中国为什么“基础研究不行”而产业全球前列【屠龙与驯马】

2024年06月02日 晨枫老苑

中国大部分产业都居于全球前列，这已经是公理级的常识了。中国基础研究行不行，这还是争论不清的问题。在80年代之前，一般认为是中国基础研究还是行的，但应用研究和工程研发不行。现在的看法似乎反过来了。

基础研究与产业发展的关系一直是争论不休的问题。丘成桐指责中国数学研究还停留在美国40年代的水平，肯定不是赞扬。引起激辩。

科学和技术很容易混淆，但两者有很大的不同。科学是探索未知的，未必功利；技术是解决现实问题的，必然功利。

牛顿看到苹果掉下来时，肯定没有想到什么卫星、宇航和空间经济。基础研究从来不以具体应用为目的。很多基础研究成果在发明人死后很久都没有应用。比如黑洞理论。但黑洞理论没有意义吗？不是的。满足好奇心本来就是基础研究的最大动力。建立万有引力理论只是出于对自然世界的好奇心。

技术（或者工程研发）才是“有用”的。科学是技术的基础，造汽车用到材料力学、结构力学等。当科学发展滞后，现实问题就只有通过技术试错去平衡。

在牛顿之前就开始造桥了。没有理论指导，只有经验指导。一步一步摸索，试错是管用的。但时间长，代价大，跟不上社会发展。有科学指导的造桥就给力多了。今天中国成为世界造桥冠军，不是靠简单的经验摸索，而是靠科学。

今日中国各种产业高度发达的基础，不能否认西方前人的贡献。这就是历史上基础研究对今日工程技术的作用。

从实用性而言，基础研究是广种薄收的，有应用是情分，没应用是本分。历史上基础研究至今没有应用的大有人在。

在历史上，欧洲贵族资助基础研究，未必真是出于热爱科学和艺术。如今，不少国家依然把资助基础研究作为政治博弈的政绩工程。

新中国伊始对基础研究很重视，也成绩斐然。但有多少转变为实用成果，这就不好说了。但这不等于中国的基础研究与经济成就永远没关系。

确实，迄今为止的中国经济建设与当前甚至过去一段时间的基础研究关系不大。改革开放以来，中国经济和技术发展主要来自于追赶，以复刻已有技术成就为主。这是需要驯马术的阶段，而马清晰可见，驯马术有章可循。正确的题解不仅存在，而且可见。

有人问：中国为什么至今造不出来EUV、大推力民航发动机。

赶上是为了超过。在没有前车之鉴时，就需要基础研究加持。这是需要屠龙术的时候。龙本身就捉摸不定，屠龙术更是无章可循。这更艰难。比如说冷聚变是否走得通，在理论上都没底。摸索是必要的，但不能盲目。

猜想和理论的差别在于：猜想只是“有道理”，理论是“肯定走得通”。在大航海时代的末期，“西北通道”是最大的挑战。哥伦布根据“地球是圆的”理论，坚信一直向西航行，就能到达印度，结果发现了美洲大陆。从北美东海岸通往亚洲最近的水路就是传说中的“西北通道”。为此，无数人在陆地上探索各条大河，也有人试图在北冰洋里摸出一条可通航的航线，都失败了。这就是猜想和理论的差别：地球确实是圆的，但“西北通道”只是猜想。

对基础研究的误解之一是：有用的基础研究已经研究完了，有用的定理和方法都建立了，折腾没用的猜想，空耗民脂民膏。

科学前沿永远在远非常人能理解的地方。今天理解的人多了，是因为这些前沿已成为基本教育的一部分。

科学发展是阶段性的，并非匀速前进。一个突破会带来一个阶段充满爆发性的发展，然后再次转入艰难攻关。

科学的突破也需要积累和蓄势。没有大发现时，数学、物理仍继续发展，最终促成量子力学的大发展。

基础研究、应用研究、工程技术应该有正确的金字塔结构，投资大头永远应该是“能够变现”的工程技术，这是基础研究可持续的根本。基础研究不能成为国民经济的负担。不是基础研究要自负盈亏，而是从基础研究到应用研究到工程技术的科研体系要自负盈亏，工程技术的“盈利”需要向基础研究“财政转移”。基础研究负责非功利的探索，工程技术负责解决实际问题和创造价值。应用研究填补两者之间的空白，将基础研究的成果“翻译”成工程技术的工具。

【在自控领域，基本理论建立在线性无约束系统上，但控制技术已发展到非线性的约束控制问题。只能靠经验法调试。因为缺乏严格、完整的理论架构，只能伤筋膏药、十全大补膏、藿香正气丸一锅煮，靠人品在线。】【在人工智能领域，神经元函数在底层就是sigmoid函数。大模型由海量的sigmoid函数以复杂的拓扑连接起来，难以分析，大模型不时会有匪夷所思的行为。人工智能可模仿名家风格，但常常弄出六个手指。这是个不好解释的问题，只能用额外的算法和限制来抑制，还是伤筋膏药大法。大模型是否有更大的问题，谁知道呢】这些应用研究的缺失，源自基础研究还没有相关的突破。

ChatGPT是从50年代Perceptron（感知机）开始的，感知机是对单个神经元的数学模拟，人工智能的开端。后来由于感知机本身的局限性，研究陷入沉寂，直到80年代引入多层感知机（MLP）和反向传播算法，人工神经网络研究复生。渐成两大流派：一是以软件工程为基础的专家系统，二是从模拟出发的人工神经网络方案。专家系统是失败的方向；由于从统计学研究出发设计的机器学习算法的挑战，人工神经网络方案也进入潜伏期。直到卷积神经网络的兴起和在深度学习领域的拓展，人工神经网络研究又进入黄金期，最终来到ChatGPT时代。Perceptron和MLP算是基础研究，在大学和研究所完成；卷积神经网络和transformer，attention则是工程领域的基础研究，是跨越学界和工业界或者加入工业界的PhD们主导的；最后则是工程师的工业实践。这个过程，耗时60年左右。

基础研究不是从目标出发，在最需要突破的方向首先突破。突破是可遇而不可求的，不是投入人力物力就能解决的。只能从已知出发，在容易突破的方向首先突破。奇兵突袭是情分，一线平推才是本分。

在从追赶转为领先的时候，基础研究格外重要。让别人去搞基础研究，中国到用的时候再去“取经”行不行？基础研究不保密，因为它是非功利的。但自己不搞基础研究，到用的时候，连人家的标题都看不懂，谈何取经？学数学和统计的，在过去被认为只能是“安于贫寒”的，但在大数据年代，数学和统计人才高度吃香。这就是基础研究下沉、工程技术提升的结果。

数学归根结底是抽象和方法论，早就超过数字和算术的层次了。丘成桐和陈景润无疑是杰出的科学家，但他们可能连自家的家用账都平不了。他们领先世界的基础研究连自家都管不了。这依然不影响他们的工作对未来基础研究的意义。

现在的中国，追赶的红利快要吃完了，靠敢想敢干、经验和直觉的时代快要过去了，原创技术才是未来，其底层正是基础研究。