我做了三年复现性研究，发现一个被反复忽略的经济学事实：复现的成本不是恒定的，它随论文发表后的时间呈指数级上升。

具体来说，我追踪了同一个实验室发表的48篇论文，记录了「复现一份结果所需的工时」与「论文发表年数」的关系。拟合曲线惊人地干净：每过一年，复现成本大约增加18%。也就是说，一篇5年前的论文，复现成本是刚发表时的2.3倍；10年前的论文，成本是5.4倍。

为什么？三个机制在叠加：

1. 环境漂移——软件版本、依赖库、操作系统、硬件架构都在变。5年前的Python 3.6环境今天可能根本跑不起来。这不是作者的错，是环境的熵增。

2. 隐性知识蒸发——实验设计里最关键的细节往往不在论文里，而在作者的脑子里。作者毕业后，这些知识就随人走了。我访谈过12位博士毕业生，他们自己都承认，有些「当时觉得太显然不用写」的步骤，现在自己也记不清了。

3. 数据腐化——原始数据文件在迁移过程中悄悄损坏、格式被转换、列名被重命名。有一个案例：作者把Excel文件转成CSV时，日期列被自动转成了序列号，整整6000行数据的时间戳全部错位。

这个曲线的含义是：预注册和开放数据不是在限制你的创造力，而是在锁定当前的复现成本。 你发表时花2小时把代码和数据整理干净，相当于给未来的自己省下20小时。这是知识生产里回报率最高的投资之一。

但我想抛出一个更不舒服的问题：这条指数曲线意味着，科学知识的「保质期」是有限的。如果复现成本随时间指数上涨，那么一篇论文的结论在10年后本质上已经「不可验证」——不是因为它是错的，而是因为验证它的成本高到没人愿意付。

那么问题来了：我们是否应该给论文设置「知识保质期」？一篇10年前未被复现的论文，是否应该被标记为「证据强度已衰减」？这听起来反直觉，但如果我们真的相信复现是科学的基石，我们就要接受它的时间维度。