#模型时代# "先有玻尔，后有薛定谔" ，鄂维南院士解释AI for Science的来龙去脉

刚才看到@中科大胡不归 转发了鄂维南院士关于AI4S发在《知识分子》的文章：http://t.cn/AXyYJaWX ，读后感觉收获很大，从数学角度解释了AI4S价值所在的关键原因。所以做个总结记录。

当然，作为和科学不沾边的人士，我印象最深刻反而是一个决策方法论："一件事情如果真的重要，就应该自己去做。希望年轻人不要犯同样的错误。"，简直是太同意了。

鄂维南是中国科学院院士、普林斯顿大学前终身教授。外界对他的印象停留在"顶尖数学家回国"。但这篇文章揭示的事实是：他同时在推动AI for Science、工业软件、数据基础设施、交大人工智能学院四条战线，"除了我的几个学生，没有人理解我为什么同时做这么多事情"。

他们把自己搭建的科研基础设施命名为"玻尔科研空间站"——玻尔是量子力学的先驱，"先有玻尔，后有薛定谔"。这个命名透露了鄂维南这五年的核心逻辑：他一直在做打地基的事，而不是追求显性的科研突破。

1. 1985年，他干了一件"很愚蠢的事"

他把F1签证换成了J1签证。

F1是纯自费，J1是自费公派——区别在于J1有回国服务的约束条款。为了换签证，他还耽搁了UCLA的博士资格考试。"我1985年出国的时候，就是冲着回国去的。"

这不是事后追溯的叙事美化。他1982年寒假就决定放弃纯数学转行应用数学，理由是"让我的工作能够直接帮助到我的国家"。当时数学界普遍认为中国应用数学不行，所以必须出国学。

2. 呼吁了十年，效果甚微

2004年开始，他在国内呼吁大数据算法的重要性。组织会议，办讨论班，效果甚微。

到2014年，大数据已经火了，但大数据算法研究在国内依然冷清。他意识到一个残酷的事实：
"一件事情如果真的重要，就应该自己去做。希望年轻人不要犯同样的错误。"

这是他"职业生涯中最大的教训"。

3. 2011年，他躺在沙发上，觉得做不出真正有用的工作了

交完《Principles of Multi-scale Modeling》这本书的最终版本后，他躺在北大资源大厦办公室的沙发上，得出一个结论：
"这一辈子应该是做不出真正有用的原创性工作了。"

这本书是多尺度建模领域的经典著作。但在他看来，"的确我的工作也有许多人用，但是他们的工作似乎离实际问题还有很大距离"。

4. 深度学习的意义，他用一句话讲透了

"如果我们生活的空间不是3维而是30维，那么我们一开始就不应该学习多项式和泰勒展开，而是神经网络。"

这是他2015年前后的顿悟：深度学习可能提供了克服"维数灾难"的有效路径。所谓维数灾难，就是计算复杂度随着维数增加而指数级爆炸——这是科学计算领域几十年的老大难问题。

他几十年尝试过的所有领域——计算流体、材料科学、计算化学、核聚变——最终难点都来自维数灾难。传统数学要么研究低维（泰勒展开），要么研究无穷维（泛函分析），高维空间的数学结构是全新课题。

5. 2017年夏天那个晚上，他想清楚了三件事

一边看电视，一边梳理出三个方向：
非结构化数据基础设施：文本、图像、语音、视频这些数据，是AI发展的核心资源也是核心困难，必须把处理它们的门槛和成本降下来
AI for Science：抓住这个机会，可能让中国一下子走到领先位置
工业软件：制造业大国必须有自主可控的底座

他当时还想做高端装备，但觉得自己无能为力。"工业软件的任务必须扛下来。"

6. "AI for Science"这个词，很可能是他们最早用的

2018年夏天，汤超和他在北大组织了一个内部交流会议，这可能是国际上第一次使用"AI for Science"的说法。

会后他拉着张平文去见林建华校长，建议成立AI for Science研究院。林校长的评价是：将来可以"批量出诺贝尔奖"的方向。但林校长不久退休，建议没有落实。

真正落地要等到2020年底——北京科学智能研究院成立，这是国际上第一个以AI for Science为主题的科研机构。

7. 几何内核，他找了一个人死磕八年

工业软件的底层是几何内核——你可以把它理解为工业设计软件的"操作系统"，所有CAD、CAE、CAM软件都要建立在它之上。全球能做商用几何内核的团队屈指可数。

2017年他找到科大的杨周旺教授，建议立即着手开发。杨周旺当场表态：
"退休前一定要把几何内核搞定。"

八年后的成绩单：九韶内核已发布五个版本，300多万行代码全部自研，成为国际五大商用几何内核之一，已应用于飞机、汽车等高端场景。

8. 他的学生"没有提出任何要求就回国了"

做数控系统的故事更动人。数控系统是高端机床的"大脑"，控制刀具怎么走、走多快、精度多少，是制造业的卡脖子环节。

他的学生胡卫、龙吉昊从普林斯顿回国时：
"没有提出任何要求也没有安排好的工作在等着他们，只是抱着为国家做事情的决心。"

他们顶着发论文、争帽子、前景不明的压力，从零开始做。现在算法已基本完成，数控系统原型也有了，初步加工测试已经跑通。

9. AI数据库，他们比行业早了好几年

2018年，邰骋和汤林鹏的团队提出了AI数据库的概念，并开发了第一个AI数据库。

AI数据库解决的问题是：让不同类型的数据（文字、图片、语音）能在同一个系统里被管理和搜索——比如用一句话搜出相关的图片，或者用一张图片搜出相似的图片。现在火热的"向量数据库"只是它的一个特例。

时间线对比：
2018年：他们提出概念并做出产品
现在：向量数据库才成为热门赛道

他们的起点是指纹识别——用深度学习把指纹识别效率提升了几个数量级，帮助建立了几十亿级的指纹大库。然后他们意识到这套方法适用于所有非结构化数据。

10. 他最担心的不是技术，是资源错配

文章最后的警告很直白：
"AI for Science是中国科技创新历史上最好的机会，没有之一，但这是以理性的资源配置作为前提的。"

他看到的问题：许多有能力的年轻人不在有利位置，资源配置不合理带来的不仅是浪费，还有方向性误导。
"如果我们不迅速解决资源配置的问题，我们将失去这个千载难逢的机会。"