首页 > AI教程 >王坚：下一代基础模型关键在科学数据

王坚：下一代基础模型关键在科学数据

来源：互联网 2026-07-18 06:18:13

人工智能正迎来范式转折，推动力从语言数据转向科学数据。王坚指出，科学数据应成为基础模型“原住民”。GeoGPT等案例表明，直接学习科学数据能推动AI理解自然世界，实现知识创造方式的根本变革。

人工智能正在变得像数学一样基础。

王坚：下一代基础模型关键在科学数据

过去三年，大模型的发展几乎沿着同一个方向狂奔：模型越做越大，参数越来越膨胀，推理能力越来越强，Agent 逐渐成熟，长上下文不断突破天花板。人们讨论的焦点，始终不离模型能力、算力规模，以及距离 AGI 还有多远。

但有趣的是，当整个行业的目光都聚焦在模型本身时，一个更根本的问题正在悄悄浮现：真正推动人工智能实现跃迁的，到底是模型，还是数据？

中国工程院院士、之江实验室主任王坚给出了新的方向。他在 WAIC 2026 主论坛演讲中提出：人工智能正在迎来一次新的范式转折，推动力不再是语言数据，而是科学数据。未来真正重要的，不是训练更大的语言模型，而是让科学数据成为基础模型的原住民（First-class Citizen）。

这听起来像是一个关于数据类型的讨论，但仔细思考，它触及了未来人工智能发展的根本方向。如果过去十年，大模型让机器第一次真正理解了人类语言，那么未来十年，大模型需要理解的对象，将是自然世界本身。

人工智能每一次跃迁，真正改变世界的从来不是模型，而是数据

王坚在演讲中回顾了人工智能发展的几个关键节点，切入点很特别——不是今天大家熟悉的 GPT，也不是英伟达，而是十多年前改变深度学习历史的 ImageNet。

现在回头看，人们很容易把深度学习时代的崛起归功于 GPU、英伟达甚至神经网络算法本身。但回到 2012 年前后，你会发现，真正让整个行业发生变化的是 ImageNet：它第一次提供了足够规模、足够标准化的数据集，让深度学习真正有了成长的土壤。也正是在那之后，英伟达才真正坚定地投入人工智能。

用王坚的话说：“英伟达并不是一家对人工智能有信仰的公司，它只是对算力有信仰，只不过算力等到了人工智能到来的那一天。”

这句调侃背后，揭示了一个底层规律：每一次能力的跃迁，看似来自算法突破，但真正推动行业进入新时代的，往往是数据范式本身的变化。

ImageNet 改变了计算机视觉，互联网文本催生了 GPT，而当语言模型已经接近瓶颈时，新的数据范式已经出现——那就是科学数据。

今天的大模型，本质上仍然只是建立在文本世界上的基础模型

很多人已经习惯把 GPT、Claude、DeepSeek、GLM 统称为基础模型（Foundation Model）。但“Foundation Model”这个概念直到 2021 年才由斯坦福大学正式提出，它强调的并不是模型规模，而是一种能够支撑大量不同任务的基础能力。

然而，一个经常被忽略的事实是：今天几乎所有基础模型，本质上都仍然建立在文本数据之上。

我们习惯把 LLM 简称为“大模型”，甚至直接省略了其中的 Language，但它的完整名字仍然是 Large Language Model——语言模型。无论模型能完成代码生成、图像理解还是复杂推理，它们最初学习世界的方式，依然来源于文本。

这意味着，它们理解世界的边界，仍然停留在人类已经用语言描述过的知识体系之内。

事实上，人类真正积累的知识远不止论文、书籍和网页。在科学领域，决定研究突破的核心信息，绝大多数并不存在于文本中，而是隐藏在光谱、遥感影像、地震波、实验观测数据、基因序列、材料结构、天文观测等海量科学数据里。

王坚举了一个极具代表性的例子：在地球科学领域，超过 70% 的信息根本不存在于论文文本，而存在于各种原始观测数据之中。

他提出了一个形象的比喻：“我们常说，一张图片胜过千言万语；但一段光谱，可能胜过千万张图片。”

这背后隐藏着一个关键问题：今天 AI 理解科学，实际上仍然是在阅读科学家已经整理好的知识，而没有真正理解自然世界本身。模型学习的是人类写出来的结论，而不是产生这些结论的数据。未来真正的突破，很可能来自模型直接学习科学数据，而不是继续阅读更多论文。

科学基础模型，不是一个垂直模型，而是下一代基础模型

为了说明为什么科学数据如此重要，王坚分享了一个最近震惊学术界的案例。

2024 年底，《美国天文学杂志》发表了一篇论文，这篇论文只有一位作者，更令人惊讶的是，这位作者既不是资深教授，也不是博士后，而是一位年仅 18 岁的高中生。他利用一颗已退役的小行星观测卫星留下的数据，重新进行分析，最终发现了近 150 万个此前从未被编目的天体。而这颗卫星当初发射的目的，甚至并不是为了寻找这些天体。

这个案例说明，新的科学发现，并不一定来自新的实验，也不一定来自新的设备，而可能来自旧数据、新模型以及新的认知方式。正如《科学革命的结构》中提出的观点：真正的范式变革，往往意味着能够从旧数据中发现新的问题。

正是在这样的背景下，王坚提出了“科学基础模型（Scientific Foundation Model）”的概念。

很多人会自然认为，这是一个地球科学模型、生物模型或者医学模型，但王坚特别强调，它并不是一个服务于某个行业的垂直模型，而是一种新的基础模型。今天的 Foundation Model 建立在文本数据之上，而未来的 Scientific Foundation Model，则需要同时理解文本、代码以及科学数据，并把三者放进同一个统一的表示空间，让模型能够直接学习自然规律，而不仅仅学习人类已经总结出来的知识。

实现这一目标的关键，并不是简单增加数据量，而是要像今天处理语言一样，对科学数据完成 Tokenization，使不同类型的数据第一次拥有统一的机器语言。从这一刻开始，科学数据不再只是模型训练时偶尔调用的外部资源，而是真正成为基础模型内部的“第一公民”。