ous with Rama）中描绘到，一个巨大的圆柱形飞船闯入太阳系，人类派出航天员探险队侦察情况。这艘飞船被命名为“拉玛”，最初人们认为它是一颗小行星；但是，一套名为“太空卫士”的自动化望远镜检测出了它的真实面目。自2077年一颗流星撞击意大利北部起，“太空卫士”就投入使用，于是人类建立起了一个提前预警系统，开始防范与地球运行路径有可能交叉的任何物体对人类造成潜在的威胁。
此书出版数年之后，人们真的发起了一个类似的项目。发起者为了向克拉克致敬，就把这个项目命名为“太空卫士调查”。这个项目运用了多种探测方法，其中包括空间自动检测对象。不但科幻小说变成了现实，“太空卫士调查”还开启了一种全新的科研方法：自动化。运用自动图像处理技术来检测近地物体，这一部分工作就叫作太空监视。得益于此，1992年，人类发现第一颗彗星，并蹩脚地将其命名为C\/ 1992 J1。
自动化科学应用广泛，从生物学到天文学到理论数学，皆是通过计算机来实现新的发现，识别新的事实。我们的项目也丰富多彩，有通过研究海水的基因序列发现新物种的，也有让化学家自动探寻合成特定化学产品的方法的。你甚至可以从一个叫作TheoryMine的网站获得一条新数学定理，它由复杂的计算机程序编写而成，这个程序会自动生成一个数学证明，并用你或你心爱的人的名字为定理命名。这是挂上了个性牌照的自动发现。
但是，新鲜上演的大事还远不止这样：现在有一项名为公民科学的运动。我们每个人每天都与当下的科学发现息息相关。这怎么可能？原理相当简单。虽然计算机擅长做很多事情，像加总数字、统计文档的字数等等，但是也有很多简单的事情它们做不好：我们仍然在为照片归类、阅读模糊文本方面领先于计算机。虽然挡了以全球统治为使命、依赖于文字指示的机器人的路，但是计算机的这种自身局限性倒是为计算机科学开创了一个全新的领域——人脑运算：容易搞定的任务之所以分配给多人执行，往往要么为了省钱，要么是有人巧妙地把任务藏在了游戏里。其中最有名的一个例子是，我们常常会读对错乱的文字11，从而向一个网站证明我们是人类。原本的大麻烦，现在被人们巧妙地数字化为《纽约时报》（The New York Times）的资料库。识别出错乱的已知单词，与计算机无法识别的单词配上对，就这样，日常用户正帮着把报纸和书籍转换成数字格式。
科学家们开始利用这种人脑运算。过于复杂、计算机（甚至是一个人）无法梳理的大量数据，研究人员就依靠公民科学工作者来处理。例如，在星系动物园普查（Galaxy Zoo）中，参与者要对科学家们分发的星系照片进行分类。参与者不是专家；他们只是被培训了一分钟的人，但是他们对太空感兴趣，或者是他们想要推动科技进步。
一些勇敢的科学家化繁为简——他们发现，如果要预测不同化学构造的蛋白质的折叠形状，那一个叫作“蛋白质折叠”（Foldit）的网络小游戏的玩家其实比最好的计算机还要能干。
我们在很多需要新知识的任务中仍然领先一步，这要归功于我们的模式检测能力和大脑工作的特异性。所以，事实上，正在改变的事实并不是脱离一般民众的。我们现在是科技进步的一部分。不仅仅是科学家、发明家甚至探险家，我们每个人都能够参与到知识创造的过程中来。
从知识的角度看，时下情势大好：有史以来我们第一次拥有了巨大的计算能力，科学发现的许多相关信息得以数字化——网上可供分析的科学数据多得惊人。此外，通过计算得出，发现也走上了自动化之路，而公民科学赋予它广泛的社会基础。
这些合力改变了科学新知识的产生方式，还赋予我们科学发现的大量数据。这就引出了我与一位合作者，尼古拉斯·克里斯塔基斯（Nicholas Christakis），探究已久的尤里卡计量学（Eurekometrics）12。尤里卡计量学研究的是科学发现本身。那些更传统的、使用引文的科学计量学方法仍然是非常重要的。它可以告诉我们科学家如何合作，可以测算科学研究的影响，可以做出科学知识的增长趋势图，但是它们通常不会明说内容本身抑或其属性。比如说，我们关注的并不是植物生物学杂志里文章的属性，相反，我们是想知道已发现的植物物种的属性。
举一个尤里卡计量学的简单例子——也是我参与过的一项研究——人类有所发现为何越来越难。
如果回顾历史，你会有一种感觉，科学发现曾经易如反掌。伽利略把物体沿斜坡滚下；罗伯特·胡克（Robert Hooke）玩弹簧玩出了弹性；牛顿斜眼瞟见一个织补针，于是理解了色彩感知。想问出正确的问题，没有创造力和知识可不行（也许得无拘无束），但实验本身可能并不深奥。如果你想在今天的物理学领域有所斩获，那么加入一个万人团队吧，倒腾价值数十亿美元的粒子加速器可能会有一点帮助