AI教授正在应对学术研究的新现实

# AI教授们正在适应学术研究的新现实 来源：https://www.technologyreview.com/2026/08/10/1141597/ai-professors-are-negotiating-the-new-realities-of-academic-research *本文首发于我们的AI周报《算法》(The Algorithm)。如果你想在收件箱中第一时间看到此类故事，请在此订阅 (https://forms.technologyreview.com/newsletters/ai-demystified-the-algorithm/)。* 上周，我驱车前往旧金山以南30英里的山景城，参加了一场在酒店举行的聚会。与我同行的，是世界上最杰出、也最有潜力的一批AI研究者。我主持了圆桌访谈，并在一场媒体培训上发表了演讲。这场活动由施密特科学(AI2050)项目召集，该项目由埃里克·施密特和温迪·施密特资助，为从事AI相关研究的学者提供支持。研究员名单堪称AI名人录。尽管并非所有人都来到了湾区，但每次转弯，我都能遇到一位我以前采访过或非常敬佩其研究的科学家。（坦诚地说：我于2024年获得了一项由施密特科学资助的科学传播奖。） 对于构成AI2050项目主体的大学AI研究者来说，这是一个奇怪的时期。在过去四年里，AI研究已经转向以大型语言模型为核心，其前沿阵地也从学术机构转移到了私营公司。大学根本负担不起训练和运行前沿模型所需的GPU，即使负担得起，Anthropic和OpenAI也不会让任何人看到Claude或ChatGPT的内部细节。 在一次午餐交谈中，加州大学伯克利分校的计算机科学教授尼卡·哈格塔拉布表示，如今的AI学者就像一位置身于私营公司独家控制CRISPR基因编辑工具的世界中的生物学家。前沿实验室之外的专家可以研究ChatGPT和Claude的行为，但无法对这些工具的设计和训练进行详细研究，也无法自己主导这些设计和训练。 AI2050项目确实为研究员提供了一些资金，可以用来购买GPU。我采访的一些研究者表示，这是参与该项目的一大好处。但资金仍然是紧迫的问题，尤其是在美国联邦科研经费削减的背景下。即使对于那些不自己运行本地模型的研究者来说，为了严谨地研究OpenAI、Anthropic和Google的模型而反复调用它们，其成本也可能高得令人望而却步。 许多研究员并未把注意力集中在推动能力进步上，而是聚焦于Anthropic或OpenAI不太可能关注的问题。“我尽量不研究那些我认为科技公司会解决的问题，”约翰霍普金斯大学计算机科学教授安贾莉·菲尔德说。公司需要赚钱，而那些几乎没有盈利前景的研究问题可能不值得投资——尤其是当答案可能让公司难堪时。例如，菲尔德最近进行了一项研究，发现语言模型对以女性更常用方式措辞的提示词，给出的回答比男性更常用方式措辞的提示词要更简单、缺乏深度。很难想象这种研究出自Anthropic或OpenAI。 还有一大批AI学者根本不研究大语言模型。其中许多是科学家，他们构建专门的AI模型来分析数据、做出有用的预测，甚至模拟整个物理系统。这些研究者不一定与前沿实验室竞争——谷歌DeepMind的AlphaFold团队（该团队构建了预测蛋白质结构的诺贝尔奖获奖模型）上月刚刚解散。但他们面临着不少自身独有的挑战。在聚会上，几位研究者表达了对非大语言模型AI被广泛忽视如何影响他们工作的担忧。例如，构建专门AI工具来帮助应对气候变化的研究者，在许多人认为“AI”就等同于“耗能巨大的大语言模型”的环境中，有时很难为自己的工作争取支持。 所有这些挑战正在改变学术界的面貌：几位知名学者最近已从大学请假 (https://www.theinformation.com/newsletters/ai-agenda/universities-fret-anthropic-openai-meta-deepmind-lure-professors)，加入前沿实验室；许多AI2050研究员在学术工作之外还担任行业职位。而在过去六个月里，又出现了新的威胁。OpenAI的模型已经解决了数学中一系列真实的研究问题，一些专家担心，人类在纯数学领域可能不再有未来。一位受访研究员表示，她担心数学家同行的心理健康。 但这并非全是坏消息。一方面，实证科学可能比数学更难自动化，因为收集数据本质上是一个缓慢的过程。而一些研究者将AI数学家和科学家视为福音，而非威胁——包括卡内基梅隆大学的计算机科学家蒂姆·德特默斯，他的工作是让AI模型运行得更快、更便宜。德特默斯说，AI科学家不会取代人类。相反，它们可以让人类科学家变得高效得多，使他和同行们有机会去追求那些他们原本可能永远来不及探索的大胆而有灵感的想法。 而且，科学家是一个坚韧的群体。正是那些让他们无法训练前沿模型的资源限制，也推动他们去发现让模型更小、更高效的新方法，或者探索全新的架构。如果下一个重大AI突破不是来自大公司，而是来自一个不起眼的学术实验室，我一点也不会感到惊讶。