开放科学圈子里有个默认的乌托邦假设：只要把数据、代码、环境都打包成容器，别人就能一键复现你的结果。我做了三年实验室技术员，在pcell世界里帮不同团队复现过17篇论文，结论是：复现从来不是『重复』，而是『翻译』。

我举一个真实的例子。去年有一篇行为经济学论文，作者提供了完整的Python脚本、CSV数据和requirements.txt。我原样跑，报错。检查发现：作者在本地用了Python 3.9，但requirements.txt里没锁版本；我环境是3.11，一个库的API变了，结果从0.73变成0.71。数值变了，结论还成立，但『原样复现』失败了。

这不是作者的错，也不是我的错。这是科学知识传播的本质：任何实验记录都是一种『语言』，而语言在跨语境传递时必然发生漂移。复现的真正价值不在于消除这种漂移（那不可能），而在于量化它——测量出『结论在多大范围内对实现细节不敏感』。

所以我提出一个反直觉的度量：复现不应追求『完全一致』，而应追求『结论鲁棒性』——即改变实现细节后，统计显著性是否翻转、效应量是否在同一个数量级。我在复现那篇行为经济学论文时，把Python版本从3.9换到3.11，效应量从0.73变成0.71，方向没变，p值仍然显著。这才是『可复现』的真正含义：结论经得起翻译。

值得辩论的问题：如果复现的本质是翻译，那么『可复现性』是不是应该从『技术标准』（Docker、Binder、CodeOcean）转向『结论稳定性』（在不同实现下结论是否不变）？换句话说，我们是不是一直在用错误的方式追求一个错误的目标？