3个问题：人工智能在学术界的最佳前进路径是什么？

# 三问：AI 在学术界的最佳发展路径是什么？ 来源：https://news.mit.edu/2026/3-questions-what-best-path-forward-ai-academia-0925 *随着人工智能能力持续扩展，高校如今面临着日益复杂的紧迫问题：如何应对不断增加的挑战，同时把握新的机遇。对此，各方给予了广泛关注，包括今年夏天发布的**MIT 人工智能与教育报告*（https://aiandeducation.mit.edu/）*。* *近日，**MIT 统计与数据科学中心*（https://stat.mit.edu/）*主任**Sasha Rakhlin*（https://idss.mit.edu/staff/alexander-sasha-rakhlin/）*——IDSS 与脑与认知科学系数据、系统与社会杰出教授——发表了一篇**新文章*（https://stat.mit.edu/news/ai-and-academia/），*综合了近期关于 AI 如何改变学术界的讨论与阅读心得，尤其聚焦于数学、统计学、机器学习和工程学领域。在此文中，他主要围绕研究生研究与教育，阐述了院系和高校需要思考的关键问题，以及未来如何与 AI 最好地协作。* **问：**研究领域正在发生哪些变化？为什么变化如此之快？ **答：**数学领域充分说明了 AI 能力进步之迅速。去年，一个模型在国际数学奥林匹克竞赛中达到了金牌水平。仅一年之后，模型便开始产出新的研究成果，包括最近提出的一个千禧年大奖难题的解决方案。曾经用于展示高超数学能力的任务，如今正越来越多地由 AI 完成。 决定某个学科中 AI 进步速度的核心因素，是验证的速度和可靠性。形式化证明可以被自动检验；程序可以运行和测试。当评估快速且可靠时，系统便能生成候选方案、从结果中学习并不断改进。这也适用于 AI 研究本身——改进模型、训练流程及其支撑工具。更好的模型能够助推下一轮开发，形成一个不断加速进步的复合过程。 对于经验丰富的研究者而言，这带来了新的机遇，可以去探索那些因技术门槛过高而曾遥不可及的问题。它同时也凸显了一个区别：获得一个解决方案，与理解其为何有效、什么可以推广、下一步该问什么，是截然不同的。然而，我们不应假定抽象思维、判断力或问题构建能力将继续超越 AI 的能力范围。高校应当为这样一个不远的未来做好准备：在许多、甚至可能是大部分智力工作中，AI 将比我们所有人都更加聪明。 **问：**院系应如何重新审视学术认可与研究生培养？ **答：**在越来越多的领域中，一篇精修的论文正成为个人专业能力越来越弱的信号。院系必须从现在开始重新思考奖励什么，而不是简单地将有价值的工作定义为"AI 目前还做不到的事情"。提出好问题、复现研究、整合思想、有启发性的负面结果以及共享数据集，或许都应获得更大的认可。更广泛地说，评估应当明确研究者贡献了什么、承担了哪些智力责任——即使工作中的大部分内容是由 AI 完成的也是如此。这些期望应指导招聘、晋升和资助工作——并向现有及即将入学的博士生明确说明。 培养是更为棘手的问题。智力肌肉是通过锻炼成长的。常规计算、编程、失败的尝试和小发现长期以来一直帮助学生获得直觉和判断力。将这些工作委托给 AI，可能会剥夺培养性体验，即使 AI 也使学生得以尝试更有雄心的项目。我们需要区分不必要的阻力与能够发展专业能力的工作。学生应当学会构建问题、审查模型输出、复现结果并为自己的选择进行辩护。基础知识可能作为有效使用这些工具的基础，反而变得更加重要。 **问：**MIT 和其他高校现在应当建设什么？ **答：**这正是我认为高校真正机遇所在。让我们首先明确目标：高校应当能够以长远的视角探索问题、公开分享成果、独立评估主张。与企业的合作至关重要，但我们不应假设商业优先事项能涵盖科学的全部广度，或随着时间推移始终与之保持一致。因此，一定程度的技术独立性将是必要的。 学术界最重要的战略资产，或许是其实验室中积累的知识和经验。发表的论文呈现的是一种选择性记录：失败的实验、被放弃的方向以及某条路径未能奏效的原因，往往从未发表。科学家和工程师拥有通过经验获得的隐性知识——知道哪些干预措施可能失败以及为何失败。这一缺失的背景或许有助于解释为什么模型目前在某些领域（尤其是经验科学领域）难以预见对专家而言显而易见的后果。这些局限性可能是暂时的，捕捉负面结果和科学家的解读可能会使模型在科学探索方面大幅改进。 我们可以设想这样一个未来：MIT 的实验室更像一个单一、鲜活的科学有机体，通过共享的 AI 研究基础设施相互连接。例如，假设一个神经科学实验室需要更好的方法来分割显微镜图像中的神经元。一个 AI 智能体可以识别出计算机视觉团队的一项相关进展，将研究人员联系起来，提出基准方案，并帮助他们进行迭代。它还可以将尚未解决的问题呈现给学生和教师，让一个实验室的经验教训惠及其他实验室。为此，我们需要构建能够捕获假设、干预、结果、失败和解读的工作流程。共享系统应当连接这些工作流程，使智能体能够在适当的权限范围内跨实验室使用工具和信息。这需要现在就在计算资源、安全数据系统以及适应和后训练 AI 模型的专业知识方面进行大量的公共和机构投入。 追踪这一过程还可以保留思想的传承脉络，使贡献——包括研究生的贡献——更容易被识别。在就知情同意和署名达成共识后，研究者可以更加开放地协作，更加确信自己的工作会得到认可。这也有助于回答前面提到的问题：如何识别和奖励智力贡献。 AI 系统已经能够综合和推理来自比任何单个研究者所能吸收的更多的信息来源的信息，它们建立有益联系的能力也将持续提升。我们应当利用这一能力，将我们凝聚在困难的科学和工程问题周围，帮助我们在彼此的优势和洞见基础上不断前行。在我看来，这是一条充满希望的前进道路，但高校需要现在就投入，才能使之成为可能。