第298章（1/2）
“江南基石”计划的遴选，如同一场精密而紧张的外科手术，在江南省的科技肌体上谨慎推进。联合工作组办公室里灯火通明，海量的申报材料堆积如山，专家评审会一场接一场，各种背景、各个渠道的说情、咨询、质疑电话也络绎不绝。但秦墨顶住了压力，明确指示：公平、公正、公开，宁缺毋滥，聚焦“卡脖子”难题和重大战略需求，不搞平衡，不撒胡椒面。经过几轮近乎苛刻的评审和激烈的内部辩论，首批三个“重大创新联合体”的牵头单位终于尘埃落定。
东南大学凭借在人工智能领域的深厚积累和周哲教授这面旗帜，成功牵头“人工智能国家前沿科学中心（江南）”的筹建，并以此为核心，组建“智能感知与决策创新联合体”，聚焦新一代人工智能基础理论与关键共性技术。省科学院联合几家在材料科学有优势的高校和龙头企业，拿下“先进材料与制造创新联合体”，主攻高端芯片材料、航空航天特种材料等。而“新能源与智能网联汽车创新联合体”的牵头单位，则出人意料地落在了一家省属国企——江南汽车集团身上。这家老牌国企近年来在电动化、智能化转型上投入巨大，虽然市场表现不算最亮眼，但胜在产业基础扎实、全链条布局完整，且与省里发展汽车支柱产业的战略高度契合。
牵头单位确定，只是第一步。真正的难点，在于联合体内部如何“捏合”。按照“基石”计划的设计，联合体不是简单的项目合作，而是要打破单位、学科、所有制界限，实现人才、设备、数据、资本的实质性共享和深度融合，形成“创新共同体”。
然而，理想丰满，现实骨感。在东南大学牵头的人工智能联合体首次筹备会上，气氛就有些微妙。参会的除了本校计算机、自动化、数学等优势学院，还有省内外几所高校的相关团队，以及两家在计算机视觉和自然语言处理领域领先的民营企业。议题是讨论联合体首个五年攻关方向。
“我认为，应该集中力量攻关‘第三代人工智能基础理论’，这是国际前沿，也是我们能否实现弯道超车的关键！”本校一位资深教授率先发言，观点鲜明。他所在的实验室，长期从事相关研究。
“基础理论当然重要，但周期长，风险大。联合体刚起步，需要一些能快速见效、展示度的成果。我建议，可以从‘智慧城市大脑’或‘工业智能质检’等应用场景入手，利用我们现有的技术积累，快速形成示范应用，这样也好向省里交代。”另一所高校的团队负责人提出了不同看法，他们更擅长应用落地。
“智慧城市？工业质检？这太‘老套’了！要体现国家中心的水平和魄力，就应该瞄准最前沿、最根本的问题！比如具身智能、通用人工智能的底层架构……”又有一位年轻的海归学者激昂陈词，他的研究方向更为前沿。
民营企业代表则更关注实际产出：“各位老师，理论探索和应用研究都重要。但我们企业参与进来，是希望技术能尽快转化为产品，形成市场竞争力。联合体能否在项目设置上，就明确一些与企业需求紧密结合、有明确产业化路径的课题？我们可以提供场景、数据，甚至部分研发经费。”
会议开了整整一天，各方观点激烈碰撞，都试图将联合体的研究方向引向自己擅长的领域或有利的方向。基础研究派、应用导向派、前沿探索派、产业需求派，各有道理，也各有算盘。周哲教授作为牵头人，既要平衡各方诉求，又要确保联合体不沦为“大杂烩”或“利益分肥”的平台，感到前所未有的压力。他意识到，将这些来自不同单位、拥有不同文化、追求不同目标的团队真正“融合”起来，形成合力，其难度不亚于攻克任何一个科学难题。
同样的问题，也出现在江南汽车集团牵头的联合体。他们希望联合攻关下一代智能驾驶的“车路云”一体化技术，这需要通信、人工智能、高精地图、汽车电子等多方协同。然而，在讨论技术路线和任务分工时，矛盾立刻显现。高校的研究团队倾向于采用最新、最“酷”的技术方案，追求算法的先进性和论文的发表；而零部件供应商则更关注成本、可靠性和量产可行性；集团自身的工程团队，则对技术的落地时间和与现有平台的兼容性有严格要求。第一次技术协调会，就在传感器选型方案上陷入僵局：高校团队推荐性能顶尖但价格昂贵的激光雷达方案，而车企和供应商则坚持认为，在当前成本约束下，以视觉为主、多传感器融合的方案更现实。双方各执一词，会议不欢而散。
“基石”计划试图打造的“创新航母”，在启航之初，就面临着内部动力系统如何协调一致的巨大挑战。旧有的学科壁垒、单位藩篱、利益考量，像无形的缆绳，束缚着这艘巨轮，让它难以全速前进。
就在省里为“捏合”联合体而焦头烂额之际，湾区资本，却以一种更轻盈、更精准的方式，在江南省的创新版图上，悄然布下了新的“锚点”。
郑国权没有去争夺那些声势浩大、众目睽睽的“联合体”，而是将目光投向了那些在“基石”计划宏大叙事下，可能被忽略、或感到失落的“散兵游勇”。
东海市，一家名为“深瞳科技”的初创公司会议室里，创始人兼CEO吴涛，正激动地向湾区资本的投资经理展示他们的最新成果——一套基于仿生视觉芯片的极低功耗、高实时性目标检测系统原型。吴涛是东南大学博士，曾在国外顶尖实验室工作多年，回国后带领一个小团队创业，技术很有特色，但在国内以深度学习、大模型为主流的AI圈子里，显得有些“非主流”，融资一直不顺利。
本章未完，点击下一页继续阅读。