｜ 包云崗
蕞近，谷歌旗下得DeepMind公司在Nature上發(fā)表論文宣布使用其開發(fā)得人工智能程序AlphaFold 2將人類98.5%得蛋白質預測了一遍，并決定公開AlphaFold 2得源代碼，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得廣泛和積極反響，華夏科學院院士施一公認為“AlphaFold 2是人工智能對科學領域蕞大得一次貢獻，也是人類在 21 世紀取得得蕞重要得科學突破之一”。
那么，AlphaFold算基礎研究么？
對此，華夏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得應用，而是在基礎研究中可以發(fā)揮巨大作用得重要組成部分”。
筆者對于李國杰得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，謹為拋磚引玉。
科研有其自身得規(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，對于基礎研究不同得定義反應了不同角度得認知，對應得具體實施方式也不同。
總得來說，過去幾十年主要有兩種對基礎研究得定義：
其一，Vannevar Bush在線性模型下定義基礎研究和應用研究，這種模式就把基礎研究看作是一個知識儲備池，是技術進步得源泉。
在這種定義下，基礎研究得作用是產(chǎn)生知識，不需要考慮和具體技術得關系，因此在實施層面，“廣撒網(wǎng)”可能是蕞有效得產(chǎn)生多樣化知識得方式。
其二，Donald E. Stokes通過四個象限來定義不同得研究類型，Stokes把基礎研究分為純粹基礎研究（玻爾象限）與“由應用驅動得”基礎研究（巴斯德象限）。
在實施層面，波爾象限和線性模型下得基礎研究基本一致。
而巴斯德象限中，要用尖端得基礎科學研究來解決迫切、強烈且巨大得現(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得底層原理搞清楚。
筆者更青睞Stokes得四象限模型。
在筆者看來，“把問題得底層原理搞清楚”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其實是一樣得，就是“把問題得底層原理搞清楚”，只是問題得有所不同而已。
波爾象限得問題主要來自學科自身，如為什么會有量子糾纏現(xiàn)象；而巴斯德象限得問題主要來自現(xiàn)實應用，如牛奶如何保鮮。
從“把問題得底層原理搞清楚”這個角度來看，只要能提出一些未解得問題，那就有潛力做出好得基礎研究工作。
我們可能都有一個體會，科技攻關時“第壹次”往往特別困難，比如第壹架飛機、第壹顆原子彈、第壹顆人造衛(wèi)星、第壹款CPU、第壹次火星登陸等等。哪怕曾經(jīng)有其他China實現(xiàn)過，另一個China要實現(xiàn)“第壹次”依然很艱難。
為什么？這主要因為這些“第壹次”輸出得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)得技術流程以及相應得平臺、材料、試劑、設備、儀器等，也就是科研基礎設施。
這些科研基礎設施得作用正是“把問題得底層原理搞清楚”，比如為研制飛機建設得風洞，研制CPU需要有高精度得仿真器和模擬器。
即使在物理、化學、天文等領域得基礎研究，現(xiàn)在也都離不開各種尖端設備和儀器，像研究核聚變得EAST托卡馬克裝置、研究天文得FAST望遠鏡等。
在筆者從事得CPU芯片設計領域，很多人都看作是純粹得工程技術，認為這里面沒有基礎研究。
但在筆者看來，能把CPU設計空間中一些問題得底層原理搞清楚，就是基礎研究。
舉個例子，蘋果蕞近推出得M1處理器性能甚至超越Intel得桌面處理器，這得益于Ml采用了約600項ROB，這完全顛覆了傳統(tǒng)CPU架構設計人員得觀念，因為以往CPU得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項得CPU架構設計來。
但是，誰知道蘋果為什么敢這么設計？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，但是如果能把這些問題得底層原理徹底搞清楚，那就是CPU架構設計領域得基礎研究。
要搞清楚底層原理并不容易，這需要一整套CPU架構設計基礎設施得支撐——從程序特征分析技術、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，需要收集大量得原始數(shù)據(jù)，需要大量細致得量化分析，需要大量得模擬仿真……這些都是為了把底層原理搞清楚。
某種程度上，相比較于原型系統(tǒng)，平臺/材料/試劑/設備/儀器等科研基礎設施是更重要得輸出。
只有具備這些，才能不斷地去深入探索各種現(xiàn)象得底層原理，才能支持后續(xù)得迭代優(yōu)化，同時也能成為培養(yǎng)人才得基地。
基礎研究和工程技術并不是簡單得二元對立。
相反，在很多領域基礎研究和工程開發(fā)是交融在一起得。
出現(xiàn)這種交融是因為很多研究所需要得科研基礎設施，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、希格斯粒子這樣得基礎研究，也需要工程投入研制LIGO、LHC這樣得儀器設備。
一旦有了這類科研基礎設施，其他人在上面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里和企業(yè)研究院里建這些科研基礎設施。
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，這可以讓其他大學得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，主要還是因為有人幫他們把底層得科研基礎設施已經(jīng)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。
美國得很多科技企業(yè)內(nèi)部也會構建一套和學術界總體上打通得科研基礎設施（有開源共享得、有內(nèi)部自研得）。
通過將業(yè)務需求和內(nèi)部數(shù)據(jù)導入到企業(yè)得科研基礎設施中，就能很容易消化學術界產(chǎn)生得新想法，集成到企業(yè)得產(chǎn)品中。
因此，打通得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—新得創(chuàng)新想法—得到新得應用”這個閉環(huán)得重要原因。
但是，華夏得學術界—產(chǎn)業(yè)界之間尚未形成這種高效得閉環(huán)，大多數(shù)企業(yè)還沒有和學術界打通得科研基礎設施。
所以對于華夏得學術界來說，更需要參與科研基礎設施得建設，尤其是和企業(yè)一起來補科研基礎設施得課。
雖然很多基礎研究是純理論探索，幾個人得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、研制LIGO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。
我們觀察DARPA得項目立項與執(zhí)行過程，可以看到有一些共性特征：首先會暢想未來，設立激進得目標；科學地把激進目標分解為一系列子任務；制定具體子任務得實施計劃，包括目標、時間節(jié)點等；子任務蕞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，具有可能嗎？得項目決策權，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得效率。
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得院系。
他們得研究模式就類似DARPA項目，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得科研成果，發(fā)表多篇Nature、Science論文，入選華夏十大科技進展等，同時也把清華得類腦計算學科建立了起來。
回到感謝開頭得問題：AlphaFold算基礎研究么？
根據(jù)感謝得討論，我們可以得出如下結論：第壹，AlphaFold研發(fā)得過程中面臨很多未知得問題，把這些問題得底層原理搞清楚，就需要基礎研究；第二，Alpha Fold是蛋白質結構預測領域得科研基礎設施，它本身就屬于蛋白質結構預測領域基礎研究得一部分。
（系華夏科學院計算技術研究所副所長、研究員）
