王坚：下一代基础模型，不在语言，而在科学数据

文 | AI商业评论

过去三年，大模型的发展几乎围绕着同一个方向不断演进：模型越来越大，参数越来越多，推理能力越来越强，Agent不断成熟，长上下文不断突破，人们讨论的焦点也始终停留在模型能力、算力规模以及距离AGI还有多远。

然而，当整个行业都在关注模型的时候，一个更基础的问题正在重新浮现：真正推动人工智能发生跃迁的，到底是模型，还是数据？

今日，中国工程院院士、之江实验室主任王坚在WAIC 2026主论坛演讲中提出了一个颇具冲击力的观点：人工智能正在迎来一次新的范式转折，而这一次推动变化的，不再只是语言数据，而是科学数据。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）”。

这句话看似只是关于数据类型的讨论，实际上却触及了未来人工智能发展的根本方向。如果过去十年，大模型让机器第一次真正理解了人类语言，那么未来十年，大模型真正需要理解的对象，将是自然世界本身。

人工智能每一次跃迁，真正改变世界的从来不是模型，而是数据

今天回头看，人们很容易把深度学习时代的崛起归功于GPU，归功于英伟达，甚至归功于神经网络算法本身。但如果回到2012年前后，就会发现，真正让整个行业发生变化的，是ImageNet第一次提供了足够规模、足够标准化的数据集，让深度学习真正拥有了成长的土壤。也正是在那个阶段之后，英伟达才真正坚定地投入人工智能。

因此，王坚开玩笑说：“英伟达并不是一家对人工智能有信仰的公司，它只是对算力有信仰，只不过算力等到了人工智能到来的那一天。”

这句调侃背后，其实揭示的是人工智能发展的底层规律：每一次能力的跃迁，看似来自算法突破，真正推动行业进入新时代的，却往往是数据范式的变化。

ImageNet改变了计算机视觉，互联网文本催生了GPT，而今天，当语言模型已经接近瓶颈时，新的数据范式也正在出现，那就是科学数据。

今天的大模型，本质上仍然只是建立在文本世界上的基础模型

很多人已经习惯把GPT、Claude、DeepSeek、GLM统称为基础模型（Foundation Model），但事实上，“Foundation Model”这个概念直到2021年才由斯坦福大学首次正式提出，它强调的并不是模型规模，而是一种能够支撑大量不同任务的基础能力。

然而，王坚指出，一个经常被忽略的事实是，今天几乎所有基础模型，本质上都仍然建立在文本数据之上。

我们今天习惯把LLM简称为“大模型”，甚至直接省略了其中的Language，但完整的名字仍然是Large Language Model——语言模型。无论模型能够完成代码生成、图像理解还是复杂推理，它们最初学习世界的方式，依然来源于文本。

而这，也意味着它们理解世界的边界，仍然停留在人类已经用语言描述过的知识体系之内。

事实上，人类真正积累的知识远远不止论文、书籍和网页。尤其是在科学领域，决定研究突破的核心信息，绝大多数并不存在于文本之中，而是隐藏在光谱、遥感影像、地震波、实验观测数据、基因序列、材料结构、天文观测等海量科学数据里。

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。

因此，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。”

这意味着，今天AI理解科学，实际上仍然是在阅读科学家已经整理好的知识，而没有真正理解自然世界本身。模型学习的是人类写出来的结论，而不是产生这些结论的数据。未来真正的突破，很可能来自模型直接学习科学数据，而不是继续阅读更多论文。

科学基础模型，不是一个垂直模型，而是下一代基础模型

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。

这一案例说明，新的科学发现，并不一定来自新的实验，也不一定来自新的设备，而可能来自旧数据、新模型以及新的认知方式。正如《科学革命的结构》中提出的观点：真正的范式变革，往往意味着能够从旧数据中发现新的问题。

也正是在这样的背景下，王坚提出了“科学基础模型（Scientific Foundation Model）”的概念。

很多人会自然认为，这是一个地球科学模型、生物模型或者医学模型，但王坚特别强调，它并不是一个服务于某个行业的垂直模型，而是一种新的基础模型。今天的Foundation Model建立在文本数据之上，而未来的Scientific Foundation Model，则需要同时理解文本、代码以及科学数据，并把三者放进同一个统一的表示空间，让模型能够直接学习自然规律，而不仅仅学习人类已经总结出来的知识。

实现这一目标的关键，并不是简单增加数据量，而是要像今天处理语言一样，对科学数据完成Tokenization，使不同类型的数据第一次拥有统一的机器语言。从这一刻开始，科学数据不再只是模型训练时偶尔调用的外部资源，而是真正成为基础模型内部的“第一公民”。

未来真正改变科学的，不是AI帮助科研，而是AI成为科学的新基础设施

为了展示科学基础模型的现实价值，王坚介绍了之江实验室与南京大学联合研发的GeoGPT。

GeoGPT关注的是一个看似简单却极其困难的问题——让石头“开口说话”。

地球科学最大的挑战，并不是缺少数据，而是拥有过于庞大而复杂的数据体系。每一块岩石、每一层地层、每一块化石都记录着地球数十亿年的演化历史，但这些信息长期以来无法被系统理解。

例如，地球科学中著名的Signor-Lipps效应指出，由于化石形成具有随机性，一个物种真正灭绝的时间，并不等于我们最后发现化石的时间，因此建立准确的生命演化时间轴一直是一项世界级难题。

GeoGPT通过学习十万多个生物种类、两万多个地层剖面的科学数据，首次帮助科学家建立起目前全球最完整、最精确的生命演化时间轴，并有望把过去以百万年计的时间精度提升到万年尺度。这种提升看似只是数字变化，实际上却意味着人类理解地球历史的能力发生了数量级跃迁。

因此，在演讲最后，王坚提出了一个值得整个AI行业思考的判断：人工智能正在变得像数学一样基础。

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。同样，未来的人工智能也不会只是聊天机器人、搜索工具或者办公助手，而会成为科学研究最底层的基础设施，直接参与知识发现、规律探索以及科学创新本身。

如果说过去几年，大语言模型改变的是人类获取知识的方式，那么未来真正意义上的基础模型，改变的将是人类创造知识的方式。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。