人工智能的下一轮突破，要靠更大规模的新数据吗？
17日下午的WAIC 2026主论坛演讲中，中国工程院院士、之江实验室主任王坚提出了一个颇具冲击力的观点：人工智能正在迎来新范式变革，而这一次推动变化的，不再只是语言数据，而是科学数据和科学眼光，尤其是在旧数据里发现的新问题。
“科学突破不仅来自新的实验，也可能来自对已有数据的重新挖掘。”
王坚判断：未来真正重要的，不是训练一个更大的语言模型，而是让科学数据成为基础模型的“原住民（First-class Citizen）”。与此同时，未来AI会像数学一样，成为所有基础科学通用底层工具。
在现场，王坚回溯了人工智能发展的简短历史：很多人今天谈大模型，下意识就等同于大语言模型，但很少有人记得，“基础模型（Foundation Model）”这个词，直到2021年才被真正创造出来。而文本处理，其实是人工智能最容易跨过的第一道门槛。
他提出，文本处理是人类掌握最久、门槛最低的数据形态。中国古代文言、古拉丁文原本没有标点、空格，古人依靠诵读完成断句理解，这套人为拆分文本的逻辑，与如今大语言模型核心的分词算法本质同源。数千年来，人类始终在用文字记录总结已有的认知，大语言模型只是把这套文本处理能力做到极致，其训练素材全部来自人类写完的论文、书籍、代码，属于 “二手归纳型数据”。
“我们对AI理解科学的想象，还局限在人类已经写出来的知识里。”而这，也意味着AI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。在王坚看来，只有“当模型能够理解代码，它才真正跳出了人类自然语言的边界。”但即便如此，今天绝大多数用AI做科学研究的尝试，依然停留在“让AI读论文”的阶段——本质上还是在处理文本，而不是处理科学数据本身。
为此，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。他提出了一个非常形象的比喻：“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。”
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，这位作者并不是资深教授，也不是博士后，而是一位年仅18岁的高中生。他利用一颗已经退役的小行星观测卫星留下的数据，重新进行了分析，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。
这正是科学数据原生型 AI 带来的科研平权效应，也是 AI 作为基础工具的直观体现。
也正是在这样的背景下，王坚介绍，之江实验室几年前就定义了“科学基础模型”的概念，是建立在科学数据基础上，而非科学论文文本上。其宗旨就是让科学数据成为大模型的原住民，该工作代号"021"（Zero to One）。他强调，科学基础模型要将文本、代码、科学数据放入同一空间、同一模型完成所有任务。它不是垂直领域的模型，而是下一代的基础模型，一种独立的技术模型。
为了展示科学基础模型的现实价值，王坚在发言中特别介绍了之江实验室与南京大学沈树忠院士团队联合研发的一款地球科学模型GeoGPT。这正是生动展现AI科研范式变革的现实案例。
他介绍，古生物学中有一个长期难题——“西格诺—里普斯效应”（Signor-Lipps效应）：最后消失的物种，恰恰最不可能形成化石。传统研究方法依赖人工统计和地层对比来推算物种灭绝时间，精度长期停留在“百万年”量级。几十年来，精度难以提升，并非因为数据不足，而是既有的方法难以从中提取更多信息。
对此，GeoGPT团队改变了思路：将10万个生物属、近2万个物种的化石数据直接输入模型，让AI自行发掘规律。于是，在今年7月1日，GeoGPT做出了目前世界上最完整、最精确的地质时间轴，把时间标定的精度从百万年级别一下子提升到了万年级别——两个数量级的跨越，这在自然科学领域是颠覆性的突破。这项工作刚刚在上周入选了联合国“科学促进可持续发展十年”的政策清单。
改变的不是数据本身，而是运用数据的方式，这正是范式变革的要义。
因此，在演讲结尾，王坚提出了一个值得整个AI行业思考的判断：“因为有科学基础模型，人工智能到了一个非常不一样的转折点——变得跟数学一样基础了，不再是一个领域独立的东西。”
数学从来不是某一个行业的工具，而是所有科学共同的语言。如王坚所说，可以预期AI的下一个五十年，若真能像数学一样影响所有科学领域，前提一定是它运用数据的方式发生了根本转变——不再只是帮人类读取已经写好的结论，而是直接面对自然界最原初的信号，从旧数据中问出新问题。当科学数据真正成为大模型的“原住民”，人工智能也将第一次真正走出语言世界，进入自然世界，而这或许才是AI迈向科学智能、乃至AGI时代最重要的一次范式革命。
采写：南都记者吕虹 发自北京
热门跟贴