包云崗

日前，谷歌旗下的DeepMind公司在《自然》上發(fā)表論文，宣布使用其開發(fā)的人工智能程序AlphaFold2預測了人類98.5%的蛋白質，并決定公開AlphaFold2的源代碼，免費開源有關數(shù)據(jù)集，供全世界科研人員使用。這一突破性進展立刻受到全世界的廣泛關注，中國科學院院士施一公認為AlphaFold2是“人工智能對科學領域最大的一次貢獻，也是人類在21世紀取得的最重要的科學突破之一”。

那么，AlphaFold算基礎研究嗎？

對此，中國工程院院士李國杰將AlphaFold歸為工程科學技術——“工程科學技術不只是工具，也不僅僅是基礎研究成果的應用，而是在基礎研究中可以發(fā)揮巨大作用的重要組成部分”。

筆者對于李國杰的這個論述特別有共鳴，同時個人對基礎研究有以下幾個觀點，僅為拋磚引玉。

選擇合適的“基礎研究”的定義

科研有其自身的規(guī)律與法則，如果不按規(guī)律辦事，就會事倍功半。那么，基礎研究有什么規(guī)律？事實上，對于基礎研究不同的定義反映了不同角度的認知，對應的具體實施方式也不同。總的來說，過去幾十年主要有兩種對基礎研究的定義。

其一，VannevarBush在線性模型下定義基礎研究和應用研究，這種模式把基礎研究看作一個知識儲備池，是技術進步的源泉。在這種定義下，基礎研究的作用是產(chǎn)生知識，不需要考慮和具體技術的關系，因此在實施層面，“廣撒網(wǎng)”可能是最有效的產(chǎn)生多樣化知識的方式。

其二，Donald E.Stokes通過四個象限來定義不同的研究類型，Stokes把基礎研究分為純粹基礎研究（玻爾象限）與“由應用驅動的”基礎研究（巴斯德象限）。在實施層面，波爾象限和線性模型下的基礎研究基本一致。而巴斯德象限中，要用尖端的基礎科學研究來解決迫切、強烈且巨大的現(xiàn)實需求；在實踐時，通過解決實際問題“倒逼”科研人員把一些應用問題的底層原理搞清楚。

筆者更青睞Stokes的四象限模型。在筆者看來，“把問題的底層原理搞清楚”就是基礎研究。其實波爾象限與巴斯德象限在具體科研實踐時是一樣的，就是“把問題的底層原理搞清楚”，只是問題的來源有所不同而已。

波爾象限的問題主要來自學科自身，如為什么會有量子糾纏現(xiàn)象；而巴斯德象限的問題主要來自現(xiàn)實應用，如牛奶如何保鮮。從“把問題的底層原理搞清楚”這個角度來看，只要能提出一些未解的問題，那就有潛力做出好的基礎研究工作。

要高度重視自研科研基礎設施

我們可能都有一個體會，科技攻關時“第一次”往往特別困難，比如第一架飛機、第一顆原子彈、第一顆人造衛(wèi)星、第一款CPU、第一次火星登陸等。哪怕曾經(jīng)有其他國家實現(xiàn)過，另一個國家要實現(xiàn)“第一次”依然很艱難。

這主要因為這些“第一次”輸出的不僅僅是一款原型系統(tǒng)，還包含背后一套研制該原型系統(tǒng)的技術流程以及相應的平臺、材料、試劑、設備、儀器等，也就是科研基礎設施。這些科研基礎設施的作用正是“把問題的底層原理搞清楚”，比如，為研制飛機建設的風洞，研制CPU需要的高精度仿真器和模擬器。即使物理、化學、天文等領域的基礎研究，現(xiàn)在也離不開各種尖端設備和儀器，像研究核聚變的托卡馬克裝置、研究天文的望遠鏡等。

筆者從事的CPU芯片設計，被很多人看作是純粹的工程技術，認為這里面沒有基礎研究。但筆者并不認同。

舉個例子，蘋果最近推出的M1處理器性能甚至超越Intel的桌面處理器，這得益于M1采用了約600項ROB，這完全顛覆了傳統(tǒng)CPU架構設計人員的觀念，因為以往CPU的ROB一般都不超過200項。也許用反向工程思維，可以很快做出一個也具有600項ROB的CPU架構設計來。但是，蘋果為什么這么設計？為什么是600項ROB，而不是400項，或者800項？反向工程只是工程技術，但如果能把“問題的底層原理搞清楚”，那就是CPU架構設計領域的基礎研究。

要搞清楚底層原理并不容易，這需要一整套CPU架構設計基礎設施的支撐（程序特征分析技術、設計空間探索技術、高精度模擬器、系統(tǒng)仿真技術、驗證技術等），還需要對大量程序特征進行分析，需要收集大量原始數(shù)據(jù)，需要大量細致的量化分析，需要大量的模擬仿真……

某種程度上，相較于原型系統(tǒng)，平臺/材料/試劑/設備/儀器等科研基礎設施是更重要的輸出。只有具備這些，才能不斷深入探索各種現(xiàn)象的底層原理，才能支持后續(xù)的迭代優(yōu)化，同時才能持續(xù)培養(yǎng)人才。

基礎研究與工程開發(fā)相互交融

基礎研究和工程技術并不是簡單的二元對立。相反，在很多領域基礎研究和工程開發(fā)是交融在一起的。出現(xiàn)這種交融是因為很多研究所需要的科研基礎設施，如新平臺、新設備、新流程都需要工程投入。即使是探測引力波、希格斯粒子這樣的基礎研究，也需要工程投入研制儀器設備。一旦有了這類科研基礎設施，其他人開展科研就會容易很多。

美國基礎研究很強，其中一個原因在于有不少學者在大學和企業(yè)研究院里建設這些科研基礎設施。比如在CPU芯片設計領域，有GEM5模擬器、CACTI模型、FireSim仿真平臺等一系列基礎設施，這可以讓其他大學的學者更容易開展研究。因此，有一些學者認為基礎研究不需要工程，主要還是因為有人已經(jīng)幫他們把底層的科研基礎設施搭建完善，讓他們可以更容易地去做優(yōu)化，更容易發(fā)表論文。

美國的很多科技企業(yè)內部也會構建一套和學術界總體上打通的科研基礎設施（有開源共享的、有內部自研的）。將業(yè)務需求和內部數(shù)據(jù)導入到企業(yè)的科研基礎設施中，能很容易消化學術界產(chǎn)生的新想法，集成到企業(yè)的產(chǎn)品中。因此，打通的基礎設施加上人才流通，這是美國學術界—產(chǎn)業(yè)界形成“創(chuàng)新想法—得到應用—收集反饋—新的創(chuàng)新想法—得到新的應用”這個閉環(huán)的重要原因。

中國的學術界—產(chǎn)業(yè)界之間尚未形成這種高效的閉環(huán)，大多數(shù)企業(yè)還沒有和學術界打通的科研基礎設施。所以對于中國學術界來說，更需要參與科研基礎設施的建設，尤其是和企業(yè)一起來補科研基礎設施的這一課。

基礎研究也需要管理與組織

雖然很多基礎研究是純理論探索，幾個人的小團隊甚至一個人便可開展，但也有很多基礎研究需要大團隊，需要管理與組織，例如探測希格斯粒子、觀測引力波等。

美國國防部高級研究計劃局（DARPA）資助了很多顛覆性創(chuàng)新項目。觀察DARPA項目的立項與執(zhí)行過程，我們可以看到一些共性特征：首先會暢想未來，設立激進的目標；科學地把激進目標分解為一系列子任務；制訂具體子任務的實施計劃，包括目標、時間節(jié)點等；子任務最后要集成到一個原型系統(tǒng)中。

“項目主管”會負責上述4個任務，具有絕對的項目決策權，同時也對項目負責，相當于抓總。大量實踐證明，這種科研組織管理模式具有很高的效率。

這種模式對基礎研究也有效。以清華大學類腦計算研究中心為例，該中心于2014年成立，成員來自清華大學不同院系。他們的研究模式類似DARPA，整個團隊圍繞“天機”類腦芯片開展全棧研究，并集成到自動駕駛自行車系統(tǒng)中，形成具有很好顯示度的科研成果，同時也把清華的類腦計算學科建立了起來。

回到本文開頭的問題：AlphaFold算基礎研究嗎？

根據(jù)本文的討論，我們可以得出如下結論：第一，AlphaFold研發(fā)過程中面臨很多未知的問題，把“問題的底層原理搞清楚”，需要基礎研究；第二，AlphaFold是蛋白質結構預測領域的科研基礎設施，它本身就屬于蛋白質結構預測領域基礎研究的一部分。

（作者系中國科學院計算技術研究所副所長、研究員）