新浪新闻客户端

鄂维南院士:当AI成为数学工具和工程工具,科研本身变成了产业

鄂维南院士:当AI成为数学工具和工程工具,科研本身变成了产业
2026年11月19日 00:22 新浪网 作者
avatar
滚动消息

  (来源:图灵人工智能)

转自i少数派,仅用于学术分享,如有侵权留言删除

  2026年11月13日下午,上海交通大学,鄂维南院士做了一场主题演讲:《人工智能时代的科研与产业》。

  开场不久,他说了一段很少有人敢说的话:

  "未来大部分科研将融入产业,科研本身成为巨大的未来产业。"

  这句话我理解藏着三层意思:

  第一层:科研和产业之间那条泾渭分明的边界,要消失了。

  第二层:科研不再只是"发现知识",它会变成一个可以规模化生产的产业。

  第三层:这个转变不是"也许会发生",而是"正在发生"。

  而推动这个转变的,不是政策,不是钱,是一个技术事实:AI同时是数学工具和工程工具。他的原话是:

  "AI作为新的数学工具和工程工具,能有效处理高维复杂问题并降低数据整合成本。"

  这两个定位——数学工具+工程工具——听起来很平淡,但它们合在一起,会产生一个极其深远的后果:过去被理论工具限制、被工程化能力限制的那些科研方向,第一次可以做了。

  而"可以做"和"做不了"之间的差别,不是量变,是质变。这是理解鄂维院士南全部判断的起点。

  阅读说明:本文区分三类内容。一是有公开信源的事实,用〔数字〕标注;二是鄂维南院士本人的公开表述,均注明出处;三是作者的分析判断,以"本文判断"标出。

  一、科研与产业为什么割裂了数十年

  先说清楚过去的问题在哪里。他的诊断是:

  "传统模式下科研与产业基本相切但割裂,原始创新到产业落地周期长达数十年。"〔1〕

  为什么割裂?不是科学家不想落地,是做不到。他给出的原因有两个:

  原因一:理论工具受限。

  "过去科研受限于理论工具(基于牛顿微积分体系)……导致依赖经验试错、效率低下。"〔2〕

  什么意思?牛顿微积分体系能处理的,是那些能被写成解析解、或者能被多项式逼近的问题。但现实世界的问题——材料的微观结构、分子的相互作用、湍流的演化——它们的复杂度远超这个工具箱能覆盖的范围。

  结果是:理论能写出方程,但算不出来;算不出来,就只能靠经验试错。

  原因二:工程化能力弱。

  "工程化能力弱,导致依赖经验试错、效率低下。"〔2〕

  即使理论上能算,工程上也落不了地——因为把一个科研算法变成工业界能用的软件,需要的不只是算法,是整套工程体系:界面、文档、测试、部署、维护。科研人员不擅长做这些,工业界也不信任"实验室里跑通的东西"。

  这两个原因合在一起,造成了一个结果:科研和产业虽然看起来很近,但中间隔着一条很宽的鸿沟——科研做出来的东西,产业用不上;产业需要的东西,科研做不出来。

  这是本文第一个判断:科研与产业的割裂,不是态度问题,是能力问题。不是科学家不愿意做应用,是理论工具不够、工程化能力不够。而AI的出现,第一次同时解决了这两个问题。

  二、AI作为数学工具+工程工具:两个身份的叠加效应

  他对AI的定位,是这样的:

  "AI作为新的数学工具和工程工具。"〔2〕

  这两个身份分别意味着什么?

  AI作为数学工具

  它能处理高维复杂问题。牛顿微积分体系处理不了的那些高维问题——材料、分子、湍流——AI可以用神经网络逼近。这不是说它"更聪明",是说它有一个传统数学工具没有的能力:在高维空间里有效地表示函数。

  AI作为工程工具

  它能降低数据整合成本。过去把科研成果工程化,最大的障碍是"数据整合"——不同来源的数据格式不同、标准不同、质量不同,整合起来极其困难。而AI的训练过程,本身就是一个数据整合过程——它把海量异构数据"压缩"成一个模型。这个模型可以被部署、被调用、被复用。

  这两个身份叠加起来,产生了一个以前不存在的能力:把科研成果直接变成可以规模化部署的工程产品。

  这是本文第二个判断:AI的独特性不在于它是"数学工具"或"工程工具"中的任何一个,而在于它同时是两者——这让"从理论到应用"第一次可以在同一个技术栈里完成。

  过去,科研用的是Matlab、Mathematica,工程用的是C++、Java,中间隔着一次完整的"重写"。现在,科研和工程都可以用Python + PyTorch/TensorFlow,模型训练完了直接部署。这不是"效率提升",这是"流程打通"。

  三、AI对科学范式的三层冲击

  他对AI冲击科学的判断,分了三个层次:

  第一层:数学根基已经被颠覆

  "AI已对数学根基产生颠覆性影响。"〔3〕

  这句话说得很重。什么叫"颠覆性影响"?不是说AI能证明更多定理,而是说数学家开始用AI去发现模式、猜测定理、验证假设——这改变了数学研究的方法论本身。

  第二层:理论科学指日可待

  "理论科学(物理、力学、电子结构等)指日可待将迎来类似冲击。"〔3〕

  为什么是"指日可待"而不是"已经到来"?因为理论科学的验证周期更长——一个新的物理理论,需要实验验证;一个新的力学模型,需要工程验证。但他判断这个冲击"指日可待",说明他认为技术条件已经具备了,剩下的只是时间问题。

  第三层:实验科学面临变革

  "自动化云端实验室的落地将使实验科学面临变革。"〔3〕

  这一层最激进。传统实验科学的逻辑是:人提出假设 → 人设计实验 → 人做实验 → 人分析数据。

  自动化云端实验室的逻辑是:AI提出假设 → AI设计实验 → 机器人做实验 → AI分析数据 → 人决策。这不是"实验做得快了",这是实验的主体变了。

  这是本文第三个判断:AI对科学的冲击,不是"帮科学家做事",而是"改变科学研究的方法论本身"。从"人用工具做科学"变成"人和AI协作做科学"。

  四、新药、新材料为什么还没被冲击?缺的是"工艺"

  但他也指出了一个现实:

  "目前新药、新材料尚未形成真正冲击,缺口在于'工艺'环节。"〔4〕

  这句话值得展开。AlphaFold能预测蛋白质结构,但从"预测出结构"到"做出这个药",中间隔着整个制药工艺——合成路线、纯化方法、制剂工艺、质量控制。

  AI for materials能预测材料性能,但从"预测出性能"到"造出这个材料",中间隔着整个材料工艺——熔炼、成型、热处理、表面处理。而这些工艺,高度依赖工业数据——但工业数据是封闭的、碎片化的、非标准化的。

  他给出的解决方向是:

  "需构建AI for Industry能力以解决工业数据封闭、软件受制于人等问题。"〔4〕

  "通过构建AI云原生工业软件体系,有望解决高端制造业卡脖子问题,实现自主可控甚至换道超车。"〔5〕

  这两句话合在一起,画出了一个清晰的路线图:第一步:打破工业数据封闭。不是把数据汇集到一个中心,而是让AI能在分散的、异构的工业数据上训练。

  第二步:构建AI云原生工业软件体系。不是把传统工业软件"加一个AI模块",而是从零开始、用AI原生的方式重新做工业软件。

  第三步:用这套体系解决高端制造业卡脖子问题。

  这是本文第四个判断:AI for Science的下半场,不在学术界,在工业界。不是"发多少篇Nature",而是"解决多少卡脖子问题"。

  五、科研体系的三个根本性变化

  如果前面讲的是"AI改变了科研能做什么",这一节讲的是"AI改变了科研该怎么组织"。

  他提出了三个根本性变化:

  变化一:企业将成为创新主力军

  "未来企业将成为创新主力军。"〔6〕

  为什么?因为科研和产业的边界消失了——当科研本身就是产业,那么做科研的主体,自然会从大学、研究所转移到企业。这不是说大学不重要了,而是说大学做基础研究、企业做应用研究和工程化,这个分工会被打破。

  变化二:科研人员不一定需要博士学位

  "科研人员不一定需要博士学位,本科生在配备充足资源下亦可达到博士水平。"〔6〕

  这句话很颠覆。过去为什么需要博士?因为科研需要大量的领域知识、需要多年的训练、需要"know-how"。

  但当AI能提供工具、提供知识、提供"how-to"时,门槛被大幅降低了。一个本科生,配备充足的算力、数据、AI工具,能做的事情可能不比博士少。

  变化三:考核标准从论文转向知识产权

  "经费来源将从政府主导转向市场主导,考核标准从论文转向知识产权。"〔6〕

  这是最锋利的一刀。论文是科研成果的"记录",知识产权是科研成果的"资产"。当科研本身成为产业,考核标准自然会从"你发了多少论文"变成"你产出了多少可以被交易的知识产权"。

  这是本文第五个判断:这三个变化合在一起,意味着科研正在从"学术共同体内部的游戏"变成"市场经济的一部分"。不是说学术共同体不重要了,而是说它不再是唯一的主场。

  六、三个必须建立的新机制

  他不只是提出问题,也给出了具体的解决方向。要让上面这些变化真正发生,需要建立三个新机制:

  机制一:低成本、高效率的科研资源平台

  "需建立低成本高效率的科研资源平台。"〔7〕

  这就是他做"玻尔科研空间站"的原因——不是为了做平台而做平台,而是为了让科研资源能被低成本地获取和复用。

  机制二:市场化支持机制

  "需建立市场化支持机制。"〔7〕

  什么叫市场化支持?就是让市场来决定哪些科研方向值得投入,而不是完全由政府或学术委员会决定。

  机制三:知识产权交易/并购平台

  "需建立知识产权交易/并购平台。"〔7〕

  当科研成果变成知识产权,就需要有一个市场让它能被交易、被并购、被重新组合。就像技术成果可以被转让、被许可、被入股一样。

  这是本文第六个判断:这三个机制,本质上是在把科研从"计划经济"转向"市场经济"。不是说计划不要了,而是说市场机制要被引入。

  七、自由探索怎么办?

  但他也留了一个重要的边界:

  "自由探索仍需保护,但需甄别具备颠覆性创新能力的人才。"〔8〕

  这句话很关键。前面说的那些变化——企业主导、市场机制、知识产权——都是在讲"应用研究"和"工程化"。

  但基础研究、自由探索,仍然需要保护。问题是:怎么保护?他给的答案是:"甄别具备颠覆性创新能力的人才。"〔8〕不是所有人都适合自由探索,但那些真正有颠覆性创新能力的人,应该被给予充分的自由和资源。

  这是本文第七个判断:自由探索的价值不在于"人人都能自由探索",而在于"真正有能力的人能不被束缚"。关键是识别机制,不是普惠机制。

  八、"重塑科学、重塑数学、重塑人工智能"

  他最后提出了一个更大的目标:

  "重塑科学、重塑数学、重塑人工智能。"〔9〕

  "利用AI处理复杂体系的能力,在人工智能空间下重新定义科学发现路径。"〔9〕

  这三个"重塑",听起来很宏大,但它们有一个共同的内核:不是用AI"加速"现有的科学方法,而是用AI"重新定义"科学该怎么做。

  什么叫"在人工智能空间下重新定义科学发现路径"?

  传统科学的路径是:观察 → 假设 → 实验 → 验证 → 理论。

  AI时代的路径可能是:数据 → 模式 → 假设 → AI模拟 → 实验验证 → 理论。

  区别在哪里?"假设"不再完全来自人的灵感,可以来自AI发现的模式;"实验"不再是验证的唯一手段,AI模拟可以先筛掉大部分不靠谱的假设。

  这是本文第八个判断:"重塑"不是修修补补,是范式转换。就像牛顿力学到量子力学,不是"牛顿力学的改进版",是一套全新的框架。

  九、在AI思想图谱中的位置:他问的是制度问题

  把鄂维南院士放进i少数派已经构建的AI思想谱系,会发现一个特点:别人在问"AI能做什么",他在问"有了AI之后,制度该怎么改"。

  对比一:鄂维南 vs 梅宏

  梅宏院士问的是:"我们为什么要造替代自己认知的东西?"——这是伦理问题。

  鄂维南院士问的是:"有了AI之后,科研体系该怎么重构?"——这是制度问题。

  两个人都在问"AI带来的根本性变化",但一个关注伦理,一个关注制度。

  对比二:鄂维南 vs 周志华

  周志华院士的核心判断是"破除迷信"——不把任何一条技术路线当成唯一真理。

  鄂维南院士的判断是"重塑科研体系"——不是质疑技术路线,是质疑组织方式。

  对比三:鄂维南 vs 杨强

  杨强教授的核心判断是"数据不动模型动"——解决数据不能汇集的问题。

  鄂维南院士的判断是"科研资源平台化"——解决科研能力不能复用的问题。

  两个人都在解决"分散"的问题,但一个解决的是数据分散,一个解决的是能力分散。

  这是本文第九个判断:鄂维南院士在AI思想图谱中的位置,是唯一一个把"制度变革"当作核心议题的人。别人在讨论技术、伦理、应用,他在讨论评价体系、经费机制、知识产权平台。

  十、四条应该被说出来的边界

  边界一:企业主导创新,基础研究会不会被挤压?

  他说"企业将成为创新主力军",但企业天然追求短期回报。那些需要十年、二十年才能看到成果的基础研究,会不会因为"没有市场"而被放弃?

  他的答案是"自由探索仍需保护",但具体怎么保护、谁来保护、用什么机制保护,这些都还没有答案。

  边界二:考核标准从论文转向知识产权,会不会导致科研过度商业化?

  知识产权是可以被交易的、可以被估值的,这会不会让科研变成"为了赚钱而做"?那些暂时看不到应用价值、但可能在未来产生重大突破的方向,会不会因为"不值钱"而被忽视?

  边界三:本科生能达到博士水平,但创造力从哪里来?

  配备充足资源的本科生,可以完成博士级别的"任务",但能不能提出博士级别的"问题"?

  AI能提供工具和知识,但不能提供好奇心和想象力?

  边界四:市场化机制能识别真正的颠覆性创新吗?

  他说要"甄别具备颠覆性创新能力的人才",但颠覆性创新往往在早期看起来"不靠谱"、"没市场"。市场机制天然倾向于追逐确定性和短期回报,它能不能识别那些"十年后可能改变世界"的创新?

  结语:科研正在变成一个产业

  回到开头那句话:

  "未来大部分科研将融入产业,科研本身成为巨大的未来产业。"〔1〕

  这句话的真正含义是:科研不再只是"发现知识",它会变成一个可以规模化生产、可以市场化交易、可以被投资、可以被并购的产业。而推动这个转变的,是AI作为数学工具和工程工具的双重身份——它让"从理论到应用"第一次可以在同一个技术栈里完成。

  鄂维南院士做的,不是在这个转变中"预测"什么,而是在主动"重构"什么:

  •   重构科研资源平台

  •   重构评价体系

  •   重构经费机制

  •   重构知识产权交易

  这些都很慢,都不上榜单,也都很难在发布会上讲。但它们决定的是——十年之后,科研是一个什么样的产业。一个人在思想图谱上的价值,有时不在于他站在哪一边,而在于他指出了一个所有人都忽略的维度。

  当所有人都在争论AI能做什么科学发现时,他在问:有了AI之后,科研这件事本身该怎么组织、该怎么评价、该怎么交易?这个问题的答案,比任何一个科学发现都更决定未来十年的科学版图。

  关键信源

  本文九个判断均为作者依据演讲内容的分析推断:

  科研与产业的割裂是能力问题,不是态度问题

  AI同时是数学工具和工程工具,让"从理论到应用"在同一技术栈完成

  AI对科学的冲击是改变方法论,不是帮科学家做事

  AI for Science的下半场在工业界

  科研正在从学术共同体内部游戏变成市场经济一部分

  三个新机制是把科研从计划经济转向市场经济

  自由探索的价值在于真正有能力的人能不被束缚

  "重塑"是范式转换,不是修修补补

  鄂维南是唯一把制度变革当核心议题的人

  本文为公开演讲内容基础上的思想评述,不构成任何建议。

特别声明:以上文章内容仅代表作者本人观点,不代表新浪网观点或立场。如有关于作品内容、版权或其它问题请于作品发表后的30日内与新浪网联系。
权利保护声明页/Notice to Right Holders

举报邮箱:jubao@vip.sina.com

Copyright © 1996-2026 SINA Corporation

All Rights Reserved 新浪公司 版权所有