Related articles
文 | JHMS 贝壳
2024 年底，《美国天文学杂志》 发表了一篇论文。论文只有一位作者，不是资深教授，不是博士后，而是一名 18 岁的高中生。他利用一颗已退役的小行星观测卫星留下的旧数据重新分析，最终发现了近 150 万个此前从未被编目的天体。而这颗卫星当初的设计用途，甚至不是为了寻找这些天体。
这是阿里云创始人王坚在 2026WAIC（世界人工智能大会） 上讲述的一个真实案例。
开篇这个案例，跟大多数人理解的 「AI」 似乎没什么关系——不涉及大模型、不涉及算力、不涉及任何我们熟悉的 AI 标签。但正是这个看似不相干的故事，指向了当前人工智能发展中最容易被忽视、也最可能引发下一轮变革的重要方向。
一、惊人速度：但 AI 远未触及 「智能」 本质
今天，讨论人工智能几乎不会让任何人感到陌生。它可以回答问题、创作内容、编写代码、辅助办公。
CNNIC 数据显示，截至 2025 年 12 月，中国生成式人工智能用户已达 6.02 亿人，普及率 42.8%。
从 2023 年 ChatGPT 引爆公众认知到 42.8% 的普及率，这条路只走了 2 年左右。在国内，从 DeepSeek-R1 模型问世算起，这个时间跨度更短，仅仅 1 年。
回顾科技进程史，尽管革命性技术从问世到普遍应用的周期持续缩短，但同样 42% 普及率，中国从 1997 年正式接入互联网到 2012 年达到这个水平，用了整整 15 年。
AI 的普及速度不可谓不惊人。
然而，一个值得正视的问题是：我们如今日常使用的 AI，真的 「智能」 吗？
答案恐怕没那么乐观。
当前多数人所接触和使用的 AI，并非真正意义上的 「大模型」，更准确说应叫 「大语言模型」——一个搭建在文本数据之上的基础模型。它在做的事情，本质上是让机器更高效地处理人类已经写好的文字。
文本处理并非 AI 时代的新生事物。古代汉语没有标点符号，文字之间也没有空格，这给阅读带来极大挑战。后来人们给文本加上标点、在适当位置予以分隔，这就是文本处理的原始形态。
今天的 AI 模型以文本数据为根基，它处理任务的上限，仍停留在人类已有知识体系之内。它通过电算加快了处理速度，却无法主动探究那些尚未被人类用文字描述过的信息。
二、边界显现：大语言模型的 「已知」 困境
回到开篇的案例。
NASA 用那颗卫星进行近地天体广域红外巡天探测，扫描全域天空。而那名高中生用同样的数据、不同的分析方向，发现了海量未被编目的天体。类似情况并非孤例，伽利略当年使用的观测数据，大多来自前人的整理留存，他并未专门采集全新数据。
面对这类 「原生数据」，今天的大语言模型并不能自主产生探究方向。除非人类给它一个清晰的任务指令、一个明确的筛选依据，否则它只会停留在 「处理已知」 的层面，无法跨越到 「发现未知」。
这就是当前 AI 的智能上限，也是将需要被打破的能力边界。
王坚在 2026WAIC 演讲中指出的，也正是目前 AI 需要面临的挑战与革新，他称之为——范式变革。
过去的基础模型只把语言和代码作为核心训练素材，科学数据长期被边缘化。他认为，未来真正重要的不是训练更大的语言模型，而是让科学数据成为基础模型里的 「原住民 （First-class Citizen）」 。
这意味着 AI 将不再局限于 「阅读人类写好的知识」，而是能够直接理解那些从未被文字记录过的信息——光谱、地震波、基因序列、天文观测信号、地层化石记录……
三、科学数据：应纳入大模型的 「原住民」
举例来说。
在自古生物学领域，地层中的化石记录永远无法做到完整，我们能观测到的化石出现与消失区间和物种真实存续范围之间存在天然偏差。过去，科学家主要依赖人工统计和地层对比来推算物种灭绝时间，精度长期停留在 「百万年」 量级。中国科学家团队用模型整合了 10 万个生物属、近 2 万个物种的化石数据，做出了目前世界上最完整、最精确的地质时间轴，把时间标定的精度从百万年级别提升到了万年级别。这项工作刚刚入选了联合国 「科学促进可持续发展十年」 的政策清单。
「万年」 与 「百万年」 之别不是简单误差修正，而是两个数量级的跨越。
对科学数据的归纳与分析并没有想象的简单，这些碎片化的原生数据往往是不完整、不连续的，存在数据断层和噪声干扰。
对这类涉及多个维度的碎片化信息处理，传统人工分析难以理清，而当今的大语言模型也并不具备这个能力。如果将科学数据同文本、代码纳入同一语义空间的通用基础模型，让科学拥有同等核心地位。
未来，在同一逻辑框架下，AI 将有能力直接处理深空无线信号、大气环流数据、古生物化石记录、基因序列信息，从中发现人类肉眼无法识别的隐藏关联。
这并不是空洞的展望，一些前沿实践已经开始验证这个方向的可能性。
2026 年 3 月，之江实验室与瑞士联邦理工联合举办的 「AI+天文学」 研讨会，已经印证了这种范式转移的可行性。事实上，之江实验室几年前就已启动了 「科学基础模型」 项目，内部代号 「021」（Zero to One），寓意从 0 到 1 的突破。
四、人工智能：从 「变革」 到 「革命」 的可期
如果 「范式变革」 如预期获得突破，我们将迎来一个全然不同的 AI 时代。
这并非渐进式改良，而是从根目录出发的重新定义。
届时，在同一逻辑框架下，AI 将有能力直接处理深空无线信号、大气环流数据、古生物化石记录、基因序列信息，从中发现人类肉眼无法识别的隐藏关联。
当一名 18 岁的高中生能够用退役卫星的数据做出顶级科研发现，当 AI 开始替代人类完成高维数据空间中 「肉眼无法看见」 的模式识别，一场涉及科研方法、教育模式、产业逻辑乃至社会结构的深层次变革，已经开始发酵。
一段时间后再回溯 AI 的革新进程，这或许可以被称之为——「范式革命」。
当这场范式革命真正到来时，人类对 「智能」 的理解将被彻底刷新，它不再是快速执行命令的工具，而是能主动思考和未知探索的大脑。
到那时，我们再回头看今天的大模型竞赛，或许就像今天回头看当年的功能机之争，声势浩大，却远不是终局。
