AI跑得再快，也只是在跑已经修好的那段路

一、一个用一千个样品回答 AI 问题的人

2026 年 9 月 16 日，广州，凤凰湾区财经论坛。国家最高科学技术奖获得者、南方科技大学校长薛其坤做了一场关于 AI for Science 的演讲。他抛出的判断只有一句话长，但句子的语序里藏着他全部的立场：

"人工智能已经不再只是基础研究的成果，反过来正在成为推动基础研究的强大工具。"

绝大多数人会把重点读在后半句——AI 是工具，AI 在改写科研。这是这两年所有 AI for Science 论坛的标准论调。但真正值得停下来的是前半句："已经不再只是基础研究的成果"。

这句话在做一件事——确认债务关系。它提醒听众：在 AI 成为工具之前，它首先是果实。反向传播、统计力学、信息论、半导体物理、凝聚态——每一样都是基础研究的产物。AI 不是凭空出现的，它是过去一百年基础研究投资的兑付。于是那场演讲的核心洞见，才能被正确理解：

"智能之新，根植于基础研究之深；开放之心，关键在研究范式之变。"

前半句不是修辞，是因果。这个人有资格说这句话，理由很具体：他带团队做了 1000 多个样品，用了 4 年，才在实验中看到一次量子反常霍尔效应。

这 1000 多个样品，每一个只有 5 纳米厚，要在超高真空里慢慢"长"出来，厚 1 纳米或薄 1 纳米都不行。2012 年 12 月，他们终于看到了那个完美的量子化平台——这是反常霍尔效应被提出 131 年后，人类第一次观测到它的量子化。论文 2013 年发在《科学》，审稿人的评价是"凝聚态物理界一项里程碑式的工作"。

这件事的关键细节是：难的不是想不出来。理论方案早在 2008 年就有了——用磁性拓扑绝缘体实现量子反常霍尔效应，这是张首晟等理论物理学家提出的路径。薛其坤院士2009 年开始带队冲击这个目标时，目标是清楚的，路径是已知的。难的是做出来。

材料要既有磁性又是绝缘体——而磁体通常是导体，这本身就是一个自相矛盾的要求。你知道该往哪走，但物质不配合。于是只能一个一个长、一个一个测，失败，优化，再失败，再优化。四年，一千多次。

当一个人用这种方式赢过一次，他对"AI能不能替科学家做科研"这个问题的回答，会和绝大多数人不同。这篇文章想拆的是：他的回答是什么，这个回答建立在哪些假设上，以及——对一个不做科研的企业家来说，这套判断为什么关系到你公司的技术天花板。

二、他在这个九月说了什么

2026 年 9 月，他密集地谈了三次这个话题：9 月 3 日南科大开学典礼（本科与研究生两场），9 月 16 日凤凰湾区财经论坛，9 月 19 日新基石论坛。把这些表述放在一起，会浮现出一个清晰的分工判断：

AI 负责"快"的那部分，人负责"慢"的那部分。而科研的决定性环节，恰好全在慢的那一侧。

他在论坛上呼吁的不是"多做 AI 应用"，而是"让更多从 0 到 1原创性突破在粤港澳大湾区持续涌现"；在开学典礼上，他对着一千四百名新生说的是——"知识的获取从未如此便捷，但对知识的甄别、内化与创造，从未如此关键"，以及"愿你们既有博览群书的底气，又有坐穿冷板凳的定力"。

下面把这个分工判断拆成四条，逐条给出他的原话和它的产业含义。

三、洞见一：AI 是基础研究的利息，不是本金

命名：利息与本金

回到那个语序。"AI 已经不再只是基础研究的成果"——这句话确立的是一个时间上的先后和因果上的从属。

可以用一个更硬的比喻来表达它：基础研究是本金，AI 是利息。今天的大模型，本质上是在兑付过去几十年到一百年的基础研究存量：统计物理给了它配分函数和能量视角，信息论给了它熵和编码，最优化理论给了它梯度下降，半导体物理和凝聚态给了它那块能跑起来的芯片，认知科学给了它注意力的隐喻。

这笔本金不是这一代人存进去的，是上几代人存的。而且存的时候，没有人能说清楚它将来会用在哪里。这就推出了一个很不舒服的推论：

如果一个国家、一个地区、一家公司，只花 AI 这笔利息，不继续补本金，那么二三十年后，它会发现无息可花。

而"只花利息"恰恰是当下最强的诱惑。因为花利息立刻见效——用 AI 提效率、做应用、降成本，三个月就有数字。而补本金当期不出成果，还可能一辈子不出成果。薛其坤院士那句"智能之新，根植于基础研究之深"，翻译成经营语言就是：你的智能应用能走多新，取决于你脚下那层基础有多深，而这层基础通常不是你自己打的，是你借来的。

这条对企业的迁移价值极高，而且是当下最被忽略的一条。今天大量企业的 AI 能力是这样构成的：开源模型 + 公开论文 + 现成框架 + 一点微调。好处是快，坏处是——你的天花板，是别人的地板。源头往前走一步你跟一步，源头停下你也停下，源头对你关门你就地趴下。

判断技术天花板有个很简单的办法：从你的产品往上游追溯，数一数要经过几层别人的基础工作才能追到源头。层数越多，你越舒服，也越脆弱。这不是说所有公司都该去做基础研究——绝大多数公司不该，也没能力。但一家公司至少要知道自己的本金存在谁那里，以及那个人会不会一直借给你。

警示：这条会被误读成"要自研一切"，那是灾难。全栈自研在绝大多数场景下是资源的巨大浪费。正确的动作不是"什么都自己做"，而是识别出你命脉所系的那一两条上游，并在那一两条上建立不依赖单一来源的位置——可以是自研，可以是深度合作，可以是多源备份，但不能是不知道。

四、洞见二：AI 压缩的是搜索空间，压缩不了生长时间

命名：搜索与生长

这是他全部判断里最硬、也最容易被 AI 圈忽略的一条。而它不是论证出来的，是干出来的。再看一遍那个事实：理论早就有了，材料就是长不出来。

2008 年理论方案提出，2009 年他带队开始做，2012 年底才成功。这四年里，他们不是在想"该怎么办"——他们知道该怎么办。他们是在一次次地长样品、测样品、失败、调参数、再长。

这就引出一个对整个 AI for Science 讨论都很关键的区分：

科研的瓶颈有两种。

第一种是"不知道往哪儿找"——搜索空间太大，候选太多，人脑装不下。

第二种是"知道往哪儿找，但物质不配合"——路径清楚，就是做不出来。

AI 极大地缓解了第一种，几乎没有触及第二种。大模型、图神经网络、高通量筛选——这些工具的本质都是在压缩搜索空间：从一亿个候选材料里挑出一百个值得试的，从一万条合成路线里挑出十条。这件事的价值巨大，不该被低估。

但接下来那一百个候选，仍然要一个一个长出来。而晶体生长的时间，不因为你用了多好的模型而缩短一秒。超高真空要抽到那个真空度，需要的时间是固定的；分子束外延生长一层原子，需要的时间是固定的；样品降温到毫开尔文量级做测量，需要的时间是固定的。

这可以概括成一句很朴素但很硬的话：算力可以并行，物质不能并行。你可以同时跑一万个 GPU，但你没法让一块晶体同时用一万种方式生长。你可以把计算时间压缩到千分之一，但你压缩不了化学反应的速率常数，压缩不了退火所需的小时数，压缩不了细胞分裂的周期。

这一条，与当下 AI 圈最流行的一个默认假设正面冲突。那个假设是：一切瓶颈，最终都是算力瓶颈。它的完整表述通常是"随着算力和数据的增长，问题会自行消解"——这也是《苦涩的教训》被通俗化之后最常见的读法。而一个做了三十年实验的人会告诉你：在与物质打交道的领域，算力从来不是那个瓶颈。瓶颈是真空度、是纯度、是温度稳定性、是那 5 纳米的厚度能不能控住，是一千次里能不能有一次对。

他在研究生开学典礼上那句话，其实就是这条洞见的教育版本：

"凡是足以拓展人类认知边界的原创性重要成果，皆是积跬步至千里，经历一轮又一轮的试错、千锤百炼得来的。"

注意"一轮又一轮的试错"——试错是串行的，不是并行的。这是整句话的技术含义。

这条对企业的迁移价值，在于校准对 AI 的时间预期。一个非常普遍的现象：企业引入 AI 之后，预期提速是全流程的，而实际提速只发生在信息密集环节。以新产品开发为例。AI 确实能把"该做什么"这一段从三个月压到三周——市场分析、竞品拆解、方案生成、参数寻优，都是搜索问题。但接下来的开模、试产、小批量验证、认证测试、客户试用反馈是"生长问题"，时间常数由物理世界和组织现实决定，不由算法决定。

结果是：前段快了十倍，后段没变，总周期只缩短 20%，而管理层按前段的速度定了整体目标。于是所有压力堆在后段的人身上，而他们恰恰是最没办法提速的那批人。

可落地的动作：把你的关键流程按"搜索环节"和"生长环节"分一次类。搜索环节大胆上 AI，指标可以定得激进；生长环节先别动，它的改善要靠工程、靠设备、靠供应链，不靠模型。把两类环节的 KPI 分开设定，是避免"AI 转型高开低走"的第一个动作。

警示："生长环节不可压缩"是一个当下判断，不是永恒定律，而且正在被侵蚀。自动化实验室、高通量合成、机器人化学家正在把"一千个样品"的物理时间压下来——从每天 3 个变成每天 300 个。所以准确的说法应该是：生长时间不能被算法压缩，但可以被工程压缩。分清这两者，决定你该投模型还是该投设备。

五、洞见三：从 1 到 N 几乎白送，于是从 0 到 1 的相对价格暴涨

命名：相对价格的重估

注意他在论坛上的措辞——他没有呼吁"大湾区要多做 AI 应用"，他呼吁的是：

"让更多从 0 到 1原创性突破在粤港澳大湾区持续涌现。"

而在研究生开学典礼上，他引了王大珩院士那句话：

"在关系到国力的高技术方面，首先要争取一个'有'字，有与没有，大不一样。"

王大珩院士说这话是有切肤之痛的：建国之初我国不能自主研制光学玻璃，关键材料完全受制于人，他带 28 个人在长春的废墟上创业，1953 年熔炼出中国第一埚光学玻璃。他自己的说法是："我就是冲着'没有'这两个字来的。"

这里有一个必须被指出来的时代转换。过去的"没有"，是没有东西——没有设备、没有材料、没有工艺、没有产线。今天的"没有"，越来越是没有问题——没有属于自己的、原创的、值得花十年去回答的问题。

因为在一个 AI 可以极速完成"从 1 到 N"的时代，复制、跟随、优化的成本正在坍塌。别人发了论文，你三周能复现；别人开源了模型，你一周能微调；别人验证了路线，你半年能追上。

当从 1 到 N 变得几乎免费，从 0 到 1 的相对价格就必然暴涨。这不是价值判断，是价格机制——任何一种能力，当它的替代品变便宜，它自己就变贵。

他自己的两项主要成果，恰好都是"从 0 到 1"且都是逆着共识来的：量子反常霍尔效应是把一个理论预言第一次做成实验事实；而 2012 年发现的界面高温超导——单层铁硒与钛酸锶衬底结合——在当时是挑战主流共识的，后来国际超导界大量追踪研究，成为我国科学家开辟的一个全新方向。

清华物理系教授王亚愚对他的评价里有一个词很传神：他对与主流学术认识不一致的观点很有兴致，像一位"搅局者"，总希望给科研带来一些意外。

"搅局者"这三个字，是理解他全部方法论的钥匙。一个只想做对的人，会选择跟随主流——因为主流的正确率更高。一个想做"从 0 到 1"的人，必须主动寻找主流可能错的地方，并且接受自己大概率会错。

这条对企业的迁移：在一个复制成本坍塌的行业里，"做得比别人好"不再是一个可持续的战略位置。因为"比别人好"意味着你和别人在同一条曲线上，而 AI 正在把这条曲线上的移动成本降到接近于零。你今天领先三个月，明年领先三周。

可持续的位置只有两种：要么你在一条别人还没上的曲线上（从 0 到 1），要么你的优势不在信息里（在物质、在关系、在牌照、在规模经济）。