友核心贡献2025-12-12
- 钉钉又发新版本!把 AI 搬进每一次对话和会议2025-12-11
- 英伟达自毁CUDA门槛!15行Python写GPU内核,性能匹敌200行C++2025-12-08
- GPT-5-Thinking新训练方法公开:让AI学会忏悔2025-12-04




