问题：投入增长与突破不足的反差引发再思考 近年来，我国人工智能基础研究与应用布局上持续加大投入，科研平台建设、人才引进和项目支持力度不断增强，有关论文产出和学术活动也更加活跃；但与投入规模相比，部分关键方向上的“可见突破”仍然偏少，能够在全球范围内形成广泛共识和强带动效应的成果相对有限。蒲慕明院士近日在《国家科学评论》发表社论，直指“高投入未必带来同等分量突破”的现实困惑，并以业界热议的“DeepSeek式”成果为参照，提示科研投入需要更高效地转化为原创能力与产业竞争力。 原因：资金不是唯一变量，机制与路径决定产出效率 业内分析认为，“投入不小、响动不大”往往不是单一因素造成，主要体现在三上。 其一，评价导向偏“稳”，风险偏好不足。部分科研活动仍较依赖阶段性指标，项目周期、成果验收与职称考核客观上强化了对“可预期产出”的选择，使一些青年科研人员面对大模型等长周期、强工程、强不确定性的任务时更为谨慎，更倾向于在既有路线做改进，而不是投入到可能失败但回报更高的系统性攻关。 其二，资源配置与协同组织仍需优化。大模型研发通常需要跨学科团队、长期工程化投入和持续算力保障，单一课题组或短期项目难以支撑“从算法到系统到应用”的全链条闭环。一些单位在资源分配上更容易支持“分散且便于验收”的任务，协同机制不足，导致力量难以聚合。 其三，外部环境变化抬高工程门槛。高性能计算硬件供给受限、训练成本上升、软硬协同优化难度加大，使大规模训练更考验算法效率、工程能力与组织管理水平。在这种背景下，“用更少资源做出更好效果”成为关键能力之一。 影响：“DeepSeek式”案例凸显新范式，也暴露体系短板 以“DeepSeek”为代表的企业实践提供了另一种观察窗口。公开信息显示，该团队在算力受限的情况下强调算法结构与训练策略优化，重视工程降本增效，并通过开源与服务化模式降低产业使用门槛，形成“技术—生态—商业”相互支撑的循环。其启示在于：创新并不等同于资源堆叠，明确目标、路线聚焦、工程化能力与快速迭代同样重要；同时，当机制给予合理容错与持续投入预期时，青年团队更可能在高风险方向上形成突破。 ，该对比也折射出部分科研体系在成果形态上仍偏“论文化”，在面向国家需求的系统集成、工具链建设、可复用的开源生态以及可持续运营各上相对薄弱。若评价与组织方式无法真正转向“以问题为牵引”，投入效能就可能被分散消耗。 对策：把资源用“刀刃上”，关键在于制度、组织与生态协同 多位受访人士认为，提高投入产出效率，需要在“选题机制、评价体系、资源供给、成果转化”上同步推进。 一是优化评价体系，建立与长期攻关相匹配的考核方式。对大模型、基础软件、核心算法等长周期任务，可探索“里程碑+贡献度+影响力”的综合评估，降低对短期论文数量的依赖，鼓励团队围绕关键能力持续迭代。 二是完善容错机制，形成敢闯敢试的制度环境。对探索性强、风险较高的项目，应明确失败边界与复盘机制，将“可解释的失败”纳入科研正常过程，减少科研人员对“一次失利影响职业发展”的顾虑。 三是提升协同攻关与平台化供给能力。通过国家级平台、产学研联合体等方式，加强算力、数据、工具链与测试基准等公共能力建设，推动跨单位、跨学科协作，减少重复建设与低效内耗。 四是促进科研与产业双向循环。鼓励科研成果以开源、标准、工具包和系统方案等多种形态服务产业，用真实场景反哺科研迭代，形成可持续的创新生态。 前景：从“追热点”走向“抓关键”，中国路径更需自我定义 面向未来，人工智能竞争正在从单点技术比拼转向“算法效率、工程体系、生态构建与应用落地”的综合实力较量。我国在人才规模、应用场景和产业体系上具备优势，但要将优势转化为国际影响力，需要更明确的国家需求牵引、更顺畅的要素流动、更稳定的长期投入预期，以及更能激发原创活力的制度安排。对“DeepSeek式”实践的研究与吸收，有助于科研体系在资源配置、组织方式与成果形态上继续升级。
院士之问，指向的是投入与产出之间的效率落差，也触及科研组织方式与创新文化的深层问题。人工智能竞争进入“拼体系、拼生态、拼效率”的新阶段，唯有让资源更多投向真正的原创突破，让青年人才在可控风险中敢于试错，让科研与产业在真实场景中形成闭环，才能把“投入优势”转化为“能力优势”，以更多经得起时间检验的成果回应时代之问。