Jay 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

數(shù)學(xué)家陶哲軒，公開了AI新身份——SAIR Foundation聯(lián)合創(chuàng)始人。

之前，他是舉世聞名的數(shù)學(xué)天才，年少成名的傳奇數(shù)學(xué)家、13歲加冕IMO的最年輕金牌得主……24歲就成為加州大學(xué)洛杉磯分校（UCLA）史上最年輕的終身正教授。

最近幾年，隨著ChatGPT火爆，他也成為了AI×數(shù)學(xué)的旗幟性人物，并且開始更加高頻地思考和談?wù)揂I與基礎(chǔ)科學(xué)交叉的可能性。

而就在2026年剛開年，50歲的陶哲軒更進(jìn)一步，以聯(lián)合創(chuàng)始人的身份發(fā)起SAIR Foundation，希望這個旨在重塑AI與科學(xué)關(guān)系的非營利性聯(lián)盟，能夠連接學(xué)術(shù)界和產(chǎn)業(yè)界，并且能夠團(tuán)結(jié)和幫助更多的年輕科學(xué)家一起推進(jìn)兩大目標(biāo)：

一，用科學(xué)的方法打造AI；二，借助AI重塑基礎(chǔ)科學(xué)研究。

△SAIR Foundation主要專家成員

在SAIR Foundation對外官宣后，陶哲軒和Chuck NG——SAIR的兩位聯(lián)創(chuàng)，也在量子位的獨(dú)家專訪中，談?wù)摿怂麄冴P(guān)于AI x Science、數(shù)學(xué)、基礎(chǔ)科研等等相關(guān)的一切。

在他們看來，AI x Science最令人興奮的地方，在于科研的普惠化。他們希望通過SAIR這座橋梁，能為更多年輕人打開象牙塔的大門。

未來，世界上可能會有10000個陶哲軒。

上面這些只是冰山一角。在這場超90分鐘的深度對談中，你還會看到以下精彩觀點：

• 如果AI在回答時能表達(dá)置信度，比如“我比較有把握”或“這里不太確定”，其實際可用性會大幅提升。
• 學(xué)術(shù)界和產(chǎn)業(yè)界各司其職的模式走不通，速度太慢了，AI時代需要二者緊密合作。
• 相比金融和醫(yī)療，科學(xué)是一個更安全的AI試驗場，相對而言，算錯一道數(shù)學(xué)題幾乎沒什么損失。
• 看似重復(fù)、枯燥的基礎(chǔ)性工作，對人的成長其實非常重要，青年人需要這些寶貴的訓(xùn)練機(jī)會。
• 大部分學(xué)科都在彼此交流，而AI正是促成這種跨學(xué)科互動的重要催化劑。
• 不要簡單禁止新技術(shù)，高校的任務(wù)是教會學(xué)生如何正確使用它。
• 需要解決科研體系的結(jié)構(gòu)性瓶頸，通過跨學(xué)科的全球協(xié)作，以科學(xué)、安全的方式加速通用人工智能（AGI）和超級人工智能（ASI）的演進(jìn)。

下面附上精校后的完整訪談文字，全文超過1.5萬字。為了提升可讀性，量子位在不改變原意的前提下，對內(nèi)容做了適當(dāng)整理和刪減。

請享用。

AI X Science需要自己的垂直AI

量子位：首先，祝賀SAIR Foundation成立。能和我們聊聊發(fā)起這個AI X Science機(jī)構(gòu)的動機(jī)嗎？

陶哲軒：我認(rèn)為AI將從根本上改變科研模式，而我們首先要厘清的核心問題是：如何在科研場景中合理、高效地運(yùn)用AI？

事實上，我們需要一些高質(zhì)量的試點項目，來展示什么是最佳實踐，讓其他科學(xué)家可以參考、學(xué)習(xí)。

過去，這類工作主要由大學(xué)、科研機(jī)構(gòu)和政府部門來推動。但在當(dāng)前環(huán)境下，來自其他領(lǐng)域的支持同樣非常重要。它更靈活，能有助于我們嘗試一些創(chuàng)新性的事。

我很高興能參與創(chuàng)立這個機(jī)構(gòu)，希望借此探索新想法，嘗試更大膽的路徑，看看當(dāng)AI和科學(xué)以一種更審慎的方式結(jié)合時，究竟能走多遠(yuǎn)。

Chuck：我一直都很享受和優(yōu)秀科學(xué)家合作，能和Terry（陶哲軒）一起發(fā)起這個組織，我真的非常興奮。同時還有多位諾貝爾獎和圖靈獎得主一起加入。

Terry剛才更多講了學(xué)術(shù)側(cè)，而我自己長期推動學(xué)術(shù)和產(chǎn)業(yè)融合發(fā)展，這也是我們對這個項目格外有熱情的原因之一。

如果你看看我們的啟動活動，就會發(fā)現(xiàn)，參與者匯聚了全球頂尖學(xué)術(shù)研究者及多家科技領(lǐng)域企業(yè)代表，包括NVIDIA、OpenAI、Amazon、Microsoft等，各方圍繞AI x Science的發(fā)展展開交流探討，為后續(xù)跨領(lǐng)域協(xié)作奠定基礎(chǔ)。

當(dāng)學(xué)術(shù)界和產(chǎn)業(yè)界坐在一起，會帶來很多機(jī)會，可做的事情非常多。

量子位：從你們的角度看，當(dāng)下AI技術(shù)的主要短板在哪里？為什么科研領(lǐng)域不能直接用OpenAI或其他公司的模型？

陶哲軒：我們其實已經(jīng)在嘗試使用一些主流LLM，也確實有研究者用它們做出了成果。

問題在于，模型會產(chǎn)生幻覺，這對科研來說是個非常嚴(yán)重的問題?？蒲行枰沈炞C、值得信任的系統(tǒng)。

另一個挑戰(zhàn)是可解釋性。模型有時會給出一個看起來不錯的想法，但它往往不會說明這個想法是來自訓(xùn)練數(shù)據(jù)里的既有文獻(xiàn)，還是某種新的組合，也說不清它和已有工作的關(guān)系。

科學(xué)并不只是解決一個個孤立的問題，更重要的是把新結(jié)果放進(jìn)已有知識體系中，讓后來者可以在此基礎(chǔ)上繼續(xù)推進(jìn)。這就要求結(jié)果具備可追溯性、規(guī)范的引用，以及清楚說明如何擴(kuò)展或修改。

商業(yè)化的大模型有時能做到這些，但并不穩(wěn)定。如果我們能有專門為科研設(shè)計的AI，或者通過更好的工作流去強(qiáng)制驗證，并系統(tǒng)性地把結(jié)果和文獻(xiàn)體系連接起來，對科學(xué)的幫助會大得多。

最終很可能的方向，是把現(xiàn)有模型嵌入到一個更嚴(yán)格的框架中，配合強(qiáng)有力的驗證和校驗機(jī)制，讓它們真正成為科學(xué)發(fā)現(xiàn)的工具。

Chuck：事實上，在日常層面，比如寫作，AI表現(xiàn)已經(jīng)不錯了。

但一旦進(jìn)入更深、更專業(yè)的技術(shù)領(lǐng)域，情況就完全不一樣。很多細(xì)分科學(xué)領(lǐng)域，高質(zhì)量、結(jié)構(gòu)化的數(shù)據(jù)本身就非常有限。這也是為什么必須和科學(xué)家緊密合作。

我們的目標(biāo)，是把這些系統(tǒng)打磨到可以可靠地用于科研。最終，我們希望讓先進(jìn)的AI能被絕大部分人使用，也就是“AI普惠化”。

陶哲軒：我舉一個非常簡單的例子。

科學(xué)家在提出一個結(jié)論時，通常會同時說明自己對這個結(jié)論的信心程度，比如“我對此非常有把握”“我有一定把握”“這個想法目前還不太成熟”。

AI并不會這樣做，它們幾乎總是用一種百分之百確定的語氣給出答案。如果AI能夠明確表達(dá)不同層級的置信度，它在科研中的實用性會提升很多。

量子位：現(xiàn)在整個行業(yè)的主線都在談Scaling，更多數(shù)據(jù)、更大的模型、更強(qiáng)的算力。但SAIR更關(guān)心“Scaling the Science of AI”，這具體指什么？

陶哲軒：目前為止，科技公司所采用的路線確實非常成功。當(dāng)算力和訓(xùn)練數(shù)據(jù)提升一個數(shù)量級時，模型能力會有明顯躍升。這套方法到現(xiàn)在為止效果還都比較好。

但從長遠(yuǎn)看，它會撞墻。數(shù)據(jù)不是無限的，公開互聯(lián)網(wǎng)基本已經(jīng)被用得差不多了，同時還存在能源和算力等方面的約束。

另外，現(xiàn)在的AI能解決非常困難的問題，但往往很低效。一個人類數(shù)學(xué)家，可能看十個例子就能抓住問題的核心，然后舉一反三；而現(xiàn)有的AI，往往需要數(shù)百萬個訓(xùn)練樣本，還要反復(fù)嘗試，甚至運(yùn)行上百次，才能得到一個正確結(jié)果。

放到科研中看，我們并不總是需要最大、最通用的模型。很多科研任務(wù)本身非常專門化。在一些場景下，體量更小、功耗更低、成本更低的模型，甚至能直接在個人電腦上運(yùn)行，就已經(jīng)足夠用了。

大型公司更關(guān)注打造“什么都能做”的通用模型；而科研場景，可能更需要為特定工作流量身定制的專用工具。開發(fā)和支持這類工具，正是我們希望通過SAIR去推動的一件事。

量子位：我能不能這樣理解，在AI x Science這個方向上，真正關(guān)鍵的，是更好的原則和方法論，而不是一味把模型做得更大？

陶哲軒：可以這么理解。我們需要更好的方式去評估可信度、表達(dá)置信水平，也需要提升系統(tǒng)的可解釋性。

我們同樣需要改進(jìn)人類與AI協(xié)作的方式?，F(xiàn)在最常見的交互模式，是你給模型一個提示，它直接給出一個完整答案。

但在很多科研場景中，研究者往往不只關(guān)心最終結(jié)論，還希望看到推理過程本身。你可能想在中途介入，補(bǔ)充新的信息，或者探索不同的路徑。

目前不少研究者對AI的應(yīng)用仍持觀望態(tài)度，一方面是因親身經(jīng)歷過系統(tǒng)出錯的情況，另一方面是現(xiàn)有工具與他們的核心研究需求不匹配。

如果科學(xué)家能夠開發(fā)真正貼合自身工作流和研究需求的工具，我相信這些系統(tǒng)的使用率會顯著提高。

Chuck：我想從另一個和可信度相關(guān)的角度補(bǔ)充一下，“數(shù)據(jù)質(zhì)量”。

我們的一位密切合作伙伴，John Hennessy，一直在為SAIR Foundation提供建議。他是圖靈獎得主，同時也是Alphabet的董事長。他經(jīng)常強(qiáng)調(diào)，在科研中，提升數(shù)據(jù)質(zhì)量的重要性不亞于提升模型本身。

信任本身也是一個更宏觀的社會問題。在不同地區(qū)，人們對數(shù)據(jù)和技術(shù)的信任程度并不一樣。美國社會對一個東西的信任水平大概在70%到80%，而對AIGC的信任度，往往只有這個數(shù)字的一半左右。

這種落差，也解釋了為什么很多組織，包括OpenAI、xAI以及其他AI公司，都希望與我們合作。信任、可靠性和科學(xué)嚴(yán)謹(jǐn)性至關(guān)重要。

量子位：隨著AI不斷降低科研門檻，會給整個行業(yè)，以及全球科研格局帶來哪些變化？

Chuck：這個問題很好。我覺得最終的目標(biāo)，是在和頂尖科學(xué)家、研究者一起合作的過程中，把AI提升到一個“默認(rèn)值得信任”的水平。

一旦AI達(dá)到這樣的程度，它就不會只被專家使用。普通人也能放心用，比如你的父母，甚至爺爺奶奶，都可以在日常生活中依賴AI，而不用擔(dān)心它靠不靠譜。

這也正是我們?yōu)槭裁匆岩涣鞯目茖W(xué)家和產(chǎn)業(yè)界的伙伴聚到一起，彼此學(xué)習(xí)、共同推進(jìn)。只有通過這樣的協(xié)作，技術(shù)本身以及它在真實科研場景中的應(yīng)用，才能一起向前走。

我們希望AI能成為一種日常工具，就像汽車一樣。當(dāng)AI達(dá)到這樣的可靠性水平時，全球科研格局才會真正發(fā)生變化。

量子位：SAIR具體會如何參與并推動這一轉(zhuǎn)變？

Chuck：我們的做法，是把學(xué)術(shù)界和產(chǎn)業(yè)界以一種更直接、更有組織的方式拉到一起。

在學(xué)術(shù)側(cè)，很多研究者缺乏算力，也很難獲得長期、穩(wěn)定的資金支持；在產(chǎn)業(yè)側(cè)，公司擁有算力、資本和工程能力，但現(xiàn)有模型和工具和科研需求之間還有明顯錯位。

科研領(lǐng)域越來越需要更廣泛的社會力量參與進(jìn)來，包括捐助者、基金會、投資人和創(chuàng)業(yè)者。把這些人聚在一起，能更好地支持那些真正長期、具有高影響力的研究方向。

我們相信，這種協(xié)作模式能把科學(xué)的邊界推得更遠(yuǎn)。

陶哲軒：在過去幾十年里，一個主流模式是：學(xué)術(shù)界主要依賴官方資金支持，產(chǎn)業(yè)界則負(fù)責(zé)把研究成果轉(zhuǎn)化為應(yīng)用。學(xué)術(shù)研究者提出基礎(chǔ)性的想法，產(chǎn)業(yè)界或其他主體再把這些想法變成知識產(chǎn)權(quán)、專利和商業(yè)產(chǎn)品。

這條鏈路能運(yùn)轉(zhuǎn)，但速度相對較慢。在一些國家里，學(xué)術(shù)界并沒有動力去考慮市場化問題，而產(chǎn)業(yè)界也很少投入到真正長期、基礎(chǔ)性的研究，更關(guān)注短期回報。

我們可以重新思考，在21世紀(jì)，從基礎(chǔ)科學(xué)到應(yīng)用研究，再到現(xiàn)實世界產(chǎn)品的這條路徑應(yīng)該如何設(shè)計，怎樣才能更高效，也更貼合社會需求。

Chuck：這是一個非常特殊的歷史節(jié)點。過去，大學(xué)和科研機(jī)構(gòu)可以依賴相對穩(wěn)定的政府資助；現(xiàn)在，尤其是在美國，這種支持出現(xiàn)了變化，新的合作模式變得非常必要。

我們把這看作一個機(jī)會，各方都在探索新的資源整合模式，像SAIR這樣的組織也站出來了，支持杰出的研究者，并與產(chǎn)業(yè)伙伴緊密合作。

量子位：AI模型的質(zhì)量在很大程度上取決于數(shù)據(jù)。你們覺得，在不同基礎(chǔ)科學(xué)領(lǐng)域里，數(shù)據(jù)的多少是否會導(dǎo)致AI落地難度的差異？

陶哲軒：AI在那些高質(zhì)量數(shù)據(jù)比較充足的科學(xué)領(lǐng)域里，進(jìn)展往往最快。

一個很典型的例子就是蛋白質(zhì)折疊。這個領(lǐng)域經(jīng)過了幾十年持續(xù)投入，積累了大量經(jīng)過精心整理的高質(zhì)量蛋白質(zhì)數(shù)據(jù)。

但在其他領(lǐng)域，情況就完全不一樣了。比如對單個細(xì)胞進(jìn)行建模，乍一看好像是相近的問題，但我們目前并沒有同等質(zhì)量、同等規(guī)模的數(shù)據(jù)。

AI對數(shù)據(jù)的依賴程度非常高，遠(yuǎn)超許多傳統(tǒng)科學(xué)方法，這是一個真實存在的瓶頸。

有人寄希望于用合成數(shù)據(jù)來替代真實數(shù)據(jù)，但如果生成方式不夠嚴(yán)謹(jǐn)、標(biāo)準(zhǔn)不夠高，可能適得其反。低質(zhì)量的合成數(shù)據(jù)會污染原有數(shù)據(jù)集。

Chuck：我完全同意，而且我也覺得，不同學(xué)科之間的難度差異非常大。

如果想在這些領(lǐng)域解決更難的問題，強(qiáng)大的基礎(chǔ)模型當(dāng)然很重要。但正如Terry說的，沒有高質(zhì)量數(shù)據(jù)，再復(fù)雜的模型也會舉步維艱。

有一句老話叫“garbage in,garbage out”，在這里體現(xiàn)得非常明顯。這也是為什么AI x Science這樣的項目如此重要。

在2月10日的活動中，我們把來自不同學(xué)科、不同機(jī)構(gòu)的一些頂尖學(xué)者聚到了一起。參與者包括來自UCLA、Berkeley、Caltech，以及美國和北美各地高校的研究者。

我們的主旨演講嘉賓中，還有一位最近獲得圖靈獎、同時也是強(qiáng)化學(xué)習(xí)領(lǐng)域的奠基者之一，理查德·薩頓。

我們也在促進(jìn)跨地區(qū)研究者交流。推動AI x Science，離不開全球范圍內(nèi)的共同參與。

量子位：SAIR具體如何支持科學(xué)家之間的跨學(xué)科、跨國家合作？

Chuck：IPAM（Institute for Pure and Applied Mathematics）和UCLA其實已經(jīng)在這方面做了很多年，而且做得非常好。IPAM長期以來都有組織跨學(xué)科主題項目和工作坊的傳統(tǒng)，時間跨度往往很長，參與領(lǐng)域也很廣。

我前段時間去新加坡和馬來西亞，其實就是參加了一個由OpenMind組織的冬季學(xué)術(shù)營。OpenMind的創(chuàng)辦者也就是圖靈獎得主理查德·薩頓，該組織主要面向來自世界各地的年輕研究者。

那次活動的參與者很多都來自亞洲，包括新加坡、馬來西亞、中國、菲律賓、韓國等地。大家聚在一起，交流想法，討論更高效的模型，一起思考AI接下來應(yīng)該往哪里走。

這種跨地區(qū)、跨學(xué)科的合作框架，和SAIR希望支持的方向高度一致。

陶哲軒：SAIR今年才剛剛起步，但I(xiàn)PAM已經(jīng)運(yùn)作了二十多年。

IPAM最有代表性的活動之一，是為期大約三個月的長期主題項目。在這些項目中，我們會邀請來自不同領(lǐng)域的學(xué)生、教師，有時也包括產(chǎn)業(yè)界的研究者，圍繞一個主題深入交流，比如心臟相關(guān)科學(xué)，或者自動駕駛。

事實上，我們在深度學(xué)習(xí)真正大規(guī)模興起之前，就已經(jīng)辦過相關(guān)的研討會。

雖然IPAM并不是一個專門做AI的機(jī)構(gòu)，但它舉辦了很多在AI相關(guān)方向上具有影響力的活動。核心理念，就是把那些平時很少有機(jī)會交流的群體聚到一起，比如純數(shù)學(xué)家、應(yīng)用數(shù)學(xué)家、物理學(xué)家、工程師，以及其他科學(xué)家。

過去，這種合作更多集中在學(xué)術(shù)內(nèi)部。通過SAIR，我們希望把這個模式再往前推進(jìn)一步，加強(qiáng)與產(chǎn)業(yè)界的連接，同時更關(guān)注一些中短期內(nèi)能夠產(chǎn)生實際影響的應(yīng)用。

我自己的背景仍然主要在數(shù)學(xué)，但現(xiàn)在我們也在更廣義地理解數(shù)學(xué)，把它放進(jìn)一個連接理論、計算和現(xiàn)實影響的生態(tài)中。

我們希望嘗試新的形式，探索更多把不同社群聚在一起的可能性。

Chuck：IPAM和UCLA花了幾十年時間，打下了堅實的協(xié)作基礎(chǔ)，而通過SAIR，我們可以把這套模式在地域上、在學(xué)術(shù)與產(chǎn)業(yè)之間進(jìn)一步擴(kuò)展

SAIR的核心目標(biāo)，是基于已經(jīng)行之有效的基礎(chǔ)，把它擴(kuò)展成一個真正全球化、跨學(xué)科，并且緊密連接真實科學(xué)問題的合作網(wǎng)絡(luò)。

量子位：AI for Science的發(fā)展，會不會反過來影響今天產(chǎn)業(yè)界開發(fā)和使用AI的方式？它有沒有可能成為一條通向AGI的更優(yōu)路徑？

陶哲軒：我覺得這是一個非常有前景的方向。

在數(shù)學(xué)和科學(xué)中，尤其是在數(shù)學(xué)里，很多輸出是可以被形式化驗證的，這給了我們一種約束AI的方式。把AI放進(jìn)一個可以驗證的環(huán)境中，這有助于減少幻覺。

如果我們能在數(shù)學(xué)或科學(xué)中，建立起可靠、可驗證的AI框架，這些原則是有可能推廣到其他領(lǐng)域的。

現(xiàn)在在醫(yī)學(xué)、金融等領(lǐng)域，完全信任AI依然風(fēng)險很高。你可以把它當(dāng)作輔助工具，但在涉及生命安全或巨額資金時，很難放心地把控制權(quán)交給AI。

如果我們能先在科學(xué)領(lǐng)域解決可靠性和驗證的問題，之后這些成果就有機(jī)會遷移到更廣泛的應(yīng)用中。

Chuck：以金融為例，大多數(shù)人并不會愿意把敏感的金融決策完全交給AI；醫(yī)學(xué)也是一樣，錯誤可能直接關(guān)系到生死。

正因為如此，AI for Science，以及反過來的Science for AI，才顯得尤為重要。

如果我們能在科學(xué)環(huán)境中打造出真正值得信任的AI系統(tǒng)，我們希望這些進(jìn)展可以在不久的將來，遷移到那些關(guān)鍵性應(yīng)用場景中。

陶哲軒：沒錯。數(shù)學(xué)和科學(xué)為AI提供了一個非常安全的試驗場。

如果AI在醫(yī)療或金融場景中出錯，后果可能非常嚴(yán)重；但如果它算錯了一道數(shù)學(xué)題，最多就是再試一次，幾乎沒有損失。

這讓數(shù)學(xué)成為一個理想的環(huán)境，用來打磨可靠AI的系統(tǒng)。

Chuck：還有一個優(yōu)勢在于，數(shù)學(xué)研究通常不需要像其他應(yīng)用那樣消耗巨大的算力。這讓我們可以更高效地反復(fù)實驗，用相對較低的成本探索新思路。

陶哲軒：這也是為什么從這里起步。藥物研發(fā)當(dāng)然非常重要，但臨床試驗的成本極高、周期又很長，為了驗證一種AI方法就投入數(shù)十億美元是很難實現(xiàn)的。

相比之下，在數(shù)學(xué)中開發(fā)和測試AI，可以更快、更安全地驗證想法，再逐步走向那些高風(fēng)險、高投入的領(lǐng)域。

量子位：有一種擔(dān)憂是，更高層次的研究能力，比如“品味”，本應(yīng)建立在扎實的基礎(chǔ)訓(xùn)練之上，但AI可能正在拆掉這些年輕研究者的成長階梯。你們怎么看？

陶哲軒：現(xiàn)在，AI已經(jīng)能完成很多過去屬于研究生或初級研究者訓(xùn)練內(nèi)容的工作，比如解一些標(biāo)準(zhǔn)問題、做實驗中的部分環(huán)節(jié)、或者整理文獻(xiàn)。

這些事情越來越容易被自動化，于是會產(chǎn)生一種誘惑：既然AI更快，那干脆全部讓AI來做。

但問題在于，這些看起來重復(fù)、甚至有點枯燥的訓(xùn)練，對人的成長非常重要。我自己，包括很多資深研究者的能力，很大一部分就來自這些初級工作。

所以必須有一個平衡。即便AI能做，我們也要有意識地為年輕研究者保留有價值的訓(xùn)練過程。等一個人積累了足夠的經(jīng)驗，比如親手做過一定數(shù)量的實驗之后，再逐步引入自動化。

Chuck：現(xiàn)在已經(jīng)能看到一些過度依賴的趨勢。大家都知道AI并不能百分之百可信，但很多人還是會第一時間把問題丟給AI，直接要答案或建議，這其實會削弱獨(dú)立思考的能力。

這也是為什么我們特別強(qiáng)調(diào)讓頂尖科學(xué)家參與進(jìn)來。像Terry這樣的研究者，或者其他諾獎級別的科學(xué)家，都是在沒有AI工具的時代接受過嚴(yán)格訓(xùn)練的人。

通過建立一種類似“師徒制”的結(jié)構(gòu)，讓經(jīng)驗豐富的研究者與有潛力的年輕人緊密合作，能逐步形成更好的實踐方式、更好的模型，也包括更好的平臺，在支持創(chuàng)新的同時，不犧牲學(xué)習(xí)本身。

陶哲軒：這里其實也有一個很有意思的歷史類比。計算器剛出現(xiàn)的時候，很多人擔(dān)心學(xué)生會不會從此不學(xué)基本的算術(shù)了。

這種擔(dān)憂在某種程度上確實有道理，所以直到今天，我們?nèi)匀粫冉毯⒆邮炙慵訙p乘除，再讓他們用計算器。

但另一方面，計算器也極大地拓展了人們探索的空間。它讓人更容易去試驗數(shù)字、發(fā)現(xiàn)規(guī)律、探索原本很難觸及的想法。

工具本身并不會自動讓人變?nèi)?/strong>，它同樣可以激發(fā)探索和創(chuàng)造力。關(guān)鍵在于如何使用。

面對AI，我們也需要做出類似的判斷：什么時候該用，什么時候該克制，以及如何把它引入訓(xùn)練體系，同時不削弱那些真正重要的核心能力。

量子位：隨著AI逐步替代很多現(xiàn)有的科研流程和技能，未來研究者最重要的能力和特質(zhì)會是什么？

陶哲軒：未來的科研會越來越多地以更大規(guī)模、更多元化的團(tuán)隊形式展開。團(tuán)隊里可能既有學(xué)術(shù)研究者、產(chǎn)業(yè)研究人員、數(shù)學(xué)家和科學(xué)家，也會有AI系統(tǒng)和不同背景的人一起協(xié)作。

在這種情況下，如何在大型團(tuán)隊中高效合作，會變成一項非常重要的能力。

過去，人們常把科學(xué)描繪成“孤獨(dú)天才”的事業(yè)，但現(xiàn)實里它早就是團(tuán)隊合作，而且這種趨勢只會繼續(xù)加強(qiáng)。溝通能力，以及我們常說的那些軟技能，會變得越來越重要。

在這個背景下，“品味”很關(guān)鍵。能夠形成整體判斷，識別哪些方向值得投入，再借助AI工具或其他合作者把想法展開，這種能力非常重要。

我們很可能會看到比過去更細(xì)致的分工。

傳統(tǒng)上，尤其是在數(shù)學(xué)領(lǐng)域，工作方式幾百年幾乎沒怎么變，有時甚至帶點“中世紀(jì)風(fēng)格”。一個人要同時負(fù)責(zé)檢查細(xì)節(jié)、做計算、發(fā)展想法、寫論文、申請經(jīng)費(fèi)、再去做報告。

但在未來，大型項目會由很多人共同完成。有人負(fù)責(zé)長期愿景，有人擅長和AI工具深度協(xié)作，有人負(fù)責(zé)團(tuán)隊協(xié)調(diào)，有人負(fù)責(zé)將其講給更多人聽。

能為數(shù)學(xué)和科學(xué)做出貢獻(xiàn)的能力類型，會變得豐富得多。

Chuck：我經(jīng)常半開玩笑地說自己是個“立志當(dāng)科學(xué)家的人”，很大程度上是因為我有機(jī)會和像Terry這樣的杰出科學(xué)家、數(shù)學(xué)家長期合作。

我的背景并不在科研，而更多在商業(yè)領(lǐng)域。但我聽過一些非常成功、打造過數(shù)十億美元公司的人說過，他們見過最優(yōu)秀的一些prompt工程師，背景并不是工程或計算機(jī)，而是會計、法律。

這恰恰說明，未來的科研會變得更加開放。借助AI和新的工具，來自完全不同背景的人，都有機(jī)會以有意義的方式參與科研。這也是我們所說的“科學(xué)和AI普惠化”的重要內(nèi)涵之一。

陶哲軒：我現(xiàn)在參與的很多項目，以及SAIR希望支持的方向，本身就已經(jīng)是高度協(xié)作的。它們往往匯集了職業(yè)數(shù)學(xué)家、學(xué)生、其他學(xué)科的研究者，有時甚至還包括公眾參與者。

隨著AI和相關(guān)工具的發(fā)展，從事嚴(yán)肅科學(xué)和數(shù)學(xué)研究的門檻正在降低。這是這次技術(shù)變革中，最令人興奮的一點。

量子位：那是不是意味著，未來連我還在讀初中的弟弟，都有可能在《Nature》上發(fā)論文？

陶哲軒：這是有可能的（笑）。

未來可能會有論文擁有成千上萬名作者，每個人都貢獻(xiàn)其中一小塊，但都是真實、有價值的貢獻(xiàn)。從這個意義上說，很年輕的人參與其中，并不是不可能。

事實上，在數(shù)學(xué)領(lǐng)域已經(jīng)出現(xiàn)過這樣的例子：有青少年在AI的幫助下，給某個已知問題找到了新的解法。它未必是最重大的突破，但確實是新的結(jié)果。

這種情況將來會變得多普遍，但現(xiàn)在還不好說，唯一的辦法就是繼續(xù)嘗試、不斷探索不同的研究方式。

Chuck：我其實非常希望能看到那樣的場景。在過去，如果你沒有很強(qiáng)的STEM或工程背景，幾乎不可能直接參與前沿科研。

如果來自非傳統(tǒng)背景的人，也能以有意義的方式參與科研，并真正對世界產(chǎn)生積極影響，那將是一件非常了不起的事情。

量子位：結(jié)合我們前面的討論，你們能不能舉一些更具體的例子，說說SAIR未來會如何支持青年研究者的成長？

Chuck：這是個特別好的問題，說實話，這也是我個人非常投入的一件事。我很多年來一直在做和導(dǎo)師制相關(guān)的工作，從大學(xué)階段就開始了。

從我的觀察來看，培養(yǎng)年輕研究者，最重要的一點是樹立榜樣。

人在不同階段，都會尋找榜樣。小時候，在家里看父母；進(jìn)了學(xué)校，看老師；再往后，就會把目光投向更廣闊的社會。

這也是為什么我們?nèi)绱酥匾暟巡煌I(lǐng)域的杰出科學(xué)家聚在一起。每一位創(chuàng)始成員，成功的路徑都很不一樣。

Barry Barish的科研經(jīng)歷非常有代表性。愛因斯坦在早期論文中就預(yù)測了引力波的存在，但從提出這個理論，到實驗上真正觀測到引力波，中間走了將近一百年。

但直到2016年前后，人類才首次探測到引力波，Barry Barish也因此在2017年獲得諾貝爾獎，目前Barry Barish也是SAIR顧問委員會創(chuàng)始成員。這個例子很好地詮釋了什么叫幾十年如一日。

這些杰出科學(xué)家的價值，不只在于他們的成果，也在于他們能夠分享自己在不確定性、挫折和失敗中是如何堅持下來的。這是導(dǎo)師制中非常重要的一部分。

年輕科學(xué)家并不缺天賦，只是剛剛起步。所以我才會如此重視和Terry、以及整個創(chuàng)始團(tuán)隊一起做這件事，因為現(xiàn)在最需要支持的，恰恰就是這些年輕人。

Terry是獨(dú)一無二的，但如果借助AI和更好的培養(yǎng)渠道，未來能不能不只有一個陶哲軒，而是10000個陶哲軒？這難道不是件非常令人興奮的事嗎？！

陶哲軒：是的。SAIR只是眾多嘗試中的一種，它不可能包攬所有事情。支持下一代研究者的需求非常廣泛，沒有任何一個組織能獨(dú)立完成培養(yǎng)整個科研隊伍的任務(wù)。SAIR能做的，是專注于少數(shù)有針對性的項目。

以IPAM為例，我們可以支持暑期學(xué)校、研討班，以及面向公眾的科普和交流活動。一些協(xié)作式、眾包式的研究項目，本身就會自然地吸引年輕研究者參與，有些情況下，他們甚至可以承擔(dān)領(lǐng)導(dǎo)角色。

我們希望，SAIR能夠?qū)ζ渌M織產(chǎn)生啟發(fā)，讓更多機(jī)構(gòu)也愿意站出來，在支持下一代科研人才這件事上承擔(dān)起重要責(zé)任。

陶哲軒如何用AI？

量子位：接下來我想把話題轉(zhuǎn)到數(shù)學(xué)上。Terry，您最近在做些什么？有沒有哪些方向是您現(xiàn)在特別感興趣的？

陶哲軒：我現(xiàn)在大概有一半時間，仍然花在比較傳統(tǒng)的純數(shù)學(xué)研究上，也就是我過去23年里一直在做的那類工作。比如研究數(shù)字中的模式，理解高度結(jié)構(gòu)化、周期性的函數(shù)和非常隨機(jī)的函數(shù)之間有什么本質(zhì)差異，以及研究一些偏微分方程，比如來自流體力學(xué)的方程。

不過在這些方向上，我現(xiàn)在越來越多地把一些最前沿、最技術(shù)性的推進(jìn)交給更年輕的合作者來完成。相應(yīng)地，我自己研究中的一個越來越重要的部分，開始和新技術(shù)聯(lián)系在一起，尤其是“如何做數(shù)學(xué)”“如何協(xié)作做數(shù)學(xué)”的新方式。

我目前非常感興趣的一個方向是形式化，也就是不再只依賴紙筆證明，而是把數(shù)學(xué)寫成計算機(jī)可以理解和自動驗證的形式化語言。這會深刻改變協(xié)作方式。它不僅讓我們可以和AI系統(tǒng)一起工作，也讓我們能夠和很多并不認(rèn)識的研究者協(xié)作。

在過去，如果一個陌生人給你發(fā)來一份證明，你很可能會對它是否正確保持懷疑；但如果這份數(shù)學(xué)內(nèi)容是用可形式化驗證的語言寫成的，這種顧慮基本就不存在了。

借助這些方法，我們已經(jīng)能在一些項目中實現(xiàn)幾十人的協(xié)作，有時甚至五十人以上，而且其中很多人彼此從未見過面。大家可以一起解決那種單靠個人幾乎不可能完成的大問題。

我們也在嘗試把AI當(dāng)作證明助手來使用，同時借鑒現(xiàn)代軟件工程里的很多理念，比如用GitHub做版本控制、進(jìn)行單元測試、做質(zhì)量檢查等等。

從某種意義上說，我正在學(xué)習(xí)軟件工程的工具，并把它們引入到一種可以稱為“數(shù)學(xué)工程”的實踐中。

對我來說，這一切都更像是一系列實驗。并不是每一次嘗試都會成功，但即便弄清楚什么行不通，本身也很有價值。

量子位：感覺您一直都很愿意把新技術(shù)引入自己的研究流程。距離你上一次接受Lex Fridman采訪已經(jīng)過去半年了，這段時間里，你對AI的看法有變化嗎？

陶哲軒：整體來看，變化不大。但有一點出乎我意料，AI在數(shù)學(xué)方向上的進(jìn)展，比我原先預(yù)期的要快一些，當(dāng)然，距離真正成熟還有很長的路要走。

變化更明顯的，其實是整個學(xué)術(shù)社區(qū)的態(tài)度。我開始看到越來越多的同事接受這樣一個事實：AI不會消失，它會長期存在下去。大家對嘗試不同使用方式的開放度，也明顯提高了。

不過，現(xiàn)在仍然缺少一個被廣泛理解和認(rèn)可的中間態(tài)。很多時候，感覺只有兩個極端選擇：要么幾乎什么都用AI，要么就完全不用。

真正理想的情況，應(yīng)該是混合式工作流——大部分研究仍然用傳統(tǒng)方式完成，但把某些環(huán)節(jié)有意識、有控制地交給AI。目前我們還沒有真的找到那個最合適的平衡點。

我經(jīng)常拿互聯(lián)網(wǎng)來類比?；ヂ?lián)網(wǎng)非常有用，但我們并不會用它來做所有事情。我們?nèi)匀粫x擇線下見朋友，而不是永遠(yuǎn)開視頻會議；但在某些場景下，比如現(xiàn)在這樣的對話，互聯(lián)網(wǎng)又恰到好處。

經(jīng)過多年，我們逐漸學(xué)會了什么時候、怎樣用好互聯(lián)網(wǎng)。我覺得，對AI來說，我們還正處在摸索這種平衡的過程中。

量子位：Terry，您是世界頂尖的數(shù)學(xué)家之一，也和很多一流數(shù)學(xué)家長期合作。你們在日常研究中，具體是怎么使用AI的？

陶哲軒：其實挺日常的。我主要把AI用在一些偏輔助性的事情上。比如做文獻(xiàn)檢索，如果我一時想不起某個數(shù)學(xué)結(jié)論的具體形式，或者它和另一個結(jié)果之間的關(guān)系，我就會直接問AI。再比如需要快速畫個圖、做個簡單可視化，也會讓AI來幫忙。

在和文字相關(guān)的工作上，我用得更多。寫作時我?guī)缀跻恢遍_著自動補(bǔ)全。有時候我會先把一篇論文的結(jié)構(gòu)分成五步，自己寫完前兩步，后面幾步就讓AI幫我起草一下。

以至于現(xiàn)在，如果我在飛機(jī)上、沒法用AI寫東西，偶爾還會下意識地想：“怎么還不幫我把這句話補(bǔ)完”，然后才反應(yīng)過來AI不在。

如果有人給我發(fā)來一段很長的論證，或者一篇論文，我也常常先讓AI幫我總結(jié)一遍。在這些方面，它確實是一個非常好用的工具。

但在真正做深度思考的時候，比如我在努力解決一個很難的研究問題時，我基本不會用AI。這種時候我還是更依賴紙和筆。

我也嘗試過直接和AI一起推研究級別的問題，但目前的體驗并不理想。它給出的建議往往比較套路，有時還會打斷我的思路。不過，在圍繞科研的那些輔助環(huán)節(jié)上，AI已經(jīng)變得非常有價值了。

量子位：過去一年里，有沒有出現(xiàn)什么新的Aha-Moment？

陶哲軒：有的，通常是在一個問題上想了好幾個月，突然有一天意識到：“哦，原來這么簡單，我怎么之前沒想到？”

在這之前，你往往已經(jīng)試過很多條路，有時候八種、九種方法，全都走不通。但正是這些失敗的嘗試，一步步把不可能的方向排除掉，最后只剩下一條真正可行的路。等你終于看到那條路時，回頭看就會覺得它顯而易見。

這種時刻常常伴隨著一種錯覺，好像之前那些嘗試都是在浪費(fèi)時間。但實際上，正是不斷試錯、不斷排除，才讓你真正理解什么方向行得通。我自己的數(shù)學(xué)“頓悟”，到現(xiàn)在基本還是這樣產(chǎn)生的。

AI目前還做不到復(fù)現(xiàn)這種過程。它確實能提出很多想法，但這些想法往往顯得比較隨機(jī)，也看不出它能像人一樣，從失敗中逐步學(xué)習(xí)、調(diào)整方向。到現(xiàn)在為止，我還沒能真正用AI來直接解決研究級別的難題。

不過，一旦我已經(jīng)有了清晰的思路或者解法，AI就會變得非常有用。它可以幫我把結(jié)果寫出來、和已有文獻(xiàn)建立聯(lián)系、生成代碼，或者在某些數(shù)學(xué)環(huán)節(jié)上提供計算支持。

從這個意義上說，它非常有價值，但更多是一種互補(bǔ)工具。它在支持我的工作，而不是替代我最在意的那一部分。

我覺得總體來說，人們更傾向于把AI用在自己不太享受的那些任務(wù)上，而把真正喜歡做的部分留給自己。對我來說，數(shù)學(xué)問題本身就是我最享受的事情，這也是我做數(shù)學(xué)的核心動力，所以這部分我還是會親自來。

但有些事情，我就非常樂意交給AI。比如在文獻(xiàn)中查找，有沒有人以前用過類似的方法，或者在成百上千篇論文里篩選出相關(guān)工作，這對我來說就是一個非常理想的AI使用場景。再比如一些又長又繁瑣的計算，也很適合交給AI。

當(dāng)然，這件事因人而異。不同研究者享受的環(huán)節(jié)不一樣，而AI本身又是一個非常寬泛的工具。對一個人來說特別有用的功能，對另一個人可能就沒那么重要。所以也談不上什么“最好的模型”或“標(biāo)準(zhǔn)工作流”。

關(guān)鍵還是看你希望AI幫你做什么，以及你更愿意把哪些事情留給自己來完成。

量子位：數(shù)學(xué)曾經(jīng)從其他學(xué)科中汲取養(yǎng)分。這次，數(shù)學(xué)已經(jīng)從AI身上學(xué)到了什么，或者未來可能會學(xué)到什么？

陶哲軒：有一件事我自己正在大量學(xué)習(xí)，那就是軟件開發(fā)。未來的數(shù)學(xué)，可能會越來越像今天的軟件開發(fā)。

如果回到五六十年前，軟件往往是由一個人獨(dú)立完成的：一個人寫代碼、測試、調(diào)試，所有事情都自己來。

但今天，軟件開發(fā)已經(jīng)變成了一整個成熟的行業(yè)。有人專門寫代碼，有人做UI，有人負(fù)責(zé)質(zhì)量控制，還有一整套成熟的工作流、工具和最佳實踐，還有大量踩坑經(jīng)驗。

數(shù)學(xué)正在開始向這個模式學(xué)習(xí)，包括它成功的地方，也包括它失敗過的地方。

傳統(tǒng)上，數(shù)學(xué)和物理學(xué)的聯(lián)系非常緊密。但現(xiàn)在，我們越來越多地和生命科學(xué)、社會科學(xué)等領(lǐng)域發(fā)生互動。這些領(lǐng)域的問題往往更復(fù)雜、更混亂，方程沒有物理里那么干凈，而且對數(shù)據(jù)的依賴也強(qiáng)得多。

從這個角度看，AI可能非常適合處理這類復(fù)雜、嘈雜，不那么容易被形式化的問題。

我覺得，我們正在進(jìn)入一個更加跨學(xué)科的時代。數(shù)學(xué)不再只是和物理對話，而是幾乎所有學(xué)科都在彼此交流，而AI正是推動這種跨學(xué)科互動的重要力量之一。

量子位：所以你現(xiàn)在也算是在“做軟件”了，對吧？

陶哲軒：某種意義上是這樣。我現(xiàn)在參與的項目不少，但越來越多時候，我更像是在做項目管理。真正去證明定理的，往往是其他合作者，而我更多是在協(xié)調(diào)整體工作，把不同部分拼接起來。

這是一個挺有意思的角色。在一些項目里，我并不是主要的“解題者”，而是負(fù)責(zé)組織、推動，讓每個人都能把自己的能力發(fā)揮到最好。事實證明，這樣的方式在科研中也可以運(yùn)轉(zhuǎn)得相當(dāng)不錯。

量子位：AI不僅降低了做數(shù)學(xué)的門檻，看起來也在降低你剛才提到的很多其他領(lǐng)域的門檻，比如編程、物理和醫(yī)學(xué)。AI有沒有促使你對其他學(xué)科產(chǎn)生興趣？

陶哲軒：非常明顯。有一件讓我自己都挺意外的事情是，我現(xiàn)在合作的人，背景比以前多樣得多。

十年前，我?guī)缀踔缓蛿?shù)學(xué)家合作，偶爾會和統(tǒng)計學(xué)家或電子工程師一起做點事情，也就到此為止了。

但現(xiàn)在，我在和來自各個領(lǐng)域的人合作，尤其是產(chǎn)業(yè)界的人，比如Chuck這樣的伙伴。真的有一種感覺，大家都開始彼此對話了，而且在這個過程中互相學(xué)習(xí)。

其他學(xué)科的研究者，往往能從更偏數(shù)學(xué)的思考方式中受益；而數(shù)學(xué)家也能從更貼近現(xiàn)實世界的視角中學(xué)到很多東西。

之所以能做到這一點，很大程度上是因為我們現(xiàn)在有了很多工具，其中不少是由AI驅(qū)動的，它們幫助我們理解彼此的語言和工作方式，讓合作變得更順暢、更高效。

我覺得這是當(dāng)下這個階段真正令人興奮的地方之一：學(xué)科之間的壁壘正在降低，我們開始學(xué)會用過去很難實現(xiàn)的方式一起工作。

量子位：和背景差異很大的人一起工作，感覺怎么樣？

陶哲軒：我其實非常享受這種狀態(tài)。當(dāng)然，我也想先說清楚一點：深度領(lǐng)域?qū)＜矣肋h(yuǎn)都有不可替代的位置。那種在非常狹窄的子領(lǐng)域里做到世界頂尖的人，我們依然非常需要，這一點并沒有改變。

變化在于，這些專家現(xiàn)在可以和另一類人更緊密地合作，他們也許不專精于某一個具體領(lǐng)域，但擅長把不同學(xué)科的想法串聯(lián)起來，看到整體圖景。

這幾年里，我自己學(xué)到了很多原本完全不在我訓(xùn)練范圍內(nèi)的東西，比如生物學(xué)、經(jīng)濟(jì)學(xué)、政策、科研資助機(jī)制等等。有些內(nèi)容確實出乎意料，有時也挺有挑戰(zhàn)性。

但我也發(fā)現(xiàn)，數(shù)學(xué)里的一些核心觀念，能以一種很自然的方式遷移到其他領(lǐng)域，尤其是關(guān)于驗證、嚴(yán)謹(jǐn)性和清晰思考的那一套方法。

對我來說，這是一段持續(xù)學(xué)習(xí)的過程，而且我真的很享受。我覺得，在新的科研環(huán)境里，那些愿意保持開放心態(tài)、樂于跨學(xué)科溝通、也不怕學(xué)習(xí)新“語言”的人，更容易如魚得水。

Chuck：Terry剛才說的，其實正好呼應(yīng)了我們之前聊到的“技術(shù)普惠化”，尤其是AI。借助現(xiàn)在的技術(shù)，也包括SAIR在做的事情，我們正在把來自非常不同領(lǐng)域的一流人才聚到一起。

當(dāng)你擁有這樣一個網(wǎng)絡(luò)時，事情會變得容易很多。不只是更容易發(fā)現(xiàn)真正有挑戰(zhàn)性的問題，也更容易迅速判斷，誰是最適合來解決這些問題的人。有時候，這些人已經(jīng)手里有一部分答案；有時候，他們能立刻把你引薦給更合適的合作者。

在我看來，這種高效連接問題和人才的能力，就是“AI普惠化”在現(xiàn)實中的一個非常具體的體現(xiàn)。

陶哲軒：從傳統(tǒng)上看，科研往往是圍繞學(xué)科來組織的，比如數(shù)學(xué)系、物理系、經(jīng)濟(jì)系等等。這種結(jié)構(gòu)，自然會讓數(shù)學(xué)家主要和數(shù)學(xué)家交流，物理學(xué)家主要和物理學(xué)家交流，真正的跨學(xué)科合作并不常見。

我對SAIR抱有期待的一點在于，它在一開始就刻意聚集了一群背景和興趣都非常多元的人。這種設(shè)計本身，就更容易促成一些在傳統(tǒng)體系里不太容易出現(xiàn)的連接。

通過降低制度層面和學(xué)科層面的壁壘，我們有機(jī)會推動那些原本很難發(fā)生的合作。

AI時代，高校需要新的培養(yǎng)方式

量子位：Terry，你剛才提到傳統(tǒng)高等教育，正好也是我接下來想聊的話題。Chuck，在AI時代，你覺得哪些能力對大學(xué)生更重要？

Chuck：這些年我做過不少學(xué)生的導(dǎo)師。我的感受是，即便是博士生，真正長期、密切合作的導(dǎo)師數(shù)量也很有限，通常三到五位，多一點可能也就十位左右。這其實會限制他們接觸到的視角范圍。

但現(xiàn)在情況正在發(fā)生變化，尤其是在AI x Science這樣的方向上。我們可以更容易地把不同類型的專業(yè)能力匯聚到一起。這類問題天然是跨學(xué)科的，而AI讓來自不同背景的大規(guī)模協(xié)作變得可行。

在這種環(huán)境下，有一項能力會變得格外重要，那就是批判性思維。很多人喜歡談“提示詞工程”，但在我看來，提示詞工程本質(zhì)上就是另一種形式的批判性思維。

你得清楚自己要解決什么問題，如何把問題表述清楚，以及你真正想要什么樣的答案。如果這些想不明白，AI其實也幫不了你太多。

所以，清晰思考、提出好問題、抓住問題核心，這些能力依然非常關(guān)鍵。

與此同時，AI也在降低非傳統(tǒng)STEM背景人群的參與門檻。我自己就是一個例子，我并沒有接受過系統(tǒng)的科研訓(xùn)練，背景更多在商業(yè)領(lǐng)域。

但借助AI，我依然可以有意義地參與科學(xué)討論，理解一些核心思想，并做出貢獻(xiàn)。這種體驗非常有力量。

未來并不只是STEM和非STEM的區(qū)分，而是讓不同技能結(jié)構(gòu)的人，用不同方式參與進(jìn)來。這正是AI x Science和SAIR如此重要的原因。

陶哲軒：事實上，對科學(xué)感興趣、希望參與其中的人，遠(yuǎn)遠(yuǎn)多于接受過正式科研訓(xùn)練的人。而AI正好擴(kuò)大了能夠參與科研的人群范圍。

未來的科學(xué)發(fā)展，并不只取決于技術(shù)能力，盡管技術(shù)依然重要。組織能力、溝通能力、與他人協(xié)作的能力，正在變得越來越有價值。

但同時，是否具備整體視野，知道哪些問題值得投入精力，以及什么時候該用技術(shù)、什么時候該克制，這些也非常重要。

量子位：現(xiàn)有的大學(xué)體系已經(jīng)存在了很長時間。如今有了AI，很多人都覺得一場大的變革正在到來。你們覺得高等教育應(yīng)該如何去適應(yīng)？

陶哲軒：這是個非常棘手的問題。說實話，我希望我們能有更多時間，來慢慢想清楚這些事。但現(xiàn)實是，我們只能“邊走邊想”。

已經(jīng)能看到一些令人擔(dān)憂的現(xiàn)象。有些學(xué)生過度依賴AI，成績看起來很好，但實際上學(xué)到的東西并不多。

也有一些學(xué)生堅持完全用傳統(tǒng)方式學(xué)習(xí)，幾乎不用AI。他們往往理解得更扎實，但在效率和結(jié)果上，可能又會落后于那些大量使用工具的同學(xué)。

所以，很明顯需要重新找一個平衡點。學(xué)校必須教會學(xué)生如何負(fù)責(zé)任地使用AI，也要讓他們知道在什么時候不該用。

我覺得，未來會更多地轉(zhuǎn)向小組項目和協(xié)作式學(xué)習(xí)，這本身也更貼近科研和產(chǎn)業(yè)的真實形態(tài)。

另外，課程之間可能需要更緊密地整合?，F(xiàn)在的教育體系，往往把知識拆分成一個個相對孤立的專業(yè)模塊。將來，也許需要一種更整體的結(jié)構(gòu)，更強(qiáng)調(diào)通用的問題解決能力。

過去，學(xué)生是在作業(yè)、考試、以及和難題死磕的過程中，慢慢學(xué)會如何學(xué)習(xí)、如何面對失敗、如何承受壓力的。到目前為止，我們還沒有為這些能力找到一個結(jié)構(gòu)清晰、系統(tǒng)性的替代方案。

大學(xué)眼下不得不被很多現(xiàn)實的問題牽著走，比如維持日常運(yùn)轉(zhuǎn)、保障研究生經(jīng)費(fèi)、平衡預(yù)算等等，很難真正停下來，從零開始重新設(shè)計教育體系。

從歷史上看，我們也并不是第一次面對這種沖擊。計算機(jī)普及的時候，教育變過一次；互聯(lián)網(wǎng)出現(xiàn)后，又變過一次；維基百科剛出現(xiàn)時，也有一段時間，學(xué)生直接復(fù)制粘貼內(nèi)容交作業(yè)。

后來大家發(fā)現(xiàn)，解決辦法并不是徹底禁止新技術(shù)，而是教學(xué)生如何正確使用它，把它當(dāng)作起點，而不是終點。

我覺得AI也是類似的情況。它可以成為探索和研究的一個起點，但不能替代思考本身。學(xué)生不能只是向AI要一個答案，粘貼進(jìn)作業(yè)里。

高等教育真正的挑戰(zhàn)，在于如何找到那個平衡點：一方面充分發(fā)揮AI的優(yōu)勢，另一方面又不犧牲深度學(xué)習(xí)和真正的智力成長。

Chuck：往往產(chǎn)業(yè)界的變化比學(xué)術(shù)界要快。在AI時代，這種差距變得越來越清晰。而這正是SAIR Foundation看到的機(jī)會所在——把學(xué)術(shù)界和產(chǎn)業(yè)界拉到一起，讓雙方相互學(xué)習(xí)。

從我和創(chuàng)業(yè)者打交道的經(jīng)驗來看，他們有一個非常共同的特質(zhì)：強(qiáng)烈的問題導(dǎo)向。不管問題有多難，他們都會盯著“怎么解決”，并且愿意為此付出一切努力。

這種心態(tài)，是我希望高等教育能夠更多吸收的，尤其是在AI已經(jīng)成為核心工具的背景下。大學(xué)的培養(yǎng)模式應(yīng)該隨之調(diào)整，讓學(xué)生學(xué)會如何用AI去解決真實世界的問題，而不只是掌握一塊塊割裂的知識。

還有一個繞不開的大問題是成本。在很多發(fā)達(dá)國家，尤其是美國，高等教育極其昂貴。一些頂尖大學(xué)，一年的學(xué)費(fèi)加相關(guān)費(fèi)用接近10萬美元，四年下來就是40萬美元。

如果這種趨勢繼續(xù)下去，尤其是在AI已經(jīng)提供了獲取知識和技能的新路徑之后，人們自然會開始質(zhì)疑：大學(xué)學(xué)位到底還值不值得？

這也是為什么，讓教育與產(chǎn)業(yè)更緊密地對齊變得如此重要。我們需要更清楚地知道，社會真正需要哪些能力，以及大學(xué)該如何調(diào)整自身的培養(yǎng)方式來回應(yīng)這些需求。

在接下來的一系列項目中，我們會把產(chǎn)業(yè)界和高等教育的負(fù)責(zé)人同時請到一起。我們正在組織一些圓桌討論，邀請來自賓夕法尼亞大學(xué)、南加州大學(xué)、UCLA等高校的代表，坦誠地討論課程體系和培養(yǎng)模式應(yīng)該如何演進(jìn)，以應(yīng)對這些挑戰(zhàn)。

另外，我對像OpenMind這樣的組織印象很深。我們也在思考，是否可以做類似的實驗。通過SAIR，聯(lián)合IPAM和UCLA，我們正在探索舉辦更密集的項目，比如暑期學(xué)校。

這種形式的好處在于，它能讓我們更快地迭代課程內(nèi)容，不必受制于傳統(tǒng)學(xué)期制度，同時也更貼合AI發(fā)展本身的節(jié)奏。

量子位：最后一個問題。Terry，如果未來真的實現(xiàn)了AGI，它的數(shù)學(xué)能力全面超過人類，我們還有必要學(xué)數(shù)學(xué)嗎？

陶哲軒：AGI本身其實是一個非常模糊的概念，不同的人對它的理解差別很大。

我舉個例子，交通工具。過去，人們靠走路、騎馬出行；后來有了汽車和飛機(jī)，效率遠(yuǎn)遠(yuǎn)高于步行。但我們并沒有因此就不走路了，并不是因為必須這樣做，而是因為喜歡，或者因為這對身體有益。

科學(xué)和數(shù)學(xué)將來可能也會是類似的情況。即便有一天，借助AGI，科學(xué)發(fā)現(xiàn)的速度遠(yuǎn)遠(yuǎn)快于人類單獨(dú)完成的速度，人們依然會想親自去做科學(xué)、做數(shù)學(xué)。

它可能會更多地變成一種手藝、一種愛好，或者一種出于興趣、好奇心和自我滿足的智力活動。

同時我也相信，無論AI變得多么強(qiáng)大，人類都會以不同于機(jī)器的方式繼續(xù)創(chuàng)造價值。

人類學(xué)習(xí)和推理的方式，與AI非常不一樣。AI可以通過海量數(shù)據(jù)和計算得出結(jié)論；而人類有時卻能在極少的數(shù)據(jù)、極低的計算量下，做出相當(dāng)不錯的判斷。這種能力，很可能在未來依然重要。

科研的規(guī)模和方式，可能會發(fā)生巨大變化。今天，一個研究者通常一次只解決一個問題；未來，也許可以同時推進(jìn)成千上萬、甚至上百萬個問題。由人類把握少數(shù)關(guān)鍵方向，AI來填充其余部分。

我們現(xiàn)在還沒到那一步，但這是一個合理的演進(jìn)方向。即便在那樣的未來，學(xué)習(xí)數(shù)學(xué)依然有意義，只是它的角色和目的，可能會和今天非常不一樣。