中國大部分產業都居於全球前列，這已經是公理級的常識了。
中國基礎研究行不行，這還是爭論不清的問題。
在80年代之前，一般認為是中國基礎研究還是行的，但應用研究和工程研發不行。現在的看法似乎反過來了。基礎研究與產業發展的關係一直是爭論不休的問題。丘成桐指責中國數學研究仍停留在美國40年代的水平，肯定不是讚揚，但具體意義誰也說不清楚。
有人說，要說原創性（originality）和顯著性（significance），今日美國數學研究也不如40年代。這就要由數學界的專家來評說了。
但丘成桐的話引起中國輿論裡又一番激辯，焦點很快集中到基礎研究（尤其是純數學）有什麼用。
科學和技術很容易混淆，但兩者有很大的不同。科學是探索未知的，未必功利；技術是解決現實問題的，必然功利。
都說牛頓是看到蘋果掉下來才最終發現萬有引力的，牛頓肯定沒有想到這以後成為衛星、太空和太空經濟的基礎。
基礎研究從來不是以具體應用為目的的。很多基礎研究的成果不只在發明人生前沒有應用，死後多少代都可能沒有應用。黑洞理論到現在只是在發現間接證據的階段，直接證據還是解決不了，因為大爆炸已經久遠，還不可能重複。要說哪一天黑洞理論能「變現」成為造福人類的產品，恐怕我們這一代是看不到了。
但這就意味著黑洞理論沒有意義嗎？不是的。這有助於我們認識世界。滿足人類的好奇心本來就是基礎研究的最大動力。建立萬有引力理論只是出於對自然世界的好奇心。愛因斯坦建立相對論的時候，應該也沒想到原子彈和核動力。
技術（或工程研發）才是「有用」的。在很多時候，科學是技術的基礎，造汽車用到材料力學、結構力學等，追溯上去，都可以和牛頓力學攀上親戚。
但在其他時候，科學並沒有發展到這一步，但現實問題依然需要解決，技術就只有透過試誤法發展。
人類在牛頓之前千百年就開始造橋了。沒有理論指導，只有經驗指導。從石條、木板的簡單橋，到磚塊的拱橋、線纜的懸索橋，一步一步摸索，累積了許多經驗。加上安全係數，試誤法通常是有用的。
問題是，新材料、新構型出現後，需要重新摸索，時間長，代價大，越來越不適應越來越快的社會和技術發展。
有科學指導的造橋就給力多了。
今天中國成為世界高橋長橋的絕對冠軍，不是靠簡單的經驗摸索，而是靠科學。
今日中國各種產業高度發達，主要並非得益於今日中國的基礎研究，但是建立在前人（必須說，主要是西方的前人）的基礎研究之上。這就是歷史上基礎研究對今日工程技術的作用。
但從最終實用性而言，基礎研究是廣種薄收的，有應用是情分，沒應用是本分。歷史上基礎研究至今沒有應用的依然大有人在。
在歷史上，歐洲王室和貴族資助基礎研究，與資助繪畫、音樂、詩歌差不多，是為自己裝點門面、附庸高雅用的，未必真的是出於熱愛科學和藝術。
在現代，不少國家依然把資助基礎研究看作「還把自己當回事」的國家不得不做的本分，即使50-60年代對基礎研究揮金如土的美國，也沒有太急功近利的想法，而是作為體現「資本主義優越性」和與蘇聯全面競爭的一部分。從某種意義上說，「阿波羅」登月計畫也是物化的基礎研究，初衷並無功利，政績工程而已，幾十年後促成空間經濟未必是本意。
新中國建國伊始，就對基礎研究很重視，中國科學院的組成就是標誌性的機構，旗下聚集了大批頂尖科學家，幾十年來也成績斐然。但要說到這些成就有多少轉變為實用的成果，這就不好說了。這本來就不是目的。
但這不等於中國的基礎研究與經濟成就永遠沒關係。
確實，迄今為止的中國經濟建設與當前甚至過去一段時間的基礎研究關係不大，但這更多的是經濟發展階段性的緣故。
改革開放以來，中國經濟和技術發展主要來自於追趕。也就是說，以復刻西方已有技術成就為主。換句話說，這是需要馴馬術的階段，而馬清晰可見，馴馬術有章可循。也可以說這是中國在刷習題集的階段，正確的題解不只存在，而且很多是可見的。
這不意味著趕上容易。不斷有人質問：中國為什麼至今造不出來EUV，為什麼至今造不出大推力民航發動機，就是看到了目標，甚至依稀看到了路徑，但依然沒法爬上這個高地的例子。
趕上是為了超過，在沒有前車之鑑的時候，就需要基礎研究的加持了。換句話說，這是需要屠龍術的時候。龍本身就捉摸不定，屠龍術更是無章可循。也可以說這是中國要琢磨自己的解題術的時候，甚至不知道正確的題解是否存在。
這更艱難。比如說冷聚變，是否走得通，在理論上都沒底。努力摸索必要的，但不能盲目。猜想和理論之間的差別在於：猜想只是“有道理”，而理論是“肯定走得通”。
在大航海時代的末期，「西北通道」是最大的挑戰。哥倫布根據「地球是圓的」理論，堅信一直向西航行，就能到達印度，結果發現了美洲大陸。從北美東海岸通往亞洲最近的水路就是傳說中的「西北通道」。為此，無數人在陸地上探索各條大河，也有人試圖在北冰洋裡摸出一條可通航的航線，都失敗了。這就是猜想和理論的差別：地球確實是圓的，但「西北通道」只是猜想。
對於基礎研究，存在不少誤解，其中一個是：有用的基礎研究已經研究完了，有用的定理和方法都建立了，現在盡在折騰沒用的猜想，過去幾十年沒有顯著的基礎研究成就就是「瞎折騰、抓眼球、空耗民脂民膏」的鐵證。
這是不對的。
科學前沿永遠在遠非常人能理解的地方。牛頓、萊布尼茨、高斯、拉普拉斯的工作在他們的時代只有屈指可數的人能理解，今天理解的人多了，是因為這些曾經的前沿現在成為基本教育的一部分。
科學發展也是階段性的，並非勻速前進。一個突破會帶來一個階段充滿爆發性的發展，然後再次轉入艱難攻關。據說楊振寧說過物理的盛宴已經結束，其實20世紀初玻爾、海森堡、泡利、薛丁格的時代才是盛宴，楊振寧已經來晚了，但這不妨礙他依然做出巨大的貢獻。
科學的突破也是需要累積和蓄勢的。從牛頓到愛因斯坦的200多年裡，並沒有與牛頓力學和愛因斯坦相對論齊名的大發現，但數學、物理學仍在繼續發展，最終促成20世紀初量子力學的大發展。所以以過去幾十年來缺乏基礎研究的突破性成就為理由，認為都是在做無用功，這是不對的。
這不妨礙基礎研究、應用研究、工程技術應該有正確的金字塔結構，投資大頭永遠應該是「能夠變現」的工程技術，這是基礎研究可持續的根本。基礎研究不能成為國民經濟的負擔。這不是說基礎研究需要自負盈虧，而是整個從基礎研究到應用研究到工程技術的科研體系需要自負盈虧，工程技術的“盈利”需要向基礎研究“財政轉移”，否則就難以持續。
基礎研究負責非功利的探索，工程技術負責解決實際問題和創造價值。應用研究填補兩者之間的空白，將基礎研究的成果「翻譯」成工程技術的工具。這是當前非常急需的。
比如說，在自控領域，基本理論架構都是建立在線性無約束系統上，但控制技術已經發展到非線性的約束控制問題。問題是，DMC、RMPCT等貌似行之有效，但儘管是模型為基礎的控制技術，依然無法像線性無約束系統那樣用零極點配置或者LQR問題裡的加權矩陣按照控制要求嚴格計算控制器參數，只能靠經驗法調試。這是因為缺乏嚴格、完整的理論架構，只能傷筋膏藥、十全大補膏、藿香正氣丸一鍋煮，靠人品在線。
在更熱門的人工智慧領域，神經元函數在底層就是sigmoid函數，有許多有用的性質，但也很難深入分析。大模型由海量的sigmoid函數以複雜的拓樸連結起來，更是無法分析，使得用海量現實資料訓練出來的大模型依然時不時會有匪夷所思的行為出現。例如人工智慧畫可以模仿各種名家風格，但常常弄出六根手指這樣的囧事。這不可能是訓練資料的錯，因為所有繪畫、圖片裡都不可能有六指。 「人工智慧畫家」怎麼會畫出六指是個不好解釋的問題，只能用額外的演算法和限制來抑制六指現象，還是傷筋膏藥大法。這只是已知且無傷大雅的問題，其他大模型是否有更大的問題，只能是一句「誰知道呢？」因為缺乏嚴格的理論工具進行分析、綜合和預測問題所在。
這是應用研究的缺失，反映的是基礎研究還沒有在相關領域形成突破。
基礎研究最終成為工程技術的根子，則有ChatGPT的例子。這一段是從老友「老票」抄來的，還望老友海涵。
從ChatGPT的發展史來看，最早是從1957年Perceptron（感知機）的引進開始的，感知機是單一神經元的數學模擬，也是人工智慧領域的開端。後來由於感知機本身的限制（甚至無法解決簡單的異或分類問題），感知機的研究陷入沉寂，直到1980年代科學家引入多層感知機（MLP）和反向傳播演算法，人工神經網路研究復生。在1980和1990年代，人工智慧領域主要有二大流派：一是以軟體工程為基礎的專家系統，二是從模擬出發的人工神經網路方案。專家系統是一個失敗的方向；儘管多層感知機在模式識別領域取得一些成功，但在許多工程領域也受到從統計學研究出發設計的機器學習演算法（例如random forest，gradient boosting）的挑戰，人工神經網路方案並沒有明顯的優勢，這是在2000年代，是人工神經網路的潛伏期。但人工神經網路有一個巨大的好處，可以平行計算，容易硬體化，所以後來隨著2000年代後期卷積神經網路的興起和在深度學習領域的拓展，人工神經網路研究在2010年代進入黃金時代。再往後，就是transformer, attention等技術加入神經網路處理序貫資料（sequential data）, 最終來到ChatGPT時代。 Perceptron和MLP算是基礎研究，是在大學和研究所完成的；卷積神經網路和transformer，attention則是工程領域的基礎研究，是跨越學界和工業界或者加入工業界的PhD們主導的；最後則是工程師的工業實務。這個過程，耗時60年左右。所以要看基礎研究的貢獻，必須從一個長期的歷史的角度來看。在這裡，60年都不算太長的時間。
基礎研究不是從目標出發，在最需要突破的方向先突破。這未必是有關人員不接地氣、故作清高，而是與基礎研究的另一個特點相關：突破是可遇而不可求的，不是投入人力物力就能解決的，因此只能從已知出發，在容易突破的方向先突破。只有在形成足夠累積的時候，才能確保涵蓋最需要突破的方向。奇兵突襲是情分，一線平推才是本分。
也就是說，在中國從追趕轉為領先的時候，基礎研究會格外重要。也只有那時，中國才有足夠的財力，可以「養起」足夠的基礎研究，實現基礎研究下沉，由此惠及應用研究和工程技術，將中國經濟提升到更高的層次。
那讓別人去搞基礎研究，中國到用的時候再去「取經」行不行？基礎研究倒是不保密，自古以來如此。這是因為基礎研究是非功利的，保密沒有意義。但是自己不搞基礎研究，到用的時候，連人家的標題都看不懂，談何取經？基礎研究的語言確實像平行宇宙一樣，外人根本看不懂。應用研究還能說“只看懂標題，別的什麼都沒看懂”，基礎研究很可能連標題都看不懂。
這在歐美已經有先例了。學數學和統計的在過去被認為是只能「安於貧寒」的，但在大數據年代，數學和統計人才高度吃香，這就是基礎研究下沉、工程技術提升的結果。
說到數學，有人認為數學歸根究柢是算術。這不對。數學歸根究底是抽象和方法論，早就超過數字和算術的層次了。說數學本質上是算術和說詩本質上是造句一樣，不是錯不錯的問題，是這樣的比照沒有意義。極端一點來說，丘成桐和陳景潤無疑是傑出的科學家，但他們可能連自家的家用帳都平不了。或者說，他們領先世界的基礎研究連自家都管不了。這仍然不影響他們在數學上的成就和他們工作對未來基礎研究的意義。
至於現在的中國，追趕的紅利快要吃完了，靠敢想敢幹、經驗和直覺的時代快要過去了，原創技術才是未來，其底層正是基礎研究。
華客|新聞與歷史：中國為何“基礎研究不行” ，產業卻全球前列?