王坚：AI理解多模态，科研冲击逻辑已定

6月12日的智源大会上，王坚把话挑明了。就在底层芯片迭代与安全基金密集落地的当口，他明确指出AI对科研的冲击已不再是量变积累，而是直接跨入质变期。 从早期大模型死磕纯文本，到现在能同时吃透图像、音频和代码，底层跃迁的核心就一条：AI彻底打通了多模态数据的理解壁垒。王坚在现场的断言很干脆，人工智能能区分出什么是语言文本、什么是代码文本，所有科学数据都会因此被重新理解。过去科研圈习惯把AI当高级计算器，现在它要直接介入数据逻辑。 这跟当年AI重塑程序员的路径完全一致。代码逻辑被吃透，写码的饭碗先受震荡；多模态科学数据被吃透，实验设计与数据分析的旧流程必然洗牌。算力基建已经跑在前面，但实验室真正要面对的考题变了。别急着盲目堆硬件，先把手里的数据治理和内部协作链路补齐。接不住这轮质变的团队，很快就会被淘汰出局。 技术拐点已经跨过。早期大模型死磕纯文本，科研圈只拿它做文献摘要和基础翻译。如今AI开始解析代码、处理多模态实验序列，跃迁的底层逻辑很清晰：机器跨过了概率预测的门槛，开始吃透领域数据的内在结构。王坚在现场的断言很干脆，人工智能能明确区分自然语言和代码文本，这意味着所有科学数据都会被重新定义。 这条冲击路径在软件行业已经完整跑通。当模型真正读懂变量、函数调用与底层架构，程序员的日常交付直接被重构。代码理解力的跃迁从来不是辅助提效，而是工作流置换。科研场景的逻辑完全同构。过去研究人员靠经验清洗数据、手动调参、肉眼盯异常，本质是在做低维度的信息搬运。AI一旦具备多模态解析能力，实验设计验证和数据归因的旧链条必然被直接穿透。 冲击的传导顺序不会变。先被剥离的永远是只负责格式转换和重复验证的环节。实验室若继续把AI当成外挂插件，只会不断撞上效率天花板。把非结构化的领域经验转译成机器可执行的逻辑协议，才是接住这轮质变的唯一解法。 技术路径已清晰，但落地卡在现实环节。多数实验室接不住AI红利，真实症结直指数据治理与内部流程的短板。过去科研数据散落在课题组内部，格式混乱，私有表格与封闭系统各自为政。这种缺乏标准治理的原始素材，AI根本无从解析。模型能跨模态理解代码逻辑，但啃不动没有元数据标注的混乱档案。 流程断链同样致命。传统实验依赖人工节点流转，审批复核层层叠加。AI需要实时数据喂养与自动化闭环，不少团队却还在用老规矩套新工具。把大模型当临时外挂，跑两遍提示词发现数据对不上就草草收场。不是算法能力有天花板，是机构内部的数据链路和协作机制留了太多弱链，机器一介入就触发系统性卡顿。 破局只能向内动刀。历史数据必须完成标准化清洗与权限重构，实验流程要拆解为机器可执行的协议。算力可以集中采购，数据资产质量却买不来。继续观望的团队只会被提前完成基建的对手拉开代差。算法替不了基础治理，把数据链路和流程再造推到台前，实验室才真正拿到下一轮竞争的底牌。 内部治理还没跑通，外部的算力与安全投入已经呈指数级增长。硬件与资金的双重加码，直接把行业起跑线往前拽了一大截。亚马逊刚发布第五代自研Arm处理器Graviton5，核心数直接拉满至192核，性能与能效同步翻倍。这不是常规的硬件迭代，而是为多模态数据吞吐和高并发计算预留的硬通货。几乎同一时间，谷歌DeepMind联合多方砸下1000万美元设立多智能体安全研究基金，专门应对大规模AI交互的底层风险。芯片托底算力，基金划定安全边界，两件事同步落地，节奏卡得极死。 资本和基础设施厂商从来不做慈善。他们押注的是AI从单点工具向复杂协同系统演进的趋势。科研场景一旦真正吃透多模态数据流，对底层算力的实时调度和智能体交互的稳定性要求会呈几何级数上升。现在的架构设计已经跳过了试探期，直接按生产级标准铺路。底层基建不再等应用层慢慢磨合，而是先把高速公路修好。 实验室如果继续把时间耗在内部流程断链上，很快就会面临有算力跑不动、有模型不敢用的被动局面。基建抢跑意味着留给旧模式的容错窗口正在快速关闭。与其等外部技术栈倒逼改革，不如趁底层设施还在铺设期，把内部数据标准和协作协议彻底重构。算力红利向来只奖励提前备好接口的人。