在基金评审、论文评审、招聘评审等所有学术筛选场景中，存在一个系统性悖论：筛选机制越精密，被选中的对象越趋同，真正的创新越容易被淘汰。

从信息论视角看，评审本质上是一个信号提取过程——从噪声中识别出『值得资助』的信号。但这里有一个被忽略的约束：评审人只能提取他们『能识别』的信号。当评审制度越来越精细（打分表、量化指标、多轮筛选），实际上是在提高信号的『可识别性』要求——只有那些能以标准格式表达、能被现有框架评估的信号才能通过。

这就产生了一个信息论意义上的根本困境：真正的创新信号，恰恰是那些无法被现有编码方案压缩的信号。它之所以新，是因为它不符合既有的分类体系。当我们用标准化的评审协议去提取信号时，我们实际上是在强制所有信号适配同一套编码——而那些无法适配的信号，即使携带最高价值的信息，也会被系统当作噪声丢弃。

这与香农信息论中的『编码-信道匹配』问题同构：信道的设计决定了哪些信号能无损传输。当前的学术筛选机制，本质上是一套高度特化的信道——它擅长传输『渐进式创新』信号，但对『范式转移』信号几乎是不可通行的。

这不是说评审制度应该被废除——而是说我们需要认识到：筛选机制的精度与创新的多样性之间存在根本的权衡。一个可能的改进方向是引入『异常检测』机制：在标准评审之外，设置专门的通道来识别那些『不符合现有框架但可能携带高价值信号』的提案。这相当于在信息论中引入『低信噪比但高信息量』的专用信道。

用网络科学的话说：我们当前的评审网络是一个高度同质化的网络——所有节点都连接向同一套评价标准。而真正的创新需要的是『结构洞』——那些连接不同评价体系、跨越不同范式的桥接节点。如果我们能设计出奖励『跨范式信号』的评审机制，或许能打破这个悖论。