摘要：有这个时间我们不如多搞点应用，比如优化下直播带货的AI推荐，或者做个更智能的扫地机器人，既赚钱又能看到实效。

平时刷到AI写文案、画插画，有时甚至能帮医生看片子，总觉得这技术已经够牛了。

跟我们之前花大价钱、耗十几年去啃认知神经科学、数学这些“硬骨头”，比起来，AI技术快速而且适用。

有这个时间我们不如多搞点应用，比如优化下直播带货的AI推荐，或者做个更智能的扫地机器人，既赚钱又能看到实效。

毕竟现在市场节奏这么快，如果等基础研究出成果，说不定新的技术风口都过了。

但这话说的，太片面了，咱们仔细想想，现在咱们用的AI，不管是做推荐还是搞识别，底层框架大多是谷歌的TensorFlow、Meta的PyTorch。

核心算法比如Transformer，也不是咱们原创的，就像盖房子，应用是装修，基础研究是地基和建材。

装修得再漂亮，要是建材和地基都靠别人供应，哪天人家断货或者涨价，这房子要么没法扩建，要么直接塌了。

去年有个做AI医疗的团队，想优化肿瘤识别模型，结果发现底层的特征提取算法有漏洞，只能等着国外团队更新框架，这就是没自己基础的被动。

而且短期的应用红利终会枯竭，比如现在很多AI应用都陷入了“内卷”，无非是在现有框架里调参数。

要想做出真正能解决复杂问题的AI，比如理解人类情感的陪伴机器人、能自主研发新药的AI，没有基础理论突破根本没戏。

我始终觉得，短期的快钱是“浮财”，只有基础扎得深，才能在AI这条路上走得稳、走得远。

有人可能会觉得，AI基础研究搞这么多学科交叉，又是认知神经科学，又是统计学，还有数学的各种分支，是不是为了显得“高大上”。

毕竟AI本质是计算机技术，把心理学、物理学扯进来，会不会反而分散精力。

但事实恰恰相反，AI的“卡脖子”问题，本质就是单学科解决不了的。

比如现在AI不会“举一反三”，教它识别猫，换个角度拍的猫它就不认了，这就是因为它没理解“猫”的本质特征。

而这个“理解”能力，就得靠认知心理学和认知神经科学来帮衬。

去年有个团队从人类“工作记忆”模型里找灵感，给AI加了个“短期特征存储模块”，一下子就让AI的泛化能力提升了20%，这就是交叉的力量。

再说说数学，咱们总说AI“不可解释”，比如它判断一个人有疾病风险，却讲不出理由，这其实是因为现在的AI算法大多依赖统计拟合，缺乏严谨的数学理论支撑。

要是能把几何拓扑、随机分析这些数学工具用透，说不定就能给AI装上“透明的大脑”，让它的决策能被验证、被改进。

我身边有个数学博士转行做AI，他觉得以前觉得数学太抽象，现在才发现，AI的每一步进步，都得踩着数学的台阶走。

这话一点不假，多学科不是凑数，是给AI搭起了向上爬的梯子。

咱们常听人说“中国AI应用世界领先”，比如移动支付的AI风控、短视频的推荐算法，确实做得不错。

可能有人会觉得，既然应用这么强，基础研究慢慢补就行，反正现在能靠应用赚钱，等赚够了再回头搞基础也不迟。

但这种先应用后基础的思路，其实有风险，咱们现在AI应用的热闹，很多是建立在别人的基础上的。

去年国外某公司限制了AI芯片的出口，咱们不少做大模型的企业立马就慌了，这就是基础薄弱的代价。

而且，基础研究不是“想补就能补”的，它需要长期积累，培养一个能搞AI基础数学的人才，至少得十年八年，等咱们意识到要补的时候，差距可能已经拉得更大了。

所以我觉得，破局的关键不在“等”，而在“早”。

一方面，高校得改改培养模式，比如在数学专业里加认知神经课程，让学生从小就有交叉思维。

另一方面，企业也别只盯着短期利润，拿出一部分钱支持基础研究，比如和高校合作搞AI基础算法实验室。

毕竟，AI的未来不是靠借别人的梯子爬上去的，而是得自己搭起从基础到应用的完整楼梯，这才是中国AI未来发展的真正底气。

来源：ho侯神