理论研究、基础研究、应用研究的区别在哪？理论和应用能明白，基础到底是什么概念？ 第1页

最近李国杰院士的文章《国内AI研究“顶不了天、落不了地”，该想想了》在朋友圈刷屏了。

李院士的文章是由谷歌的AlphaFold引发的思考，他在文章引用了中国科学院院士施一公对AlphaFold的评价：

“依我之见，这是人工智能对科学领域最大的一次贡献，也是人类在 21 世纪取得的最重要的科学突破之一，是人类在认识自然界的科学探索征程中一个非常了不起的历史性成就。”

但另一方面，AlphaFold又并没有提出新的科学原理，更像是一个技术集成工作，本质上是一种集成式的工程科学技术。

那么，AlphaFold算基础研究吗？

李院士在文章中将AlphaFold归为工程科学技术——“工程科学技术不只是工具，也不仅仅是基础研究成果的应用，而是在基础研究中可以发挥巨大作用的重要组成部分”。

对于李院士的这段论述特别有共鸣，和我几个月前整理的一些关于基础研究的几个观点完全一致。在此和大家分享，请批评指正：

关于基础研究的几个观点

一、选择合适的“基础研究”的定义

对于基础研究的不同定义，对应的具体实施方式也不同。过去几十年，主要有两种对研究的定义：

① Vannevar Bush在线性模型下定义基础研究和应用研究，这种模式就把基础研究看作是一个知识储备池，是技术进步的源泉。在这种定义下，基础研究的作用是产生知识，不需要考虑和具体技术的关系，因此在实施层面，采用广撒网的方式可能是最有效的产生多样化知识的方式。

② Donald E. Stokes通过四个象限来定义不同的研究类型，Stokes把基础研究分为纯粹基础研究（玻尔象限）与“由应用驱动的”基础研究（巴斯德象限）。在实施层面，波尔象限和线性模型下的基础研究基本一致；而巴斯德象限中，要用尖端的基础科学研究来解决迫切、强烈且巨大的现实需求。在实践时，其实通过解决实际问题“倒逼”基础研究——把一些应用问题的底层原理搞清楚，这就属于基础研究。

个人更青睐Stokes的四象限模型。对于一个国家而言，“玻尔象限”、“巴斯德象限”和“爱迪生象限”都不可或缺，但其比例应该是随着时代变化而有所调整的。比如二战期间，美国的哈佛大学、耶鲁大学也都是以爱迪生象限为主，哈佛教授都在为美国海军研制新型鱼雷。但二战后巴斯德象限比例则显著提高。

中国的科研在这三个象限的比例还没有测算过，但我判断巴斯德象限还是偏低的。也许现在这个时局下，国家总体上还是应该有规划地提高巴斯德象限的比例。那需求来自哪里？“四个面向”给出了大方向。以面向经济主战场为例，以华为、阿里等为代表的业界领军企业的需求，就是一种很好的牵引。

二、基础研究可简化定义为“把问题的底层原理搞清楚”

其实波尔象限与巴斯德象限，在具体科研实践时其实是一样的，就是“把问题的底层原理搞清楚”，只是问题的来源有所不同。波尔象限的问题来源主要来自学科自身，如为什么会有量子纠缠现象；而巴斯德象限的问题来源主要来自现实应用，如为什么牛奶会腐败。

从这个角度来看，只要能提出一些未解的问题，那就有潜力做出好的基础研究工作。

三、高度重视自研的平台/材料/试剂/设备/仪器等基础设施对基础研究的作用

我们可能都有一个体会，“第一次”特别困难，比如第一架飞机、第一颗原子弹、第一颗人造卫星、第一款CPU、第一次火星登陆等等。哪怕曾经有其他国家实现过，另一个国家要实现“第一次”依然很艰难。

为什么？这主要因为“第一次”研发的输出不仅仅的是一款原型系统，而且还需要构建出一套研制该原型系统的技术流程以及相应的平台/材料/试剂/设备/仪器等，也就是基础设施。这些基础设施的作用正是“把问题的底层原理搞清楚”，比如为研制飞机建设的风洞，研制CPU需要有高精度的仿真器和模拟器。即使在物理、化学、天文等领域的基础研究，现在也都离不开各种尖端设备和仪器，像研究核聚变的EAST托卡马克装置、研究天文的FAST望远镜等等。

在我从事的处理器芯片设计领域，很多人都看作是纯粹的工程技术，认为这里面没有基础研究。但在我看来，能把一些问题的底层原理搞清楚，就是基础研究。举个例子，苹果最近推出的M1采用了约600项ROB，这完全颠覆了传统CPU架构设计人员的观念，因为以往CPU的ROB一般都不超过200项。

也许用反向工程思维，可以很快做出一个也具有600项的CPU架构设计来。但是，你知道苹果为什么敢这么设计？为什么是600项ROB，而不是800项？反向工程只是工程技术，但是如果能把这些问题的底层原理彻底搞清楚，那就是CPU架构设计领域的基础研究。

真要搞清楚底层原理并不容易，这需要一整套CPU架构设计基础设施的支撑——从程序特征分析技术、设计空间探索技术、高精度模拟器、系统仿真技术、验证技术等等；还需要对大量程序特征进行分析，需要收集大量的原始数据，需要大量细致的量化分析，需要大量的模拟仿真……这些都是为了把底层原理搞清楚。

某种程度上，相比较于原型系统，平台/材料/试剂/设备/仪器等基础设施是更重要的输出。只有具备这些，才能不断地去深入探索各种现象的底层原理，才能支持后续的迭代优化，同时也能成为培养人才的基地。

四、基础研究也需要管理与组织

虽然很多基础研究是纯自由探索，但很多基础研究也需要管理与组织，例如探测“希格斯”粒子、研制LIGO观测引力波等。

DARPA资助了很多颠覆性创新的项目。我们观察DARPA的项目立项与执行过程，可以看到有一些共性特征：

① 首先会畅想未来；
② 科学地把未来畅想分解为一系列子任务；
③ 制定具体子任务的实施计划，包括目标、时间节点等；
④ 子任务最后要集成到一个原型系统中。

项目主管（Program Director）负责上述4个任务，具有绝对的项目决策权，同时也对项目负责，相当于抓总。

这种模式其实对基础研究也有效。例如，清华大学施路平教授领导的类脑计算研究中心。2014年成立，成员来自清华不同的院系。他们的研究模式就是类似DARPA项目，整个团队围绕“天机”类脑芯片开展全栈研究。从目前的成果来看，类脑计算交叉中心的成果还是很有显示度，也发表多篇Nature、Science论文好，入选中国十大科技进展等等。同时他们也把类脑计算这个学科建立起来。