以计算机系的课程体系为例。大家知道计算机领域的新技术、新知识日新月异，导致大学四年的课时已经无法容纳了。怎么办？

我注意到，很多学校、院系在更新课程体系的时候，“不经意间”会把底层的基础层给压缩掉。

道理很简单，上层不断地涌现新知识、新技术，这些新内容又是和工业界接轨的，所以老师们宁可牺牲掉基础课，去扩展这种顶层应用的内容。

很具体的一个例子：之前我们也讨论过，计算机系大一的编程课到底要去学习汇编语言，还是去学习C、C＋＋甚至是Python？

这实际上反映了一个“到底是重视基础层还是重视应用层”的问题。

越底层的东西，构造难度就越大。芯片、操作系统、基础软件，如果都不去做，自然也就不需要去学这种靠近计算机底层的基础知识。

只解决顶层的应用问题，Python就够了。

同样的道理在AI领域也是一样。我经常参加硕士和博士论文的答辩评审，几乎每篇论文都涉及深度学习的很多算法如CNN、RNN，框架如TensorFlow、PyTorch，但都不是我们的。

硕士、博士使用这些算法和框架去“创造”所谓自己的算法和创新，但十几年、二十年后呢？

中国提出的AI国家战略很好，但我担心，AI的根基也会慢慢被压缩掉。

所以，当针对我们的技术制裁一旦出现，就相当于是一种釜底抽薪。教育界、研究领域都在忽视基础的东西，但如果没了吃饭的工具，就只能用手抓了。

用手抓着吃，肯定吃不好，对不对？

当追求短期效益时，就在丢掉未来

事物都是有发展规律的。MATLAB经过三四十年的发展，通过不断地积累完善和迭代，才有了今天强大的生命力。它不仅涉及到软件本身的技术，还涉及到在不同的科研领域里对领域知识的积累。

所以，我们不能奢望不去打基础，一下子就能做出一个MATLAB。

也正因此，所谓的“弯道超车”，我并不是非常赞同。因为当我们赶时间去追求短期效果的时候，其实是在丢掉未来的东西。

搞研究也是如此，年轻时如果一味投机取巧，也可以发表很多论文和成果；但是如果没有内功的修炼，以后想去做出更高水平的成就，就变得非常困难。

有很多博士生是这样做事情的：一般是从论文当中发现要做的问题——这常常是一种空想主义——这个问题没有遇到过，但是看到别人在做，于是就决定“我也去做”。那这样做出来的成果，很多并不是为我们的工业界服务的，而是为论文服务的。

如此一来，就会带来很大的麻烦。

怎么去解决这个问题？很多人提出要靠市场机制。但我认为靠市场机制不太灵。

一个很直接的问题：今天MATLAB被禁了，但可能两个月以后、一年以后又放开了。放开了会怎样？即使有了国产替代软件，但可能在性能上、质量上比不上MATLAB，很多科研人员又回到MATLAB的怀抱了。

那么靠情怀行不行？准备在火星上退休的埃隆·马斯克，搞出来了SpaceX，有时候靠情怀是有用的。但是像MATLAB这种东西，我们不能把它推到一两个人、一两家公司身上。

是不是要靠国家体制？我觉得更重要的是，是通过改变考核机制，让更多的人愿意投身在这些领域之中。MATLAB就是通过长时间的持续不断地积累，才变成这样一个产品。

另外，要从我们每个人做起。前几天跟同事们聊天，说我们还有20多年就退休了，这20年如果让你把时间都放在去开发MATLAB最核心、最基础的一个模块上，可不可以？

大家回答说：让我们去做编程没问题，但是如果跟其他学科的人一起去做——面向产业界的需求、用自己的设备去做实验、积累基础数据、形成领域知识，就没问题。其实就是搞软件工程的人从软件的角度切入，各个领域的专家从各自专业切入，大家一起去打磨，完全是可以做得到的。

但这其中非常重要的是，现在短期的目标考核导致很多人不愿意这么去做。

要知道，做操作系统的人很多，也曾出现过一百多个操作系统，但最终留下来的只有Windows、Linux、BSD这些。这给我们什么启示呢？

现在的博士论文，不管水平多高，最终评审时往往一刀切：你的创新点有哪些？是不是通过几条漂亮的对比曲线证明了你的方法、研究结果可以超过美国人、英国人的结果？

我想说的是，如果我们能够允许博士论文“重复造轮子”，可以去重复走过诸如MATLAB最早期发展的那一段时间，可不可以？

这不是我能说了算的。这是考验我们整个中国科研领域所有学者耐性和持久性的问题。

（王忠杰系哈尔滨工业大学计算学部、国家示范性软件学院教授，计算机科学与技术学院副院长）