最近，谷歌旗下的DeepMind公司在Nature上發表論文宣布使用其開發的人工智能程序AlphaFold 2將人類98.5%的蛋白質預測了一遍，并決定公開AlphaFold 2的源代碼，免費開源有關數據集，供全世界科研人員使用。這一突破性進展立刻受到全世界的廣泛關注和積極反響，中國科學院院士施一公認為“AlphaFold 2是人工智能對科學領域最大的一次貢獻，也是人類在 21 世紀取得的最重要的科學突破之一”。

　　那么，AlphaFold算基礎研究嗎?

　　對此，中國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的應用，而是在基礎研究中可以發揮巨大作用的重要組成部分”。

　　筆者對于李國杰的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。

　　選擇合適的“基礎研究”的定義

　　科研有其自身的規律與法則，如果不按規律辦事，就會事倍功半。那么，基礎研究有什么規律?事實上，對于基礎研究不同的定義反應了不同角度的認知，對應的具體實施方式也不同。總的來說，過去幾十年主要有兩種對基礎研究的定義：

　　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，是技術進步的源泉。在這種定義下，基礎研究的作用是產生知識，不需要考慮和具體技術的關系，因此在實施層面，“廣撒網”可能是最有效的產生多樣化知識的方式。

　　其二，Donald E. Stokes通過四個象限來定義不同的研究類型，Stokes把基礎研究分為純粹基礎研究(玻爾象限)與“由應用驅動的”基礎研究(巴斯德象限)。在實施層面，波爾象限和線性模型下的基礎研究基本一致。而巴斯德象限中，要用尖端的基礎科學研究來解決迫切、強烈且巨大的現實需求;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的底層原理搞清楚。

　　筆者更青睞Stokes的四象限模型。在筆者看來，“把問題的底層原理搞清楚”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的，就是“把問題的底層原理搞清楚”，只是問題的來源有所不同而已。

　　波爾象限的問題來源主要來自學科自身，如為什么會有量子糾纏現象;而巴斯德象限的問題來源主要來自現實應用，如牛奶如何保鮮。從“把問題的底層原理搞清楚”這個角度來看，只要能提出一些未解的問題，那就有潛力做出好的基礎研究工作。

　　要高度重視自研科研基礎設施

　　我們可能都有一個體會，科技攻關時“第一次”往往特別困難，比如第一架飛機、第一顆原子彈、第一顆人造衛星、第一款CPU、第一次火星登陸等等。哪怕曾經有其他國家實現過，另一個國家要實現“第一次”依然很艱難。

　　為什么?這主要因為這些“第一次”輸出的不僅僅是一款原型系統，還包含背后一套研制該原型系統的技術流程以及相應的平臺、材料、試劑、設備、儀器等，也就是科研基礎設施。這些科研基礎設施的作用正是“把問題的底層原理搞清楚”，比如為研制飛機建設的風洞，研制CPU需要有高精度的仿真器和模擬器。即使在物理、化學、天文等領域的基礎研究，現在也都離不開各種尖端設備和儀器，像研究核聚變的EAST托卡馬克裝置、研究天文的FAST望遠鏡等。

　　在筆者從事的CPU芯片設計領域，很多人都看作是純粹的工程技術，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的底層原理搞清楚，就是基礎研究。

　　舉個例子，蘋果最近推出的M1處理器性能甚至超越Intel的桌面處理器，這得益于Ml采用了約600項ROB，這完全顛覆了傳統CPU架構設計人員的觀念，因為以往CPU的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項的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的底層原理徹底搞清楚，那就是CPU架構設計領域的基礎研究。

　　要搞清楚底層原理并不容易，這需要一整套CPU架構設計基礎設施的支撐——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，需要收集大量的原始數據，需要大量細致的量化分析，需要大量的模擬仿真……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，平臺/材料/試劑/設備/儀器等科研基礎設施是更重要的輸出。只有具備這些，才能不斷地去深入探索各種現象的底層原理，才能支持后續的迭代優化，同時也能成為培養人才的基地。

　　基礎研究與工程開發相互交融

　　基礎研究和工程技術并不是簡單的二元對立。相反，在很多領域基礎研究和工程開發是交融在一起的。出現這種交融是因為很多研究所需要的科研基礎設施，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、希格斯粒子這樣的基礎研究，也需要工程投入研制LIGO、LHC這樣的儀器設備。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，這可以讓其他大學的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的科研基礎設施已經搭建完善，讓他們可以更容易地去做優化，更容易發表論文。

　　美國的很多科技企業內部也會構建一套和學術界總體上打通的科研基礎設施(有開源共享的、有內部自研的)。通過將業務需求和內部數據導入到企業的科研基礎設施中，就能很容易消化學術界產生的新想法，集成到企業的產品中。因此，打通的基礎設施加上人才流通，這是美國學術界—產業界形成“創新想法—得到應用—收集反饋—新的創新想法—得到新的應用”這個閉環的重要原因。

　　但是，中國的學術界—產業界之間尚未形成這種高效的閉環，大多數企業還沒有和學術界打通的科研基礎設施。所以對于中國的學術界來說，更需要參與科研基礎設施的建設，尤其是和企業一起來補科研基礎設施的課。

　　基礎研究也需要管理與組織

　　雖然很多基礎研究是純理論探索，幾個人的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新項目。我們觀察DARPA的項目立項與執行過程，可以看到有一些共性特征：首先會暢想未來，設立激進的目標;科學地把激進目標分解為一系列子任務;制定具體子任務的實施計劃，包括目標、時間節點等;子任務最后要集成到一個原型系統中。

　　“項目主管”會負責上述4個任務，具有絕對的項目決策權，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的效率。

　　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的院系。他們的研究模式就類似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中，形成具有很好顯示度的科研成果，發表多篇Nature、Science論文，入選中國十大科技進展等，同時也把清華的類腦計算學科建立了起來。

　　回到本文開頭的問題：AlphaFold算基礎研究嗎?

　　根據本文的討論，我們可以得出如下結論：第一，AlphaFold研發的過程中面臨很多未知的問題，把這些問題的底層原理搞清楚，就需要基礎研究;第二，Alpha Fold是蛋白質結構預測領域的科研基礎設施，它本身就屬于蛋白質結構預測領域基礎研究的一部分。

　　(作者系中國科學院計算技術研究所副所長、研究員)