孙占卿：全球研发主导权，正经历一场历史性的重塑|主导权|孙占卿|布什|科学|重大科技基础设施|高校

IPP评论是国家高端智库华南理工大学公共政策研究院（IPP）官方微信平台。

导语：

人工智能时代，科研活动的重心正发生转移。越来越多关键发现与前沿成果率先“涌现”于复杂的工程系统之中。这种变化，正在对大学长期依赖的科研模式形成持续冲击。以长周期、论文产出为核心的体系，在不少前沿领域已逐渐显露出适应性的不足。

这一问题也直接反映在科研人员的实际处境之中：一部分科研工作者能够调动大规模计算资源，置身于多元化的科研平台与研发团队中，获得持续试错的机会；而另一些人，则被困在项目申报、考核指标与论文周期之间，在最具创造力的年纪，为有限的发表机会反复周旋。

当资本、算力与数据不断向少数平台集中，科研体系内部的分化逐渐演变为一种结构性问题。在这样的背景下，如何重新设计科研组织方式，使高校与企业在新的技术条件下形成清晰而互补的分工？又如何确保，无论身处大学还是企业，最具创造力的年轻人都能被真正赋予探索空间？

孙占卿博士

广州市社会科学院城市治理研究所副所长、IPP特约研究员

2025年初，DeepSeek的火爆令其团队的年轻人迅速出圈，他们被誉为“年轻科学家”。然而，似乎很少有人想过，如果这些人进入的是高校科研院所，以他们的资历，大概率会活成连房租都付不起的“青椒”。这一情况反映了当代科研的现实：

在前沿技术领域，企业已经取代高校，成为研发活动最活跃、最具统治力的部门。

相比大厂，高校科研机构正在逐步成为青年科技人才投入产出比的“黑洞”。当科学研发的主导权从象征公共利益的大学向追求商业回报的企业转移时，我们必须重新审视并回答一个尖锐的时代问题：在加速时代，大学、企业与政府应当如何重新定义彼此的边界与责任？

一、战后产学研模式，如今已走到岔路口

1945年，美国科学研究与发展局局长万尼瓦尔·布什（Vannevar Bush）向杜鲁门总统提交了著名的报告《科学：无尽的前沿》。该报告确立了战后全球（特别是西方）的科研体制基石：基础研究是技术进步的源泉，而大学是基础研究的天然且唯一的守护者。

在布什看来，企业受制于利润动机，无法承担长周期、高风险的基础探索，因此政府必须资助高校进行“好奇心驱动”的研究，再由工业界将成果转化为产品。

万尼瓦尔·布什在1945年提交给杜鲁门总统的《科学：无尽的前沿》报告。报告系统提出由联邦政府长期支持基础科学研究的理念。图源：Wikimedia Commons、Getty Images

然而，站在2025年的节点回望，这一范式已被现实击碎。

（一）失去了“星空”，大学只能是论文工厂

在布什的设想中，大学应是“好奇心驱动”的圣地，致力于探索那些“无用之用”的知识。然而，在当前的评价体系下，这种理想主义已成奢望。

目前高校科研已经呈现出与企业趋同的工程化行为模式。为了获取经费，高校教师不得不迎合资助机构（往往偏向应用）和企业的短期需求。大量的科研项目不再是探索未知的自然规律，而是对现有成熟技术进行修补或微调。这使得高校科研在形态上与企业研发呈现出高度趋同的现象——都在做工程优化。

其次则是工程领域的小打小闹。虽然都在做“工程”，但高校做的是“低维工程”。在理工领域，由于缺乏工业级的数据和算力，高校的“工程方案”往往停留在仿真阶段或小规模实验，无法解决真实世界中的复杂性问题。

高校科研机构将工程思维应用于论文生产，产生了爆炸式的效果，也反向强化了“以篇数定职称”的科研机制，高校科研机构迅速成为“论文工厂”，大量炮制自成逻辑的“学术论文”，将对“无尽前沿”的关怀湮灭在知识的自我繁殖中。相形之下，企业研发由于要接受市场检验，反而更加具备知识和技术生产的真实感。

根据NSF及相关研究资料，高性能计算（HPC）资源在科研界的需求持续快速增长。图源：路透社

（二）变革加速，大学却步履蹒跚

技术演进的指数级加速与高校科研机构的缓慢变革，颠覆了传统科研模式。

在传统的工业时代，从科学原理的发现到技术原型的诞生，再到大规模商业应用，往往需要数十年的周期。这种长周期允许大学有充裕的时间在“象牙塔”中精细打磨理论，通过同行评议体系验证真伪，然后通过论文发表和人才输送缓慢地渗透至工业界。

然而，在加速时代，这一逻辑被彻底颠覆。据测算，全球AI基础设施的资本支出预计到2029年将超过2.8万亿美元，这种巨额投入推动了技术迭代周期的极度压缩。在技术迭代加速的背景下，留给研究者解决问题的时间越来越短，对研发者的效率要求越来越高，当高校科研院所找到解决问题的办法时，问题早已改变了。

这种“倒置”的创新路径在人工智能领域尤为明显。由于缺乏复现能力（没有足够的算力），高校学者往往沦为企业模型的“测试员”或“解释者”，而非原理的发现者。

在ChatGPT等大模型出现之前，并没有完善的理论预测其“涌现”能力；相反，是企业通过工程手段堆叠了巨大的算力和数据后，现象先发生，学术界才随后跟进试图解释其机理。这种“工程领先于科学”的现象，直接剥夺了大学在传统分工中的“上游”地位，标志着高校在知识生产链条中地位的边缘化——从“创作者”降级为“评论家”。

（三）同样的年轻人，不同的竞赛场

DeepSeek的成功不仅仅是技术的胜利，更是组织社会学的胜利：给年轻人舞台，他们可能创造奇迹；给他们表格，他们只能变成“青椒”。

DeepSeek的核心技术团队并非由资深教授或行业老兵组成，而是大量启用了“应届毕业生”和拥有奥赛金牌背景的年轻人才。创始人梁文锋明确指出，在前沿领域“经验往往是负担”，年轻人的创造力和未被范式锁定的思维更为关键。

梁文锋认为，在AI等核心科技领域，不能再满足于“搭便车”式学习，而要进入创新核心。

一群刚走出校门的年轻人，凭什么击败拥有数十年积累的学术泰斗？答案在于他们所处的系统。如果这批年轻人进入高校，他们是处在食物链底端的“青椒”，被行政琐事和考评指标束缚；而在DeepSeek，他们是被赋权的探索者，拥有调用成千上万块GPU的权限。

DeepSeek为什么会赋权年轻人？因为它需要年轻人的思维来放大财富。

在DeepSeek，一个刚毕业的本科生或硕士生，只要想法有价值，就可以调用价值数亿的算力资源。“资源面前人人平等”的文化背后，是市场面前人人平等的定价机制。脱胎于量化对冲基金（幻方量化）的DeepSeek，没有沿袭传统高校的层级架构，而是采用了一种极度扁平、以结果为导向的运作模式，极大地释放了年轻人的创造力。

企业不需要工程师填写繁琐的报销单，参加冗长的行政会议，不要你为了职称去凑论文篇数。企业只需要你能解决问题，看似无情的逻辑，恰恰可以把年轻人从低效的事务性工作中解放出来，专注于解决问题本身：攻克最具挑战性的智力难题，并获得与之匹配的优厚薪酬（通常是高校薪资的5-10倍）。

与此同时，进入高校科研机构的同龄人，必须在规定时间内发表规定数量的SCI论文，申请到国家自然科学基金。这种生存压力迫使他们选择那些“短平快”的跟风课题，而不是真正具有原创性的难题。大量冗长的会议、重复的表格，占据了学者的时间。当他们评上教授可以独立做些探索的时候，已经基本磨平了敏锐和好奇。

二、产学研创新的关键的驱动：算力鸿沟、数据主权与地缘政治

当前正处于产学研组织创新关键转型期，预计全球技术加速和地缘竞争加剧将成为关键驱动力。

（一）算力成为科研准入的新阶级壁垒

算力已取代实验设备，成为当代科研的基础设施。DeepSeek虽然以相对较低的成本（约560万美元）完成了DeepSeek-V3的训练，但这依然是绝大多数高校课题组无法企及的资源量级。更重要的是，DeepSeek背后的幻方量化为其提供了强大的资金和算力储备，这再次证明了高性能计算资源对科研突破的决定性作用。

斯坦福大学《2025年AI指数报告》及相关研究显示，工业界产生的机器学习模型数量已远超学术界，且两者差距在不断扩大。

2024年重要AI模型的产出已高度集中于头部科技公司，产业界在模型创新上的主导地位愈发明显。图源：AI Index Report 2025

这种差距不仅仅是数量上的，更是性质上的——头部企业拥有的算力资源通常是顶尖大学实验室的数千倍，形成了实质上的“科研壁垒”。

当只有巨头企业才能以此为入场券时，学术界被挡在门外，不仅失去了对前沿技术的解释权，更导致了科研议程的“私有化”——研究方向越来越受商业利益驱动，而非公共利益驱动。

（二）数据霸权与闭环迭代的加速效应

除了算力，产业界还掌握着另一个核心要素：数据。特别是在垂直领域（如医疗、金融、工业制造），企业拥有海量的实时数据和用户反馈闭环，这使得模型能够通过“实战”快速迭代优化。

在“数据驱动”的范式下，拥有专有数据意味着拥有科研护城河。企业依靠掌握的大量数据和算力建立“开发－测试－反馈－优化”的闭环快速迭代系统，代码提交到上线的周期被压缩至数小时。相形之下，高校往往只能使用公开数据集进行研究，这种数据鸿沟迫使高校研究者不得不寻求与企业的合作，甚至出现“双重归属”现象。

谷歌与斯坦福大学、加州大学伯克利分校之间长期存在人员交叉，多位教授在高校任教的同时，兼任Google Research或DeepMind的研究员。图源：路透社

（三）地缘政治与“主权AI”的兴起

地缘政治紧张局势正在重塑全球科研合作的版图，多路线竞争将推动产学研向本土生态倾斜，势必带来全球技术链、产业链的生态隔离和多元化。

国家安全优先带来技术分叉与标准争夺。各国政府越来越将AI视为国家安全的关键要素，导致科研合作的“安全审查”日益严格。美国对华实施的芯片出口管制和科技封锁，迫使中国加快构建自主可控的科研基础设施体系。中美《科技合作协定》（STA）的续签争议反映了这一趋势，美中科技脱钩导致AI“铁幕”的形成，美国主导的路径强调开放创新，而中国聚焦自给自足的突破。到2026年，竞争将扩展至量子计算和生物技术，促使多标准并存，如在5G/6G领域的分化。

AI基础设施主权化推动政府资金注入和政策激励。为了应对算力垄断和地缘风险，各国纷纷启动“主权AI”计划，政府试图通过建设公共算力底座，来保障本国学术界和中小企业的科研权益，防止算力资源完全被跨国巨头垄断。各国政府通过立法和资助机制，优先支持战略性研发。

例如，美国的《芯片与科学法案》（CHIPS and Science Act）于2022年生效，并在2025-2026年间持续注入数百亿美元，用于半导体制造和劳动力发展，以应对供应链脆弱性和中国主导的风险。此类举措促进产学研三方协作，学术机构提供基础研究，企业负责原型开发，政府确保资金和监管支持，从而加速从实验室到市场的转化。

（四）新兴技术整合与数字化转型

技术创新加速不仅带来前沿突破，也促进新兴技术整合和传统产业升级。人工智能（AI）、量子计算和新能源等前沿技术将成为首要驱动力。人工智能和空间计算结合，将实现人工智能从语言模型向物理模型进化，必然推动生活、生产方式的全体系重塑，人形机器人、自动驾驶车辆、个人飞行器等设施将成为人类生活、生产的重要帮手。

算力和算法的演进也为几乎所有领域的研究带来强大的生产力支持，例如最近麻省理工与哈佛联合团队提出基于AI的端到端设计流程（Cleave Net模型）。研究利用预测式AI和生成式AI的结合，对超过10的13次方种组合实现研究筛选，实现了蛋白酶底物设计突破。

三、范式重塑：构建加速时代的“共生创新网络”

在研发主导权从传统的“好奇心驱动”转向“算力与数据驱动”的历史性进程中，产学研体系的传统边界已然瓦解。面对高校边缘化、企业霸权化以及地缘政治割裂的严峻挑战，未来产学研组织必须超越简单的独揽或“项目协作”，转而构建一种强调动态边界、资源平权与多方治理的“共生创新网络”。

（一）组织重整：从层级到网络化协作

传统产学研模式依赖于线性分工——大学专注基础研究、企业负责应用转化、政府提供资助——但在技术迭代周期压缩至数月乃至数周的未来，这一模式将难以适应。取而代之的，是网络化、模块化的组织架构，允许参与者根据项目需求动态组队，形成“临时联盟”以应对特定挑战。

首先，引入“混合实验室”作为核心载体。融合高校的理论深度、企业的数据与算力资源以及政府的政策支持。未来预计全球将涌现类似“AI共创中心”的机构，由大学主导理论框架、企业提供实时数据流和计算基础设施、政府确保知识产权的公共属性。

在这一模式中，研究人员可享有“双重身份”：高校学者兼任企业顾问，或企业工程师参与大学项目，从而打破机构壁垒。未来混合实验室应以“结果导向”的评估体系取代论文数量指标，转而以问题解决的实际影响（如模型部署效率或社会效益）作为绩效标准。这将释放年轻人才的潜力，避免他们在高校中陷入行政琐碎，而在企业中被利润动机束缚。

其次，坚持“敏捷迭代”原则。借鉴软件开发的敏捷方法（事实上马斯克的Spacex在星舰技术开发中做了良好的示范），产学研项目应采用短周期，结合实时反馈机制快速调整方向。

在量子计算领域，例如，大学可利用企业的专有数据集模拟纠错算法，企业则通过高校的理论验证优化硬件原型。这种闭环将缓解高校的“低维工程”困境，确保研究从仿真阶段迅速过渡到工业级应用。同时，为应对地缘政治风险，这些网络应具备“模块化”特性：核心技术模块可本土化部署，以减少对跨国供应链的依赖。

SpaceX在星舰研发中通过快速制造可飞行原型、高频试飞与短周期迭代以及将实时测试数据直接反馈至设计决策，形成了以试错驱动进化的研发模式。图源：路透社

（二）资源平权：将算力与数据转化为“公共基础设施”

算力鸿沟与数据霸权已成为科研准入的阶级壁垒，若不加以干预，将加剧学术界的边缘化。面向未来，产学研新模式必须建立公平化的资源分配机制，通过公共基础设施和协议化共享，确保中小机构不被排除在外。

首要举措是构建“公共算力云”平台。将国家主权算力覆盖所有的学术机构和中小企业，提供补贴性GPU访问。例如，美国的CHIPS法案可扩展为“AI基础设施基金”，中国则通过“东数西算”工程强化本土算力自给率。在这一平台上，企业须贡献闲置算力作为“社会责任税”，换取税收优惠或优先合作权；高校则可申请专用队列，用于长周期基础研究。这将逆转当前企业主导的格局，使大学重新获得“上游”地位，同时企业受益于学术界的理论洞见。

“东数西算”重塑了算力、能源与科研布局的空间结构。图源：新华社

其次，建立“数据主权协议”以规范共享。针对企业的数据护城河，未来协议应要求在战略领域（如医疗AI）强制开放匿名化数据集，采用区块链技术确保可追踪和公平使用。国际组织如联合国可协调“全球数据公域”，允许跨国协作但优先本土利益。未来随着数字化转型的深化，这一协议需要进一步扩展至新兴技术，如量子传感器的数据流，支持产学研联合优化算法。高校学者可通过协议访问企业反馈闭环，成为“解释者”而非被动测试员，从而恢复知识生产的平衡。

（三）治理重构：多方参与和伦理导向

传统政府资助模式已显滞后，未来应转向多方共治框架，融入伦理与可持续性考量，以平衡商业回报、公共利益和地缘安全。

首先，组建技术治理机构。由大学、企业、政府及专家代表组成，协调科技产业政策、高校科研和人才培养、企业知识产权保护和合作。随着技术分叉加剧，应该纳入地缘审查机制，评估项目对国家安全的潜在影响，同时促进国际标准协调以避免“铁幕”固化。

其次，嵌入“伦理审计”流程。面对加速时代的技术伦理风险（如AI涌现能力的不可预测性），所有产学研项目须经过独立审计，评估偏见、隐私和就业影响。确保企业主导的项目服务公共福祉。政府可通过激励政策（如伦理合规的额外资助）强化这一机制。

构建培养“终身学习”机制以适应人才流动。未来产学研将强调跨机构流动性，年轻人可通过“旋转门”机制在高校、企业间轮岗，积累多元经验。这将化解“青椒”困境，提供薪酬与贡献匹配的激励，避免好奇心的磨灭。

（四）人才赋权：释放“青年科学家”的潜力

重塑研发主导权的核心在于对人的解放。必须终结“论文工厂”对青年才俊的损耗，将年轻人从行政锁链中解脱出来。

首先是实施去中心化的“赋权考评制”。借鉴DeepSeek的扁平化运作，未来产学研组织应高度重视启用拥有高潜力的年轻人才，赋予其直接调用核心资源的权限，并以解决真实世界的智力难题作为核心评价标准。

其次要构建匹配贡献的“价值分配体系”。建立跨机构的薪酬与激励对标机制，确保在高校从事基础探索的年轻人能获得与其贡献相匹配的优厚待遇，防止好奇心被生存压力磨平，从而在全社会范围内完成科研人才资本的重新配置。