人工智能发展到今天，我觉得还是值得从源头和基础的角度重新思考。我们经常把“人工智能”简单称为AI（Artificial Intelligence），但历史上还有Amplifying Intelligence、Augmented Intelligence等不同的对AI的认识。我个人很喜欢鼠标发明者道格拉斯·恩格尔巴特提出的“Augmented Intelligence（增强智能）”这个概念。

  鼠标的发明并没有替代人的手，而是延展增强了人手的能力，和键盘一起让我们能自如使用今天大家都离不开的计算机。人工智能同样不应该从“替代”的角度去理解，更值得关注的是它如何延展人的能力。

  图灵曾经提出：一个人加上一张纸、一支笔和一定的规则，就是一台通用机器。人的大脑当然很了不起，但离开一张纸、一支笔，我们很多事情也做不了。人的智能活动从来不是孤立存在的，在人工智能变得日益重要的今天，需要我们思考它背后的发展逻辑到底是什么。

  回顾这一轮人工智能的发展，有几个节点值得注意。2012年前后深度学习的爆发，很重要的驱动力来自数据，如ImageNet图像数据集；2017年Transformer模型架构出现，让规模化数据、算力能够真正用于模型训练，这是人工智能发展的关键突破；而刚刚过去几年，算力又带来了巨大的规模效应，直接推动了人工智能这几年的蓬勃发展。数据、模型和算力并不是同时以同样的方式发挥作用，而是在不同阶段以不同的方式成为推动人工智能发展的关键力量。

  那么，下一个阶段真正影响人工智能发展的边界会是什么？

  科学数据，可能重新回到中心

  大语言模型有一个非常重要的特征，就是依赖文本数据。我们常说的“大语言模型”，某种意义上也可以把它理解为“大文本模型”。大语言模型的出现把人类理解和处理文本的能力带到了一个前所未有的高度，在过去的一年，继文本之后，代码也正在成为人工智能可以充分利用的另一类重要数据。

  但人类的科学实践中蕴藏着大量原始的、未经文字转译的科学数据。

  今天我们谈科学研究，很多时候大语言模型理解的仍然是一篇科学论文里的文本，而不是科学数据本身。地震波、光谱、DNA以及其他大量科学数据，都不是文本形式，甚至不是代码或者图像的形式。我们今天看到的很多科学数据的表达方式，其实都假定了一个前提，为了让人理解。比如光谱一旦被转换成图像，其实已经不是光谱本身，这种转换是为了让人能更好地理解。

  今天我们要思考的是，如何让人工智能模型直接理解原始科学数据。人类历史上大量科学数据就像裹着稻壳的稻谷，需要先把外面的“壳”去掉，里面真正有价值的东西才能被模型利用。

  科学基础模型不是基于大语言模型的垂直模型

  三年多以前，之江实验室开始思考并判断科学基础模型对未来科学发现的重要性，下决心以科学数据为基础，从0到1研发科学基础模型。

  我们后来把之江的科学基础模型命名为“021”。“021”的目标，是让科学数据成为基础模型的“头等公民”。在这个模型里，语言、代码和科学数据能够共生在同一个空间中，最终形成统一的模型能力。

  所以，我想强调，科学基础模型不是在传统大语言模型上做出来的一个垂直模型。它需要包容不同的数据形态，帮助科学家以完全不同的方式重新理解科学数据。经过这几年的探索，我们已经完成了2360亿参数规模的科学基础模型，也越来越感受到：在文本和代码之后，人工智能的发展正在进入一个以科学数据为主推动人工智能发展的新周期，未来3到5年，甚至10年，推动人工智能变革的关键将是科学数据。与此同时，科学问题的挑战、科学数据的独特性和巨大价值，也将推动人工智能自身发生新的质变。

  科学基础模型正在变革理解科学数据的方式。最近，自然杂志报道了之江实验室的一名科研人员在用人工智能模型预测化学分子沸点时，发现与沿用了几十年的手册数据不一致。经过反复验证后发现，手册中的数据确实有误。正如《科学革命的结构》一书中指出的，“反常”现象的不断积累会促发科学变革，催生新的范式。人工智能的出现，让我们有机会重新理解科学数据，从中发现新的“反常”、新的问题，催生新的科学发现。

  科学本来就是一个整体

  科学基础模型背后还有一个根本性的逻辑：科学应该作为一个整体来认识。

  自然本身就是一个整体，今天之所以形成物理、化学、生物、地球科学等不同学科，很大程度上受到人的认知能力边界限制。科学基础模型提供了一种新的可能，就是让不同领域不同类型的科学数据在同一个模型的统一高维空间下被理解，从而跨越过去由学科划分形成的边界，发现潜在的科学关联。

  比如，之江实验的一位研究人员以固态电解质材料设计为例，探索了这种关联性，改变了过去可能主要从材料或者化学领域寻找答案的单一路径。利用“021”科学基础模型，从物理、化学、生物科学，甚至地球科学、计算机科学和天文学中均获得了启发，帮助固态电解质材料设计。

  一个领域的方法和规律，可能帮助解决另一个完全不同领域的问题。这是我们对“科学作为一个整体”的初步探索。

  AI会像数学一样基础，贯穿科学、技术和工程

  最后，我想回到科学本身。

  过去我们常说STEM（Science, Technology, Engineering and Mathematics），科学、技术和工程之所以能够连接起来，一个非常重要的基础是数学。数学贯穿了科学、技术和工程的发展。到了今天，人工智能也可能成为类似数学这样的基础能力，把科学、技术和工程进一步贯穿起来。

  所以，我提出这次人工智能引起的范式变革让STEM变成了“STE+MAP”。这里MAP（Mathematics,Artificial Intelligence and Public Good）不仅有数学和AI，还包括社会性的公共产品，人工智能更好地实践了科学作为全球公共产品。就像一张纸、一支笔一样，作为公共产品的人工智能对科技创新的影响是颠覆性的。

  说一千道一万，开放是让所有这些事情发生的基础。如果不开放，很多发展最终仍然会停留在各自的小圈子里。

  本文系之江实验室主任、阿里云创始人、中国工程院院士王坚在2026科学智能大会上的主旨分享，光明网记者肖春芳、霍宇晗（实习）整理