千万奖金撬动千亿产值：谁在对赌科学的未来？大声思考
从原子弹到晶体管：举国体制与企业实验室的“诸神黄昏”
到底如何推动科学和技术的突破？二战之后出现了许多被人称道的模式。
一种以曼哈顿计划和阿波罗计划为代表。电影《奥本海默》对曼哈顿计划做了非常好的诠释，这里集合几乎是全球最顶尖的核物理学家（许多科学家逃离欧洲来到美国），美国也投入大量资源，证明了在技术突破边缘、目标明确的领域，集中力量的“举国体制”可以取得巨大成功。不容忽略的是，曼哈顿计划的成功，很大程度上得益于物理学家奥本海默创造的一种独特的“创业”文化——年轻、扁平、跨学科、自由讨论、使命驱动。这为后世的高科技项目管理（如硅谷创业）提供了原型。
一种是企业蓝天“科研模式”（BlueSky），最著名的莫过于贝尔实验室。二战后AT&T在美国电信业拥有垄断地位和碾压性优势，能获得稳定且丰厚的垄断利润，这为贝尔实验室提供了长期稳定的研发资金，使其无需为短期盈利压力所困，能够投资于基础研究。以企业研发来衡量，贝尔实验室更强调研究，而非开发。管理者明确要求，“要做出五年到十年后了不起的东西。”如果有人过于关注当下需求，就可能被要求转岗。更重要的是，贝尔实验室在新泽西相对密集的园区内聚集了来自物理、化学、数学、工程等不同学科的专家，并拥有市场和制造经验的人员。这让它成功地将科学的开放性与产业的实用性在同一个组织内实现了平衡，创造了从晶体管、激光到UNIX系统、C语言等一系列奠基性的成果。同一时期，施乐在硅谷的PARC实验室也一度被广为赞誉。不过PARC后来被很多人用作企业科研的反例，虽然它孕育了图形界面、鼠标等划时代创新，但母公司施乐专注于“做更好的复印机”，不知如何将成果商业化，最终让苹果和微软成为受益者。这一方面体现了企业实验室可能产生巨大的“溢出效应”，另一方面在提醒我们，等级森严的阶层组织中，高高在上的领导者可能根本理解不了实验室科学家创新的真正价值。
第三种则是DARPA模式。DARPA是二战之后成立的美国国防部高级研究计划局的缩写，被视为一种高效推动高风险、高回报前沿科技创新的国家资助模式。它有三个特点：第一，其创立宗旨就是要打破官僚体系的繁文缛节，避免科学家将过多精力耗费在冗长的经费申请流程上。其次，它借鉴美国五六十年代才兴起的风险投资（VC）做法，希望像VC一样，更注重那些潜在回报率高但风险更大的项目。第三它致力于填补市场与学术的空白：专注于投资那些风险太高私营企业不愿投、周期太长学术界无力支撑的科研领域。一个典型案例是21世纪初，后来创建在新冠疫情期间大放异彩的制药公司Moderna的科学家申请并不被学界看好的RNA领域研究，仅用半小时就从DARPA获得了1000万美元经费。这种快速决策机制保障了科研的敏捷性，也为二十年后RNA运用于新冠疫苗打下坚实的基础。
用奖金终结垄断：民间英雄的“太空漫游”与“无人之境”
在这三种模式之外，其实还有一种，也是DARPA喜欢的模式——公开的竞赛，最知名的莫过于DARPA在2004到2007年举办三届自动驾驶挑战赛。科技突破主要是解决两类问题，一类是科学的前沿问题，比如机器是否能像人类一样识别图片（机器学习问题），又比如复杂的蛋白质折叠问题，困扰了人类很久；另一类是推动技术的突破，比如私人航天是否能有所突破，而不是为国家所垄断，又比如到底如何实现自动驾驶？围绕着上述四个问题，过去三十年举办过四次轰动全球的竞赛，且每一场竞赛都“如愿以偿”地带来突破。
一、产业大奖赛
DARPA在2004年至2007年间举办的三届自动驾驶挑战赛，是全球自动驾驶技术发展的关键起点。为了极大激发技术创新，赛事奖金从100万美元逐步提升至200万美元。2004年的首届沙漠挑战赛虽然没有队伍完赛，但成功验证了自动驾驶的可行性。随后在2005年，多支车队成功完赛，并确立了感知、定位、规划、控制的核心技术架构。到了2007年，城市挑战赛更进一步，实现了复杂交通环境下的自动驾驶突破。
这一赛事不仅探索出早期自动驾驶主流的技术路线，更培养了第一代自动驾驶核心人才。赛后，这批研究者纷纷投身产业界，直接催生了Waymo和Cruise等美国自动驾驶领域的头部企业、虽然这一赛事与特斯拉创立无直接关系，但其奠定的技术基础与行业共识，深刻影响了全球自动驾驶发展，为后续技术路线的竞争、商业化落地和人才储备提供了重要支撑。
同样2004年在美国举办了X大奖赛的比赛。比赛要求民间团队在两周内两次完成亚轨道载人飞行，最终Scaled Composites团队凭借“太空船一号”夺冠 。X大奖的发起人彼得·戴曼迪斯（Peter Diamandis）在1996年就宣布设立1000万美元的大奖，灵感源自日本《朝日新闻》于1930年设下2.5万美元重赏，招募首位完成“不着陆跨太平洋飞行”的勇士。《朝日新闻》的奖金撬动了参与者上百万美元的资金投入，让戴曼迪斯看到了奖金的杠杆效应。
X大奖赛不仅打破了政府对航天的长期垄断，也确立了低成本、商业化航天的发展方向，还直接催生了以亚轨道旅行为核心的私人航天公司维珍银河——其前身就是获得X大奖的“太空船一号”飞行器。同时，它创造的产业环境也为后来SpaceX 等商业火箭公司的崛起奠定了基础。
值得注意的是，从2004年获得奖金到2021年真正实现首次载人商业飞行，维珍银河用了整整17年。从创立到真正在美国湾区实现无人驾驶出租车全面落地，Waymo花了更长的时间。这也从侧面反映出，技术突破之后，商业化落地仍需要漫长的积累和持续的技术迭代。
二、学术大争锋
在人工智能发展的漫长历程中，机器能否像人类一样识别图片中的猫一直是核心难题之一。在2010年之前，机器学习技术在图像识别领域的表现并不理想，识别准确率低下，无法满足实际应用需求，人工智能也一度陷入发展低谷。为了推动机器学习技术在图像识别领域的突破，斯坦福大学李飞飞团队发起了ImageNet项目，并举办了每年一度的ImageNet挑战赛，成为推动人工智能深度学习革命的关键事件。
赛事于2010年至2017年共举办了8届。首届获胜系统的准确率为72%，而人类的平均准确率为95%。两者之间存在巨大差距，这也反映出当时机器学习技术在图像识别领域的不足。但这场竞赛为全球的研究者提供了一个统一的测试平台和对比标准，让大家能够清晰地看到自身技术的差距，明确研发方向。
真正的历史性转折发生在2012年，多伦多大学教授杰夫·辛顿带领的团队以基于神经网络打造的AlexNet夺冠，将准确率跃升至85%，一举引爆了AI领域的深度学习革命，让这一年成为这一轮AI大潮的元年。AlexNet的突破，彻底改变了人工智能的发展格局。在这之后，ImageNet挑战赛成为全球人工智能领域的盛会，吸引了来自世界各地的顶尖团队参赛，技术迭代速度大幅加快。2015年，ResNet模型在ImageNet挑战赛中实现了重大突破，图像识别准确率达到96%，首次超越人类水平；2017年，SENet模型作为最后一届ImageNet挑战赛的冠军，其性能已远超人类，图像分类任务接近饱和。此后ImageNet挑战赛停止举办，转向更难的方向，如视频理解、小样本学习、无监督学习等。李飞飞作为这场竞赛的发起者之一，赢得了“AI之母”的美誉，而辛顿更则被尊为“AI之父”，并在2024年凭借深度学习技术获得诺贝尔物理学奖。
值得一提的是，2012 年的胜利引发了百度、微软、谷歌和DeepMind四家公司对辛顿团队的竞购，最终辛顿以4400万美元将他和两个博士生建立的公司卖给谷歌。这一事件标志着AI人才从学术界流向工业界的趋势，各大公司通过提供计算资源和数据吸引顶尖研究者，辛顿也确立了AI研究者同时保留大学教职的“两栖”模式（AI领域的领军人物如杨立昆和李飞飞都效仿），促进了AI技术的快速落地。
2024年另一位诺贝尔化学奖的得主也是一场大赛的获胜者。这场名为CASP（蛋白质结构预测关键评估）的大赛由结构生物学家约翰·莫尔特于1994年发起，是全球蛋白质结构预测领域的“盲测奥运会”，其核心目标是推动解决困扰生物学50年的“蛋白质折叠问题”。蛋白质是生命活动的核心载体，蛋白质的三维结构决定了其功能，而“蛋白质折叠问题”——即如何从氨基酸序列精准预测蛋白质三维结构——的破解，对于生物医药、基因工程等领域的发展具有决定性意义，能够帮助科学家更好地理解疾病机制、研发新药。
在CASP竞赛举办的前二十多年里，虽然参赛团队不断增多，技术不断迭代，但蛋白质折叠问题始终没有得到根本性解决，预测准确率一直处于较低水平。直到2018年的CASP13竞赛，DeepMind开发的AlphaFold1首次参赛即获总冠军，在最难的“自由建模（无模板）”类别领先第二名约15%，创下历史最大进步幅度，这一突破让科学界看到了破解蛋白质折叠问题的希望。2020年，AlphaFold 2 以远超第二名的成绩夺冠，其预测精度被学界公认为“基本解决蛋白质折叠问题”。这一突破帮助了DeepMind的创始人哈萨比斯拿到了2024年的诺贝尔化学奖。AlphaFold2的亮丽表现，让莫尔特感叹：“我们这些立志让晶体学家失业的人，现在开始担心自己即将被淘汰。” 而AlphaFold的免费开放使用，也凸现了哈萨比斯作为科学家的初心。
