王坚：对于科学基础模型，“语言不是一切”

【“科协十一大”精神学习进行时】

今年7月，国家科学技术奖励大会、两院院士大会、中国科协第十一次全国代表大会在北京隆重召开。习近平总书记出席并发表重要讲话，强调要推进人工智能赋能科学研究。

在2026科学智能大会上，云计算技术专家王坚作了题为“科学基础模型：人工智能前沿以及科学作为一个整体”的主旨报告。一起来看。

人物简介

王坚 云计算技术专家，中国工程院院士，之江实验室主任，主要从事云计算技术与产业化研究。

“今天的大模型与其说是大语言模型，更确切一点说应该是‘大文本模型’。”

“我们的科学数据就像‘裹了稻壳的稻’，需要非常高明的手段把‘壳’去掉，里面的‘米粒’才能真正被科学基础模型所用。”

“科学之间的边界本来就是由人的认识边界造成的，科学基础模型让我们有机会把科学作为一个整体来理解。”

近日，中国工程院院士、之江实验室主任王坚在2026科学智能大会上的报告中“金句”迭出。他在“科学基础模型：人工智能前沿以及科学作为一个整体”（Science Foundation Model: Frontiers of AI and Science as Whole）主旨报告中指出，科学基础模型并不是大语言模型在科学领域的一个垂直应用或垂类模型，而是一个比现有其他模型更能包容不同数据形态的基础模型。他特别强调，这里的数据形态不是语音、图像、视频这种“简单的多模态”，而是指地震波、光谱、化学分子等各类科学数据。

王坚说，构建这样一个科学基础模型的过程并不容易，因为“它对Token的理解发生了天翻地覆的变化”。言下之意，他认为当前应站在更高的维度认识“科学基础模型”的战略性、基础性意义，人工智能发展或将进入以数据为核心推动力的新周期，基于原始科学数据训练的科学基础模型将对科研范式变革带来深远影响。

科学基础模型：“语言不是一切”

“今天的大模型与其说是大语言模型，更确切一点说应该是‘大文本模型’，它把人类对文字的理解带到了从未有过的高度，这是大语言模型能大行其道的一个重要原因。”王坚说。

不过，他话锋一转说道，当谈及大模型之于科学研究的时候，情况就发生了变化。

“几天前，美国艺术与科学院的会刊发表了一篇文章，标题深得我心：《语言并非你想要的全部……但语言、概率程序以及认知贝叶斯模型会带你走得更远》。虽然这篇文章是从处理的角度谈这个问题，但它的确提出了一个很好的论点：语言不是我们所需的一切。”王坚随即自抛自扣：“（既然）语言不是一切，什么才是我们今天要重新思考的？科学数据。”

用AI读论文，本质上读的还是论文里的文本，而不是科学数据本身。他以地球科学领域的数据为例，地震波、磁场、光谱等都不是文本，甚至不是代码、图像——“我们常说‘一段光谱胜过千万张图’，地学领域超过70%的关键信息存在于原始观测信号”；生命科学领域的数据亦如此，DNA、蛋白质结构等蕴含着大量生物学信息的数据，“都不是我们过去可以想象的那一类‘数据’”。

基于原始的科学数据，成为之江实验室构建021科学基础模型（021，英译为zero to one，意指从0到1）的关键之匙。

“幸运的是，在之江实验室，我在三年多以前就在想‘若语言不是一切，什么是我们要重新思考的’，后来我们锚定了科学数据。”王坚说，当时他从数年前刊登在沉积学杂志的一篇文章得到启发。这篇文章提出了3条对信息技术的要求：一是要获取原始科学数据，二是获取领域相关研究成果，三是要有一个好的基础设施支撑。“也就是说，在差不多十年前，地球科学领域就已经把（数据驱动科研）要求提得直截了当了。”

这也是目前021科学基础模型正在实践的：它关心的不只是已发表的研究论文，而是着重于尝试理解最源头的科学数据。王坚表示，这一科学基础模型的构建“不是简单的闭门造车的过程”，而是经历了一个非常痛苦的实践和思考的过程，“挺刻骨铭心的”。

把科学数据当做基础模型的“头等公民”

据了解，021科学基础模型构筑形成了跨学科知识、跨领域推理、跨语言理解（覆盖204种语言）三大基石，具备出色的科学推理能力，能够深入分析、推导、验证多类科学问题。

王坚说，科学基础模型的目标很清楚，就是希望把科学数据变成基础模型的“头等公民”（First-Class Citizen）。

他解释说，今天的大语言模型，“头等公民”是文本。但对于科学研究而言，一张图胜过千言万语、一段光谱胜过千万张图，最关键的是如何对科学数据“脱壳”。

“今天的科学数据就像裹了稻壳的稻，我们需要有非常高明的手段把壳去掉，里面的米粒才能真正被科学模型所用。”王坚说，话虽如此，但这个过程是“非常困难的一件事情”。例如，AlphaFold从1.0升级到2.0，仅仅蛋白质结构数据的“脱壳”过程就花了6年时间。而要把科学领域所有问题都这样做一遍，任重道远。

但确定的是，未来的基础模型应当直接面向科学数据，同时语言、代码和科学数据可以共生在一个模型中，实现文本、代码和科学数据在同一个高维空间内的统一表征。

“要强调的是，科学基础模型不是一个在传统的大语言模型上做一个垂直模型，它是一个比其他模型更能包容不同数据形态的基础模型，因为它对Token的理解是发生了一次天翻地覆的变化。”王坚说，令人欣慰的是，经过几年的努力，之江实验室构建了千亿参数规模的021科学基础模型，“当你用过它就会发现，它会改变我们对科学数据理解的方式”。

“我们需要重新理解过去以为很熟悉的科学数据，这是一个非常颠覆性的时刻。”王坚说，这让他感到，人工智能再次进入了“数据处在非常重要位置”的周期，科学研究也将因此会发生很大变化。

把“科学作为一个整体”

在王坚看来，科学基础模型的出现，给了人们“把科学作为一个整体”开展研究的机会。他举了一个例子。

之江实验室科研人员塞巴斯蒂安·皮奥斯在使用人工智能模型预测几种分子沸点时，发现该系统产生的数值与一个有75年历史的参考数据库中长期被接受的条目相冲突。起初，他认为这个模型是错误的。但当他手动检查原始文献时，他发现是参考数据错了，而不是人工智能模型。这一发现，8月初发表被《自然》杂志报道。

“我在大学时读过托马斯·库恩的《科学革命的结构》，其中提到一个很有意思的观点——科学革命始于意识到‘反常’。这个‘反常’不是你发现了新的数据，而是从旧数据中发现新的问题，正如开普勒使用来自第谷积累的数据而非自己新采集的数据，发现了行星运动的椭圆轨道。”王坚说，人工智能的出现，让人们有机会重新理解科学数据——可能不是惊天动地的发现，但很像库恩所说的“反常”点。

王坚认为，这背后的逻辑是，科学一定要作为一个整体来认识。

“科学之间的边界本来就是因为人的认识边界造成的——例如把科学分成一个个不同的学科，而科学基础模型让我们有机会把科学作为一个整体来理解，因为它能把不同领域的科学数据完整地放在一个模型下去理解，模型会在统一高维空间内去识别不同类型数据之间的潜在关联，这超越了当前跨学科、交叉学科的方法。”王坚说。

他认为，基于科学基础模型，人们可以对科学作为一个整体进行一些初步探索。比如之江实验室科研团队基于021科学基础模型开展固态电解质材料设计为案例，模型不但可以从材料学的角度提供设计思路，还从物理、化学、生物学的角度给予提示，甚至从地球科学、计算机科学、天文学等看似完全不相干的学科中给出一些想象不到的建议，最后再回到模型中验证材料结构、性能等。

“在这个案例中，当有不同学科的知识介入时，对材料设计的生成效率是有提高的。”王坚说，这不是一个真正意义上的科学研究，有点像自由探索：“不求惊天动地的结果，但是给我们一些启示。”

来源：中国科协之声微信公众号