烟花之下，基础科学又回来了

这篇文章最有价值的信息不是500余场会议的数量，而是这些会议名单里出现的方向。生成式大模型推理、计算机视觉、人机交互、量子信息，这些词放在三年前的国际基础科学大会上，大概只会出现在交叉学科的分会场里，如今却成了主菜单。风向变得比我想象中快。

我翻了翻这次大会的议程安排，发现一个有意思的细节：主题叫“聚焦基础科学，引领人类未来”，但覆盖的热点几乎全是过去五年AI产业最烧钱的几个赛道。这不是巧合。我上周刚写过一篇关于AI投资进入回报验证期的帖子，当时判断是资本开始从“谁花得多”转向“谁花得值”，现在看，学术界也在做同样的转向。只不过资本转向靠财报暴雷，学术界转向靠这种千人级别的大会。

以前我觉得这种大会就是成果展示会，各路神仙把论文里的图贴出来，大家互相点头。但这次不一样。第一次设立基础科学奖章，九位得主里有做数学的、做物理的、做材料科学的，也有做基因编辑的。把这些人放在同一个领奖台上，本身就是一种表态：AI的下一步，不是靠堆算力堆出来的，是靠数学和物理的底层突破撑起来的。

议程设置的潜台词

500余场学术会议，两周时间，平均每天三十多场。这个密度意味着什么？意味着大部分参会者不可能全程听完，必须做取舍。主办方把生成式大模型推理、计算机视觉、人机交互这些方向单列出来，实际上是替参会者做了选择。我这边测下来的感觉是，今年的议程设置明显在向“AI的基础设施”倾斜，而不是AI的应用层。

这种倾斜背后有个现实问题。过去两年，大家把大模型的工程化玩得很溜，长三角Token运营中心那类平台把调用门槛砍到极低，企业接入DeepSeek或者千问，配个环境调个参，两天就能跑通。但跑通之后呢？去年底开始，我陆续听几个做模型训练的朋友抱怨，说现在瓶颈不在算力，不在数据，在于一些基础理论问题绕不过去。比如推理效率，比如模型的可解释性，这些都不是靠堆卡能解决的。

所以这次大会把生成式大模型推理放在学术会议名单里，本质上是在给产业界递话：你们遇到的工程问题，根子在我们这儿。

内外有别

另外一个值得注意的信号是，这次大会请了不少国际顶尖科学家，菲尔兹奖、图灵奖得主都有。在当前的技术环境下，这种国际交流的场子能办起来，本身就有象征意义。基础科学这个东西，短期看是论文和奖章，长期看是人才流动和合作网络。我关心的是，这些海外的科学家和国内的团队，接下来会不会在AI基础理论上有实质性的合作项目落地。

从数据来看，过去两年国内AI论文数量全球领先，但引用质量上跟顶尖水平还有差距。这次大会的奖章设置，至少在形式上给了一个“承认基础研究价值”的锚点。能不能转化成实质的科研产出，现在还不好说，但方向是对的。

我两年前在AIGC产业峰会上写过，AI落地的三个关键信号是算力成本、数据质量和场景匹配。现在回头看，少算了最底层的一条：理论储备。当工程红利吃完，能让你继续往前走的，还是那些看起来不赚钱的数学公式和物理模型。

烟花好看，但散场之后，真正留下来的还是那些能写进教科书的东西。