作为国际应用数学与机器学习交叉领域的领军者，能否分享您从基础数学转向工业建模与科学智能（AI for Science）的契机？

鄂维南：我的本科专业是基础数学，研究生阶段转向应用与计算数学，专注于算法研究。我的算法研究主要包括两大领域：一是科学计算，即基于物理基本原理解决科学与工程中的实际问题；二是与数据和机器学习相关。

最初，我专注于科学计算领域。但该领域面临很多难以克服的挑战。在2004年，我开始在国内推动大数据研究。但十年间，这个推动的效果并不显著。直到2014年，我意识到必须自己参与进去，于是决定全面转向该领域，并从研究层面全面转行到机器学习。我们很快发现，深度学习能有效解决科学计算领域的难题，因为它提供了一种克服维数灾难的途径。以往的许多困难，其根源都在于问题的维度（自由度个数）增加时，计算复杂度呈指数级增长，传统方法对此无能为力。而深度学习则能够提供相对高效的解决方案。基于这一认识，不仅科学计算领域的很多历史难题可以通过深度学习找到新的方法，科学研究中涉及的核心难题也由此获得了新的解决路径。

您认为AI会对未来科学研究产生哪些影响？

鄂维南：我们推动 AI for Science 的初衷在于，无论是基础科学研究还是企业研发活动，长期以来一直处于效率相对较低的状态。这一低效的根源在于我们的科研工具，包括理论工具、计算工具和实验工具，其效率本身相对低下。由于理论和计算工具能力的不足，科研和研发往往必须依赖实验、经验和试错，周期漫长，难以克服固有的低效问题。这些问题中的许多核心挑战都可归结为前面说到的维数灾难。而人工智能方法恰好能够有效解决维数灾难带来的难题。不仅如此，人工智能可帮助我们重新构建新的科研范式，使科学研究过程本身变得更加智能化。

这种转变的效果在于，它使得科研活动得以走上快车道，无论发现新的科学原理，还是发现新的材料、药物、催化剂等成果，其进程都将显著加速。

AI for Science需整合物理、化学、生物、材料、医学、量子力学等多领域原理。在构建统一框架时，如何克服学科间符号系统、验证标准的差异？

鄂维南：科学原理本身是统一的。无论是材料、化学、生物等领域，其根基均遵循相同的基本原理，例如量子力学（尽管应用时可能采用简化版本）。我们把科学划分为化学、材料或生命等不同学科，根源在于我们过去掌握的理论手段、计算能力和实验技术存在局限，致使研究只能采取问题驱动模式。问题驱动模式导致学科分野不断细化，例如化学进一步分为有机化学、无机化学等分支。但若审视底层的基本原理乃至实验手段（例如表征技术中的核磁共振、光谱分析等核心方法）均具有普适性。

AI在该领域的作用实则是回归科学探索最初的基本手段和原理。至于您刚才提及的符号表征差异问题，如科学文献中复杂的多模态数据，这确实是一个关键且极具复杂性的挑战。和当下热议的多模态大模型处理对象相比，科学文献更复杂：它包含文字、图表、数学方程式、化学反应式、分子结构式，以及各类图谱，如光谱等多重模态信息。尽管如此，此类技术性难题本质上是可被攻克的。

在推动科研成果产业化过程中，哪些机制或合作模式（如产学研协同）最能加速技术落地？

鄂维南：我并非这方面的权威，但可以分享一些个人体会。DARPA（美国国防高级研究计划局）是一个较为成功的案例，它代表了政府在投资前沿科技研究方面的有效模式。你提到的加速器、孵化器等机制，也是可行路径，但具体适用性需结合行业特点考虑。聚焦国内，尤其是在AI for Science相关领域，我们的科技创新很大比例是由政府投资驱动的。我们需要深入学习DARPA模式的精髓。其核心在于参与的项目经理（Program Manager）对行业生态和顶尖人才具备深刻认知。他们更擅长将高度前瞻性的战略问题，分解为一系列明确且相对独立的具体科学任务，继而交由科学家团队解决。

这一点尤其值得重视。在我国，政府很大程度上直接扮演着科研投资机构的角色，在改进科研管理模式方面，的确存在很大的优化空间。我认同李泽湘教授的观点：高效的成果转化，应该由需求来引导。该模式主张基于对实际需求的深刻理解，定向开展科研来解决问题，而非在取得成果后再寻找应用场景。

“自由探索”的模式，不是所有人都能掌握的。自由探索对研究者的能力要求极高，需要深厚的学术积淀，是少数顶尖人才的专属路径。对广大科研工作者而言，更高效的范式是深度结合实际问题，以解决问题为目标驱动科技创新。

您认为政府、企业家谁更能推动产业发展？

鄂维南：在某种程度上，这两种要素都不可或缺。中国必然需要充分发挥企业家精神，同时也必须有效调动政府作用，强调“有为政府”与“有效市场”的协同，这一原则至关重要。然而，若政府在主导过程中缺乏对资源投向的精准把握，将不可避免地产生严重负面影响。除了会造成资源的错配与浪费，更值得警惕的是对发展方向的系统性误导，这一点当前尚未被充分认识。我们必须深刻认识到：政府的投入不仅提供资金支持，更承载着关键的方向性引导作用。

当前中国推动新型举国体制，其重要性毋庸置疑。我们正迈向2035年建成科技强国的目标，在人工智能、集成电路等领域需要制定前瞻性战略规划，也必须走向一线实施创新突破。过去追赶式发展模式下，技术路径已有范例可循；然而未来作为科技强国，尤其在人工智能等关键领域，中国必须实现原始引领创新。在这个过程中，政府承担的责任空前重大。所以，政府在资源投放或配置上必须高度审慎，避免对产业或行业发展路径施加误导性影响。相比较而言，美国企业界在组织化科研方面展现出显著效能。以OpenAI的崛起为例，其本质就是企业主导下组织科研项目的成功典范。中国当前国情不同，政府在这一层面仍扮演主导角色。

这就引出一个崭新课题：政府如何有效主导原始科技创新？这对传统治理模式构成全新挑战，它的难点不仅在于发掘新兴科研方向，更在于识别核心人才——这些人才往往并非现有体系中的院长、杰青或院士等显性群体，而是具备开拓精神、实干能力和战略视野的青年力量。如何精准识别这类群体，恰是政府既往经验中的短板。若无法攻克这一难题，无论是科技强国目标的实现，还是在人工智能、集成电路等前沿领域的全球引领，都将遭遇根本性障碍。问题根源在于现行资源分配机制过于依赖“帽子”，即各类学术称号，这正是当下“帽子”导向备受关注的核心原因。

上海正在建设具有全球影响力的科创中心，您认为在布局人工智能领域时，应该如何强化数学等基础学科的支撑作用？

鄂维南：探讨数学在人工智能领域的作用时，存在两种潜在路径：一是为人工智能专业的学生强化数学教育；二是引导数学专业的学生深入人工智能领域。国际数学界中，我可能是最早关注人工智能的学者之一。当时我对此抱有很高期望，因为诸如维数灾难等关键问题本质上是数学问题。人工智能特别是深度学习，不仅为数学提供了极具价值的研究课题，更提供了数学学科拓展自身边界的宝贵契机。还需强调的是，人工智能领域的奠基者多为数学家。1956年达特茅斯会议（常被视为AI起源标志）之前，推动人工智能研究的核心人物，如阿兰·图灵、冯·诺伊曼、诺伯特·维纳等，皆具深厚数学背景。图灵本人更无疑是顶级数学家。我国人工智能的代表性奖项“吴文俊奖”，其名称也源于数学家吴文俊先生。由此足见，数学曾是人工智能的核心推动力，但当前在人工智能发展进程中却呈现出被边缘化的态势。

我曾受邀在2022年国际数学家大会上（四年一届）作一小时邀请报告。当时，便聚焦“如何从数学视角理解深度学习和机器学习”这一主题。然而，这个问题的重要性仍然没有被完全认识到。

从投资视角看，哪些交叉学科方向（如计算生物学、智能化学工程）可能在未来5-10年催生颠覆性技术？国资国企如何发挥长期资本、耐心资本角色，助力技术孵化、转化、落地？

鄂维南：总体而言，AI for Science 的实现需要具备一定的耐心资本支持。尽管落地速度相较以往已显著加快，但在AI制药、AI新材料等领域，目前仍需依托一定规模的耐心资本扶持。聚焦国有资本层面，我认为关键仍在于推进DARPA模式的本土化实践，即提升国有资本管理的专业化程度，同时更充分地发挥国有企业的作用。

具体来说，推动AI for Science 的核心任务之一是促进科研和研发流程的智能化升级。在这个过程中，国有企业可以率先启动并引领自身的研发智能化转型，这与企业数字化转型的理念相似，本质上是企业研发模式的智能化演进。国有企业具备在这些领域发挥示范效应的天然条件，因为这种转型亟须打破既有惯性思维和传统路径依赖。克服这种深层次惯性，关键并不是仅在于投入规模，还在于能否勇于改变业已固化的运作方式，这恰恰需要特定企业发挥先锋引领作用。另外一个需要解决的问题是，软件的价值在市场层面难以充分认可，这个问题如果得不到根本解决，将严重制约创新活力。鉴于算法及软件层面的创新极有可能成为未来最大创新源泉之一，忽视这个难题将对该创新源头的驱动力形成重大打击。因此，也希望国有企业能在完善知识产权和对软件价值的认可方面发挥积极作用。

中国拥有庞大应用场景与工程能力，但您多次强调“缺乏原始创新文化”。这种文化缺失的根源是评价体系功利性还是学科壁垒固化，该如何破局？

鄂维南：我认为，问题的根本症结在于我们的科研管理机制由于其管理范围无所不包，最终只能采取相对简单化的管理方式。核心责任在于当前的管理机制及其评价导向，而非管理者个人本身。无论是强调影响因子、量化论文数量还是推崇个人和机构的“帽子”，这些现象本质上均源于科研管理体系的设计导向。当前这种“论文导向”，“帽子导向”的评价体系已成为国家科技创新发展的主要障碍。出现这种情况的原因在于科研的根本目标理应是产出能解决实际问题的原创性成果。然而，达成这一目标十分困难，研究周期长、见效慢，绝大多数科研人员无力企及，体系也难以长期等待。因此，为了配合现有的科研管理机制，只能设定易于衡量的中间目标，例如发表论文等，用以满足短期评估要求。破局的关键在于构建一种能显著壮大“解决实际问题、产出原创成果”的研究者群体的新型发展模式。当前该群体规模过小，一旦扩大，其影响力将形成有力的示范效应。以应用数学为例，一支能解决国家重大需求并产出标志性原创成果的成规模研究力量，其示范作用将远超个体。

人工智能将如何重塑科学研究的人才培养模式？未来的数学家、工程师和其他领域的科研人才需要具备哪些新能力？

鄂维南：人工智能带来的核心冲击在于：知识的本体价值正在相对弱化。这一转变要求我们着力培养更具基础性的能力。对此，我提出过一个关于未来人才关键素养的框架，包含三个方面：

基本原理思维能力：无论面对何种问题，研究者必须能够穿透表象识别底层逻辑，并基于最基本的科学原理展开思考与推理。

工程素养与能力：所有领域的研究者都需要深入理解工程实现的边界与可能性，尽管未来可能有工具辅助编程或实验操作，但个体仍需深刻洞察：哪种算法是容易实现的？哪种实验操作是可行的？理解“能做什么”和“如何做成”的核心制约至关重要。

现实需求与约束洞察力：研究者必须敏锐把握社会发展的核心需求与关键约束条件，包括但不限于环境挑战、气候议题以及地缘政治格局等复杂因素施加的限制。理解这些宏大背景下的现实框架，方能确保研究的针对性和实际意义。

在全球化与科技竞争并存的背景下，中国应如何提升在基础算法、核心软件工具等领域的自主创新能力？

鄂维南：这里包含两个层面的含义：一是国产替代，在已有技术领域实现自主可控。这类工作相对可行，国内目前正有序推进。二是更具挑战性的原始创新。原始创新难以依赖系统化方法达成，因为它本质上是突破性探索。我们仍以人工智能领域为例说明：当前在基础算法与核心思路上，仍存在对国外的依赖。这种依赖背后潜藏着所谓的“追赶陷阱”问题，这已成为亟待重视的关键挑战。这也是我们建立交大人工智能学院的根本目标之一：构建相对完整、自主可控的核心创新体系。只有具备这样的基础能力架构，才能独立自主地思考人工智能的发展路径。

这种能力体系建设的需求，不仅限于人工智能领域，未来很可能在众多核心技术领域都需要复制类似的自主型创新生态。

未来十年，您最希望解决的科学难题或社会问题是什么？

鄂维南：首先，想要攻克的科学难题是，人工智能的基本原理，和基于基本原理的人工智能模型和系统。

当前深刻影响全球格局的两大关键变量在于地缘政治博弈与人工智能革命。两者正重塑人类社会发展轨迹的核心驱动力。在此背景下，亟须解决的核心命题是：如何引导这两种力量，避免加剧社会财富分配不均？如何保障弱势群体权益，推动技术演进中的包容性社会转型？这是关乎人类未来治理的挑战，个体力量虽有限，但文明社会必须承担这一责任。工业革命初期曾导致弱势群体遭受系统性冲击的情况，我们必须竭力防止此类社会断裂在人工智能时代重演。

该内容转载自公众号“上海国有资本投资有限公司”《科创申态圈丨鄂维南：人工智能驱动科研革命驶上快车道 离不开耐心资本支持》

来源：“上海国有资本投资有限公司”公众号

采写：国投科产研究院 张赟 张宣 张慧 卜子格 李子木