量子位专访陶哲轩：我为什么现在创办一个AI x Science组织

数学家陶哲轩公开了AI新身份——SAIR Foundation联合创始人。之前他是举世闻名的数学天才年少成名的传奇数学家、13岁加冕IMO的最年轻金牌得主……24岁就成为加州大学洛杉矶分校UCLA史上最年轻的终身正教授。最近几年随着ChatGPT火爆他也成为了AI×数学的旗帜性人物并且开始更加高频地思考和谈论AI与基础科学交叉的可能性。而就在2026年刚开年50岁的陶哲轩更进一步以联合创始人的身份发起SAIR Foundation希望这个旨在重塑AI与科学关系的非营利性联盟能够连接学术界和产业界并且能够团结和帮助更多的年轻科学家一起推进两大目标一用科学的方法打造AI二借助AI重塑基础科学研究。△SAIR Foundation主要专家成员在SAIR Foundation对外官宣后陶哲轩和Chuck NG——SAIR的两位联创也在量子位的独家专访中谈论了他们关于AI x Science、数学、基础科研等等相关的一切。在他们看来AI x Science最令人兴奋的地方在于科研的普惠化。他们希望通过SAIR这座桥梁能为更多年轻人打开象牙塔的大门。未来世界上可能会有10000个陶哲轩。上面这些只是冰山一角。在这场超90分钟的深度对谈中你还会看到以下精彩观点如果AI在回答时能表达置信度比如“我比较有把握”或“这里不太确定”其实际可用性会大幅提升。学术界和产业界各司其职的模式走不通速度太慢了AI时代需要二者紧密合作。相比金融和医疗科学是一个更安全的AI试验场相对而言算错一道数学题几乎没什么损失。看似重复、枯燥的基础性工作对人的成长其实非常重要青年人需要这些宝贵的训练机会。大部分学科都在彼此交流而AI正是促成这种跨学科互动的重要催化剂。不要简单禁止新技术高校的任务是教会学生如何正确使用它。需要解决科研体系的结构性瓶颈通过跨学科的全球协作以科学、安全的方式加速通用人工智能AGI和超级人工智能ASI的演进。下面附上精校后的完整访谈文字全文超过1.5万字。为了提升可读性量子位在不改变原意的前提下对内容做了适当整理和删减。请享用。AI X Science需要自己的垂直AI量子位首先祝贺SAIR Foundation成立。能和我们聊聊发起这个AI X Science机构的动机吗陶哲轩我认为AI将从根本上改变科研模式而我们首先要厘清的核心问题是如何在科研场景中合理、高效地运用AI事实上我们需要一些高质量的试点项目来展示什么是最佳实践让其他科学家可以参考、学习。过去这类工作主要由大学、科研机构和政府部门来推动。但在当前环境下来自其他领域的支持同样非常重要。它更灵活能有助于我们尝试一些创新性的事。我很高兴能参与创立这个机构希望借此探索新想法尝试更大胆的路径看看当AI和科学以一种更审慎的方式结合时究竟能走多远。Chuck我一直都很享受和优秀科学家合作能和Terry陶哲轩一起发起这个组织我真的非常兴奋。同时还有多位诺贝尔奖和图灵奖得主一起加入。Terry刚才更多讲了学术侧而我自己长期推动学术和产业融合发展这也是我们对这个项目格外有热情的原因之一。如果你看看我们的启动活动就会发现参与者汇聚了全球顶尖学术研究者及多家科技领域企业代表包括NVIDIA、OpenAI、Amazon、Microsoft等各方围绕AI x Science的发展展开交流探讨为后续跨领域协作奠定基础。当学术界和产业界坐在一起会带来很多机会可做的事情非常多。量子位从你们的角度看当下AI技术的主要短板在哪里为什么科研领域不能直接用OpenAI或其他公司的模型陶哲轩我们其实已经在尝试使用一些主流LLM也确实有研究者用它们做出了成果。问题在于模型会产生幻觉这对科研来说是个非常严重的问题。科研需要可验证、值得信任的系统。另一个挑战是可解释性。模型有时会给出一个看起来不错的想法但它往往不会说明这个想法是来自训练数据里的既有文献还是某种新的组合也说不清它和已有工作的关系。科学并不只是解决一个个孤立的问题更重要的是把新结果放进已有知识体系中让后来者可以在此基础上继续推进。这就要求结果具备可追溯性、规范的引用以及清楚说明如何扩展或修改。商业化的大模型有时能做到这些但并不稳定。如果我们能有专门为科研设计的AI或者通过更好的工作流去强制验证并系统性地把结果和文献体系连接起来对科学的帮助会大得多。最终很可能的方向是把现有模型嵌入到一个更严格的框架中配合强有力的验证和校验机制让它们真正成为科学发现的工具。Chuck事实上在日常层面比如写作AI表现已经不错了。但一旦进入更深、更专业的技术领域情况就完全不一样。很多细分科学领域高质量、结构化的数据本身就非常有限。这也是为什么必须和科学家紧密合作。我们的目标是把这些系统打磨到可以可靠地用于科研。最终我们希望让先进的AI能被绝大部分人使用也就是“AI普惠化”。陶哲轩我举一个非常简单的例子。科学家在提出一个结论时通常会同时说明自己对这个结论的信心程度比如“我对此非常有把握”“我有一定把握”“这个想法目前还不太成熟”。AI并不会这样做它们几乎总是用一种百分之百确定的语气给出答案。如果AI能够明确表达不同层级的置信度它在科研中的实用性会提升很多。量子位现在整个行业的主线都在谈Scaling更多数据、更大的模型、更强的算力。但SAIR更关心“Scaling the Science of AI”这具体指什么陶哲轩目前为止科技公司所采用的路线确实非常成功。当算力和训练数据提升一个数量级时模型能力会有明显跃升。这套方法到现在为止效果还都比较好。但从长远看它会撞墙。数据不是无限的公开互联网基本已经被用得差不多了同时还存在能源和算力等方面的约束。另外现在的AI能解决非常困难的问题但往往很低效。一个人类数学家可能看十个例子就能抓住问题的核心然后举一反三而现有的AI往往需要数百万个训练样本还要反复尝试甚至运行上百次才能得到一个正确结果。放到科研中看我们并不总是需要最大、最通用的模型。很多科研任务本身非常专门化。在一些场景下体量更小、功耗更低、成本更低的模型甚至能直接在个人电脑上运行就已经足够用了。大型公司更关注打造“什么都能做”的通用模型而科研场景可能更需要为特定工作流量身定制的专用工具。开发和支持这类工具正是我们希望通过SAIR去推动的一件事。量子位我能不能这样理解在AI x Science这个方向上真正关键的是更好的原则和方法论而不是一味把模型做得更大陶哲轩可以这么理解。我们需要更好的方式去评估可信度、表达置信水平也需要提升系统的可解释性。我们同样需要改进人类与AI协作的方式。现在最常见的交互模式是你给模型一个提示它直接给出一个完整答案。但在很多科研场景中研究者往往不只关心最终结论还希望看到推理过程本身。你可能想在中途介入补充新的信息或者探索不同的路径。目前不少研究者对AI的应用仍持观望态度一方面是因亲身经历过系统出错的情况另一方面是现有工具与他们的核心研究需求不匹配。如果科学家能够开发真正贴合自身工作流和研究需求的工具我相信这些系统的使用率会显著提高。Chuck我想从另一个和可信度相关的角度补充一下“数据质量”。我们的一位密切合作伙伴John Hennessy一直在为SAIR Foundation提供建议。他是图灵奖得主同时也是Alphabet的董事长。他经常强调在科研中提升数据质量的重要性不亚于提升模型本身。信任本身也是一个更宏观的社会问题。在不同地区人们对数据和技术的信任程度并不一样。美国社会对一个东西的信任水平大概在70%到80%而对AIGC的信任度往往只有这个数字的一半左右。这种落差也解释了为什么很多组织包括OpenAI、xAI以及其他AI公司都希望与我们合作。信任、可靠性和科学严谨性至关重要。量子位随着AI不断降低科研门槛会给整个行业以及全球科研格局带来哪些变化Chuck这个问题很好。我觉得最终的目标是在和顶尖科学家、研究者一起合作的过程中把AI提升到一个“默认值得信任”的水平。一旦AI达到这样的程度它就不会只被专家使用。普通人也能放心用比如你的父母甚至爷爷奶奶都可以在日常生活中依赖AI而不用担心它靠不靠谱。这也正是我们为什么要把一流的科学家和产业界的伙伴聚到一起彼此学习、共同推进。只有通过这样的协作技术本身以及它在真实科研场景中的应用才能一起向前走。我们希望AI能成为一种日常工具就像汽车一样。当AI达到这样的可靠性水平时全球科研格局才会真正发生变化。量子位SAIR具体会如何参与并推动这一转变Chuck我们的做法是把学术界和产业界以一种更直接、更有组织的方式拉到一起。在学术侧很多研究者缺乏算力也很难获得长期、稳定的资金支持在产业侧公司拥有算力、资本和工程能力但现有模型和工具和科研需求之间还有明显错位。科研领域越来越需要更广泛的社会力量参与进来包括捐助者、基金会、投资人和创业者。把这些人聚在一起能更好地支持那些真正长期、具有高影响力的研究方向。我们相信这种协作模式能把科学的边界推得更远。陶哲轩在过去几十年里一个主流模式是学术界主要依赖官方资金支持产业界则负责把研究成果转化为应用。学术研究者提出基础性的想法产业界或其他主体再把这些想法变成知识产权、专利和商业产品。这条链路能运转但速度相对较慢。在一些国家里学术界并没有动力去考虑市场化问题而产业界也很少投入到真正长期、基础性的研究更关注短期回报。我们可以重新思考在21世纪从基础科学到应用研究再到现实世界产品的这条路径应该如何设计怎样才能更高效也更贴合社会需求。Chuck这是一个非常特殊的历史节点。过去大学和科研机构可以依赖相对稳定的政府资助现在尤其是在美国这种支持出现了变化新的合作模式变得非常必要。我们把这看作一个机会各方都在探索新的资源整合模式像SAIR这样的组织也站出来了支持杰出的研究者并与产业伙伴紧密合作。量子位AI模型的质量在很大程度上取决于数据。你们觉得在不同基础科学领域里数据的多少是否会导致AI落地难度的差异陶哲轩AI在那些高质量数据比较充足的科学领域里进展往往最快。一个很典型的例子就是蛋白质折叠。这个领域经过了几十年持续投入积累了大量经过精心整理的高质量蛋白质数据。但在其他领域情况就完全不一样了。比如对单个细胞进行建模乍一看好像是相近的问题但我们目前并没有同等质量、同等规模的数据。AI对数据的依赖程度非常高远超许多传统科学方法这是一个真实存在的瓶颈。有人寄希望于用合成数据来替代真实数据但如果生成方式不够严谨、标准不够高可能适得其反。低质量的合成数据会污染原有数据集。Chuck我完全同意而且我也觉得不同学科之间的难度差异非常大。如果想在这些领域解决更难的问题强大的基础模型当然很重要。但正如Terry说的没有高质量数据再复杂的模型也会举步维艰。有一句老话叫“garbage in, garbage out”在这里体现得非常明显。这也是为什么AI x Science这样的项目如此重要。在2月10日的活动中我们把来自不同学科、不同机构的一些顶尖学者聚到了一起。参与者包括来自UCLA、Berkeley、Caltech以及美国和北美各地高校的研究者。我们的主旨演讲嘉宾中还有一位最近获得图灵奖、同时也是强化学习领域的奠基者之一理查德·萨顿。我们也在促进跨地区研究者交流。推动AI x Science离不开全球范围内的共同参与。量子位SAIR具体如何支持科学家之间的跨学科、跨国家合作ChuckIPAMInstitute for Pure and Applied Mathematics和UCLA其实已经在这方面做了很多年而且做得非常好。IPAM长期以来都有组织跨学科主题项目和工作坊的传统时间跨度往往很长参与领域也很广。我前段时间去新加坡和马来西亚其实就是参加了一个由OpenMind组织的冬季学术营。OpenMind的创办者也就是图灵奖得主理查德·萨顿该组织主要面向来自世界各地的年轻研究者。那次活动的参与者很多都来自亚洲包括新加坡、马来西亚、中国、菲律宾、韩国等地。大家聚在一起交流想法讨论更高效的模型一起思考AI接下来应该往哪里走。这种跨地区、跨学科的合作框架和SAIR希望支持的方向高度一致。陶哲轩SAIR今年才刚刚起步但IPAM已经运作了二十多年。IPAM最有代表性的活动之一是为期大约三个月的长期主题项目。在这些项目中我们会邀请来自不同领域的学生、教师有时也包括产业界的研究者围绕一个主题深入交流比如心脏相关科学或者自动驾驶。事实上我们在深度学习真正大规模兴起之前就已经办过相关的研讨会。虽然IPAM并不是一个专门做AI的机构但它举办了很多在AI相关方向上具有影响力的活动。核心理念就是把那些平时很少有机会交流的群体聚到一起比如纯数学家、应用数学家、物理学家、工程师以及其他科学家。过去这种合作更多集中在学术内部。通过SAIR我们希望把这个模式再往前推进一步加强与产业界的连接同时更关注一些中短期内能够产生实际影响的应用。我自己的背景仍然主要在数学但现在我们也在更广义地理解数学把它放进一个连接理论、计算和现实影响的生态中。我们希望尝试新的形式探索更多把不同社群聚在一起的可能性。ChuckIPAM和UCLA花了几十年时间打下了坚实的协作基础而通过SAIR我们可以把这套模式在地域上、在学术与产业之间进一步扩展SAIR的核心目标是基于已经行之有效的基础把它扩展成一个真正全球化、跨学科并且紧密连接真实科学问题的合作网络。量子位AI for Science的发展会不会反过来影响今天产业界开发和使用AI的方式它有没有可能成为一条通向AGI的更优路径陶哲轩我觉得这是一个非常有前景的方向。在数学和科学中尤其是在数学里很多输出是可以被形式化验证的这给了我们一种约束AI的方式。把AI放进一个可以验证的环境中这有助于减少幻觉。如果我们能在数学或科学中建立起可靠、可验证的AI框架这些原则是有可能推广到其他领域的。现在在医学、金融等领域完全信任AI依然风险很高。你可以把它当作辅助工具但在涉及生命安全或巨额资金时很难放心地把控制权交给AI。如果我们能先在科学领域解决可靠性和验证的问题之后这些成果就有机会迁移到更广泛的应用中。Chuck以金融为例大多数人并不会愿意把敏感的金融决策完全交给AI医学也是一样错误可能直接关系到生死。正因为如此AI for Science以及反过来的Science for AI才显得尤为重要。如果我们能在科学环境中打造出真正值得信任的AI系统我们希望这些进展可以在不久的将来迁移到那些关键性应用场景中。陶哲轩没错。数学和科学为AI提供了一个非常安全的试验场。如果AI在医疗或金融场景中出错后果可能非常严重但如果它算错了一道数学题最多就是再试一次几乎没有损失。这让数学成为一个理想的环境用来打磨可靠AI的系统。Chuck还有一个优势在于数学研究通常不需要像其他应用那样消耗巨大的算力。这让我们可以更高效地反复实验用相对较低的成本探索新思路。陶哲轩这也是为什么从这里起步。药物研发当然非常重要但临床试验的成本极高、周期又很长为了验证一种AI方法就投入数十亿美元是很难实现的。相比之下在数学中开发和测试AI可以更快、更安全地验证想法再逐步走向那些高风险、高投入的领域。量子位有一种担忧是更高层次的研究能力比如“品味”本应建立在扎实的基础训练之上但AI可能正在拆掉这些年轻研究者的成长阶梯。你们怎么看陶哲轩现在AI已经能完成很多过去属于研究生或初级研究者训练内容的工作比如解一些标准问题、做实验中的部分环节、或者整理文献。这些事情越来越容易被自动化于是会产生一种诱惑既然AI更快那干脆全部让AI来做。但问题在于这些看起来重复、甚至有点枯燥的训练对人的成长非常重要。我自己包括很多资深研究者的能力很大一部分就来自这些初级工作。所以必须有一个平衡。即便AI能做我们也要有意识地为年轻研究者保留有价值的训练过程。等一个人积累了足够的经验比如亲手做过一定数量的实验之后再逐步引入自动化。Chuck现在已经能看到一些过度依赖的趋势。大家都知道AI并不能百分之百可信但很多人还是会第一时间把问题丢给AI直接要答案或建议这其实会削弱独立思考的能力。这也是为什么我们特别强调让顶尖科学家参与进来。像Terry这样的研究者或者其他诺奖级别的科学家都是在没有AI工具的时代接受过严格训练的人。通过建立一种类似“师徒制”的结构让经验丰富的研究者与有潜力的年轻人紧密合作能逐步形成更好的实践方式、更好的模型也包括更好的平台在支持创新的同时不牺牲学习本身。陶哲轩这里其实也有一个很有意思的历史类比。计算器刚出现的时候很多人担心学生会不会从此不学基本的算术了。这种担忧在某种程度上确实有道理所以直到今天我们仍然会先教孩子手算加减乘除再让他们用计算器。但另一方面计算器也极大地拓展了人们探索的空间。它让人更容易去试验数字、发现规律、探索原本很难触及的想法。工具本身并不会自动让人变弱它同样可以激发探索和创造力。关键在于如何使用。面对AI我们也需要做出类似的判断什么时候该用什么时候该克制以及如何把它引入训练体系同时不削弱那些真正重要的核心能力。量子位随着AI逐步替代很多现有的科研流程和技能未来研究者最重要的能力和特质会是什么陶哲轩未来的科研会越来越多地以更大规模、更多元化的团队形式展开。团队里可能既有学术研究者、产业研究人员、数学家和科学家也会有AI系统和不同背景的人一起协作。在这种情况下如何在大型团队中高效合作会变成一项非常重要的能力。过去人们常把科学描绘成“孤独天才”的事业但现实里它早就是团队合作而且这种趋势只会继续加强。沟通能力以及我们常说的那些软技能会变得越来越重要。在这个背景下“品味”很关键。能够形成整体判断识别哪些方向值得投入再借助AI工具或其他合作者把想法展开这种能力非常重要。我们很可能会看到比过去更细致的分工。传统上尤其是在数学领域工作方式几百年几乎没怎么变有时甚至带点“中世纪风格”。一个人要同时负责检查细节、做计算、发展想法、写论文、申请经费、再去做报告。但在未来大型项目会由很多人共同完成。有人负责长期愿景有人擅长和AI工具深度协作有人负责团队协调有人负责将其讲给更多人听。能为数学和科学做出贡献的能力类型会变得丰富得多。Chuck我经常半开玩笑地说自己是个“立志当科学家的人”很大程度上是因为我有机会和像Terry这样的杰出科学家、数学家长期合作。我的背景并不在科研而更多在商业领域。但我听过一些非常成功、打造过数十亿美元公司的人说过他们见过最优秀的一些prompt工程师背景并不是工程或计算机而是会计、法律。这恰恰说明未来的科研会变得更加开放。借助AI和新的工具来自完全不同背景的人都有机会以有意义的方式参与科研。这也是我们所说的“科学和AI普惠化”的重要内涵之一。陶哲轩我现在参与的很多项目以及SAIR希望支持的方向本身就已经是高度协作的。它们往往汇集了职业数学家、学生、其他学科的研究者有时甚至还包括公众参与者。随着AI和相关工具的发展从事严肃科学和数学研究的门槛正在降低。这是这次技术变革中最令人兴奋的一点。量子位那是不是意味着未来连我还在读初中的弟弟都有可能在《Nature》上发论文陶哲轩这是有可能的笑。未来可能会有论文拥有成千上万名作者每个人都贡献其中一小块但都是真实、有价值的贡献。从这个意义上说很年轻的人参与其中并不是不可能。事实上在数学领域已经出现过这样的例子有青少年在AI的帮助下给某个已知问题找到了新的解法。它未必是最重大的突破但确实是新的结果。这种情况将来会变得多普遍但现在还不好说唯一的办法就是继续尝试、不断探索不同的研究方式。Chuck我其实非常希望能看到那样的场景。在过去如果你没有很强的STEM或工程背景几乎不可能直接参与前沿科研。如果来自非传统背景的人也能以有意义的方式参与科研并真正对世界产生积极影响那将是一件非常了不起的事情。量子位结合我们前面的讨论你们能不能举一些更具体的例子说说SAIR未来会如何支持青年研究者的成长Chuck这是个特别好的问题说实话这也是我个人非常投入的一件事。我很多年来一直在做和导师制相关的工作从大学阶段就开始了。从我的观察来看培养年轻研究者最重要的一点是树立榜样。人在不同阶段都会寻找榜样。小时候在家里看父母进了学校看老师再往后就会把目光投向更广阔的社会。这也是为什么我们如此重视把不同领域的杰出科学家聚在一起。每一位创始成员成功的路径都很不一样。Barry Barish的科研经历非常有代表性。爱因斯坦在早期论文中就预测了引力波的存在但从提出这个理论到实验上真正观测到引力波中间走了将近一百年。但直到2016年前后人类才首次探测到引力波Barry Barish也因此在2017年获得诺贝尔奖目前Barry Barish也是SAIR顾问委员会创始成员。这个例子很好地诠释了什么叫几十年如一日。这些杰出科学家的价值不只在于他们的成果也在于他们能够分享自己在不确定性、挫折和失败中是如何坚持下来的。这是导师制中非常重要的一部分。年轻科学家并不缺天赋只是刚刚起步。所以我才会如此重视和Terry、以及整个创始团队一起做这件事因为现在最需要支持的恰恰就是这些年轻人。Terry是独一无二的但如果借助AI和更好的培养渠道未来能不能不只有一个陶哲轩而是10000个陶哲轩这难道不是件非常令人兴奋的事吗陶哲轩是的。SAIR只是众多尝试中的一种它不可能包揽所有事情。支持下一代研究者的需求非常广泛没有任何一个组织能独立完成培养整个科研队伍的任务。SAIR能做的是专注于少数有针对性的项目。以IPAM为例我们可以支持暑期学校、研讨班以及面向公众的科普和交流活动。一些协作式、众包式的研究项目本身就会自然地吸引年轻研究者参与有些情况下他们甚至可以承担领导角色。我们希望SAIR能够对其他组织产生启发让更多机构也愿意站出来在支持下一代科研人才这件事上承担起重要责任。陶哲轩如何用AI量子位接下来我想把话题转到数学上。Terry您最近在做些什么有没有哪些方向是您现在特别感兴趣的陶哲轩我现在大概有一半时间仍然花在比较传统的纯数学研究上也就是我过去23年里一直在做的那类工作。比如研究数字中的模式理解高度结构化、周期性的函数和非常随机的函数之间有什么本质差异以及研究一些偏微分方程比如来自流体力学的方程。不过在这些方向上我现在越来越多地把一些最前沿、最技术性的推进交给更年轻的合作者来完成。相应地我自己研究中的一个越来越重要的部分开始和新技术联系在一起尤其是“如何做数学”“如何协作做数学”的新方式。我目前非常感兴趣的一个方向是形式化也就是不再只依赖纸笔证明而是把数学写成计算机可以理解和自动验证的形式化语言。这会深刻改变协作方式。它不仅让我们可以和AI系统一起工作也让我们能够和很多并不认识的研究者协作。在过去如果一个陌生人给你发来一份证明你很可能会对它是否正确保持怀疑但如果这份数学内容是用可形式化验证的语言写成的这种顾虑基本就不存在了。借助这些方法我们已经能在一些项目中实现几十人的协作有时甚至五十人以上而且其中很多人彼此从未见过面。大家可以一起解决那种单靠个人几乎不可能完成的大问题。我们也在尝试把AI当作证明助手来使用同时借鉴现代软件工程里的很多理念比如用GitHub做版本控制、进行单元测试、做质量检查等等。从某种意义上说我正在学习软件工程的工具并把它们引入到一种可以称为“数学工程”的实践中。对我来说这一切都更像是一系列实验。并不是每一次尝试都会成功但即便弄清楚什么行不通本身也很有价值。量子位感觉您一直都很愿意把新技术引入自己的研究流程。距离你上一次接受Lex Fridman采访已经过去半年了这段时间里你对AI的看法有变化吗陶哲轩整体来看变化不大。但有一点出乎我意料AI在数学方向上的进展比我原先预期的要快一些当然距离真正成熟还有很长的路要走。变化更明显的其实是整个学术社区的态度。我开始看到越来越多的同事接受这样一个事实AI不会消失它会长期存在下去。大家对尝试不同使用方式的开放度也明显提高了。不过现在仍然缺少一个被广泛理解和认可的中间态。很多时候感觉只有两个极端选择要么几乎什么都用AI要么就完全不用。真正理想的情况应该是混合式工作流——大部分研究仍然用传统方式完成但把某些环节有意识、有控制地交给AI。目前我们还没有真的找到那个最合适的平衡点。我经常拿互联网来类比。互联网非常有用但我们并不会用它来做所有事情。我们仍然会选择线下见朋友而不是永远开视频会议但在某些场景下比如现在这样的对话互联网又恰到好处。经过多年我们逐渐学会了什么时候、怎样用好互联网。我觉得对AI来说我们还正处在摸索这种平衡的过程中。量子位Terry您是世界顶尖的数学家之一也和很多一流数学家长期合作。你们在日常研究中具体是怎么使用AI的陶哲轩其实挺日常的。我主要把AI用在一些偏辅助性的事情上。比如做文献检索如果我一时想不起某个数学结论的具体形式或者它和另一个结果之间的关系我就会直接问AI。再比如需要快速画个图、做个简单可视化也会让AI来帮忙。在和文字相关的工作上我用得更多。写作时我几乎一直开着自动补全。有时候我会先把一篇论文的结构分成五步自己写完前两步后面几步就让AI帮我起草一下。以至于现在如果我在飞机上、没法用AI写东西偶尔还会下意识地想“怎么还不帮我把这句话补完”然后才反应过来AI不在。如果有人给我发来一段很长的论证或者一篇论文我也常常先让AI帮我总结一遍。在这些方面它确实是一个非常好用的工具。但在真正做深度思考的时候比如我在努力解决一个很难的研究问题时我基本不会用AI。这种时候我还是更依赖纸和笔。我也尝试过直接和AI一起推研究级别的问题但目前的体验并不理想。它给出的建议往往比较套路有时还会打断我的思路。不过在围绕科研的那些辅助环节上AI已经变得非常有价值了。量子位过去一年里有没有出现什么新的Aha-Moment陶哲轩有的通常是在一个问题上想了好几个月突然有一天意识到“哦原来这么简单我怎么之前没想到”在这之前你往往已经试过很多条路有时候八种、九种方法全都走不通。但正是这些失败的尝试一步步把不可能的方向排除掉最后只剩下一条真正可行的路。等你终于看到那条路时回头看就会觉得它显而易见。这种时刻常常伴随着一种错觉好像之前那些尝试都是在浪费时间。但实际上正是不断试错、不断排除才让你真正理解什么方向行得通。我自己的数学“顿悟”到现在基本还是这样产生的。AI目前还做不到复现这种过程。它确实能提出很多想法但这些想法往往显得比较随机也看不出它能像人一样从失败中逐步学习、调整方向。到现在为止我还没能真正用AI来直接解决研究级别的难题。不过一旦我已经有了清晰的思路或者解法AI就会变得非常有用。它可以帮我把结果写出来、和已有文献建立联系、生成代码或者在某些数学环节上提供计算支持。从这个意义上说它非常有价值但更多是一种互补工具。它在支持我的工作而不是替代我最在意的那一部分。我觉得总体来说人们更倾向于把AI用在自己不太享受的那些任务上而把真正喜欢做的部分留给自己。对我来说数学问题本身就是我最享受的事情这也是我做数学的核心动力所以这部分我还是会亲自来。但有些事情我就非常乐意交给AI。比如在文献中查找有没有人以前用过类似的方法或者在成百上千篇论文里筛选出相关工作这对我来说就是一个非常理想的AI使用场景。再比如一些又长又繁琐的计算也很适合交给AI。当然这件事因人而异。不同研究者享受的环节不一样而AI本身又是一个非常宽泛的工具。对一个人来说特别有用的功能对另一个人可能就没那么重要。所以也谈不上什么“最好的模型”或“标准工作流”。关键还是看你希望AI帮你做什么以及你更愿意把哪些事情留给自己来完成。量子位数学曾经从其他学科中汲取养分。这次数学已经从AI身上学到了什么或者未来可能会学到什么陶哲轩有一件事我自己正在大量学习那就是软件开发。未来的数学可能会越来越像今天的软件开发。如果回到五六十年前软件往往是由一个人独立完成的一个人写代码、测试、调试所有事情都自己来。但今天软件开发已经变成了一整个成熟的行业。有人专门写代码有人做UI有人负责质量控制还有一整套成熟的工作流、工具和最佳实践还有大量踩坑经验。数学正在开始向这个模式学习包括它成功的地方也包括它失败过的地方。传统上数学和物理学的联系非常紧密。但现在我们越来越多地和生命科学、社会科学等领域发生互动。这些领域的问题往往更复杂、更混乱方程没有物理里那么干净而且对数据的依赖也强得多。从这个角度看AI可能非常适合处理这类复杂、嘈杂不那么容易被形式化的问题。我觉得我们正在进入一个更加跨学科的时代。数学不再只是和物理对话而是几乎所有学科都在彼此交流而AI正是推动这种跨学科互动的重要力量之一。量子位所以你现在也算是在“做软件”了对吧陶哲轩某种意义上是这样。我现在参与的项目不少但越来越多时候我更像是在做项目管理。真正去证明定理的往往是其他合作者而我更多是在协调整体工作把不同部分拼接起来。这是一个挺有意思的角色。在一些项目里我并不是主要的“解题者”而是负责组织、推动让每个人都能把自己的能力发挥到最好。事实证明这样的方式在科研中也可以运转得相当不错。量子位AI不仅降低了做数学的门槛看起来也在降低你刚才提到的很多其他领域的门槛比如编程、物理和医学。AI有没有促使你对其他学科产生兴趣陶哲轩非常明显。有一件让我自己都挺意外的事情是我现在合作的人背景比以前多样得多。十年前我几乎只和数学家合作偶尔会和统计学家或电子工程师一起做点事情也就到此为止了。但现在我在和来自各个领域的人合作尤其是产业界的人比如Chuck这样的伙伴。真的有一种感觉大家都开始彼此对话了而且在这个过程中互相学习。其他学科的研究者往往能从更偏数学的思考方式中受益而数学家也能从更贴近现实世界的视角中学到很多东西。之所以能做到这一点很大程度上是因为我们现在有了很多工具其中不少是由AI驱动的它们帮助我们理解彼此的语言和工作方式让合作变得更顺畅、更高效。我觉得这是当下这个阶段真正令人兴奋的地方之一学科之间的壁垒正在降低我们开始学会用过去很难实现的方式一起工作。量子位和背景差异很大的人一起工作感觉怎么样陶哲轩我其实非常享受这种状态。当然我也想先说清楚一点深度领域专家永远都有不可替代的位置。那种在非常狭窄的子领域里做到世界顶尖的人我们依然非常需要这一点并没有改变。变化在于这些专家现在可以和另一类人更紧密地合作他们也许不专精于某一个具体领域但擅长把不同学科的想法串联起来看到整体图景。这几年里我自己学到了很多原本完全不在我训练范围内的东西比如生物学、经济学、政策、科研资助机制等等。有些内容确实出乎意料有时也挺有挑战性。但我也发现数学里的一些核心观念能以一种很自然的方式迁移到其他领域尤其是关于验证、严谨性和清晰思考的那一套方法。对我来说这是一段持续学习的过程而且我真的很享受。我觉得在新的科研环境里那些愿意保持开放心态、乐于跨学科沟通、也不怕学习新“语言”的人更容易如鱼得水。ChuckTerry刚才说的其实正好呼应了我们之前聊到的“技术普惠化”尤其是AI。借助现在的技术也包括SAIR在做的事情我们正在把来自非常不同领域的一流人才聚到一起。当你拥有这样一个网络时事情会变得容易很多。不只是更容易发现真正有挑战性的问题也更容易迅速判断谁是最适合来解决这些问题的人。有时候这些人已经手里有一部分答案有时候他们能立刻把你引荐给更合适的合作者。在我看来这种高效连接问题和人才的能力就是“AI普惠化”在现实中的一个非常具体的体现。陶哲轩从传统上看科研往往是围绕学科来组织的比如数学系、物理系、经济系等等。这种结构自然会让数学家主要和数学家交流物理学家主要和物理学家交流真正的跨学科合作并不常见。我对SAIR抱有期待的一点在于它在一开始就刻意聚集了一群背景和兴趣都非常多元的人。这种设计本身就更容易促成一些在传统体系里不太容易出现的连接。通过降低制度层面和学科层面的壁垒我们有机会推动那些原本很难发生的合作。AI时代高校需要新的培养方式量子位Terry你刚才提到传统高等教育正好也是我接下来想聊的话题。Chuck在AI时代你觉得哪些能力对大学生更重要Chuck这些年我做过不少学生的导师。我的感受是即便是博士生真正长期、密切合作的导师数量也很有限通常三到五位多一点可能也就十位左右。这其实会限制他们接触到的视角范围。但现在情况正在发生变化尤其是在AI x Science这样的方向上。我们可以更容易地把不同类型的专业能力汇聚到一起。这类问题天然是跨学科的而AI让来自不同背景的大规模协作变得可行。在这种环境下有一项能力会变得格外重要那就是批判性思维。很多人喜欢谈“提示词工程”但在我看来提示词工程本质上就是另一种形式的批判性思维。你得清楚自己要解决什么问题如何把问题表述清楚以及你真正想要什么样的答案。如果这些想不明白AI其实也帮不了你太多。所以清晰思考、提出好问题、抓住问题核心这些能力依然非常关键。与此同时AI也在降低非传统STEM背景人群的参与门槛。我自己就是一个例子我并没有接受过系统的科研训练背景更多在商业领域。但借助AI我依然可以有意义地参与科学讨论理解一些核心思想并做出贡献。这种体验非常有力量。未来并不只是STEM和非STEM的区分而是让不同技能结构的人用不同方式参与进来。这正是AI x Science和SAIR如此重要的原因。陶哲轩事实上对科学感兴趣、希望参与其中的人远远多于接受过正式科研训练的人。而AI正好扩大了能够参与科研的人群范围。未来的科学发展并不只取决于技术能力尽管技术依然重要。组织能力、沟通能力、与他人协作的能力正在变得越来越有价值。但同时是否具备整体视野知道哪些问题值得投入精力以及什么时候该用技术、什么时候该克制这些也非常重要。量子位现有的大学体系已经存在了很长时间。如今有了AI很多人都觉得一场大的变革正在到来。你们觉得高等教育应该如何去适应陶哲轩这是个非常棘手的问题。说实话我希望我们能有更多时间来慢慢想清楚这些事。但现实是我们只能“边走边想”。已经能看到一些令人担忧的现象。有些学生过度依赖AI成绩看起来很好但实际上学到的东西并不多。也有一些学生坚持完全用传统方式学习几乎不用AI。他们往往理解得更扎实但在效率和结果上可能又会落后于那些大量使用工具的同学。所以很明显需要重新找一个平衡点。学校必须教会学生如何负责任地使用AI也要让他们知道在什么时候不该用。我觉得未来会更多地转向小组项目和协作式学习这本身也更贴近科研和产业的真实形态。另外课程之间可能需要更紧密地整合。现在的教育体系往往把知识拆分成一个个相对孤立的专业模块。将来也许需要一种更整体的结构更强调通用的问题解决能力。过去学生是在作业、考试、以及和难题死磕的过程中慢慢学会如何学习、如何面对失败、如何承受压力的。到目前为止我们还没有为这些能力找到一个结构清晰、系统性的替代方案。大学眼下不得不被很多现实的问题牵着走比如维持日常运转、保障研究生经费、平衡预算等等很难真正停下来从零开始重新设计教育体系。从历史上看我们也并不是第一次面对这种冲击。计算机普及的时候教育变过一次互联网出现后又变过一次维基百科刚出现时也有一段时间学生直接复制粘贴内容交作业。后来大家发现解决办法并不是彻底禁止新技术而是教学生如何正确使用它把它当作起点而不是终点。我觉得AI也是类似的情况。它可以成为探索和研究的一个起点但不能替代思考本身。学生不能只是向AI要一个答案粘贴进作业里。高等教育真正的挑战在于如何找到那个平衡点一方面充分发挥AI的优势另一方面又不牺牲深度学习和真正的智力成长。Chuck往往产业界的变化比学术界要快。在AI时代这种差距变得越来越清晰。而这正是SAIR Foundation看到的机会所在——把学术界和产业界拉到一起让双方相互学习。从我和创业者打交道的经验来看他们有一个非常共同的特质强烈的问题导向。不管问题有多难他们都会盯着“怎么解决”并且愿意为此付出一切努力。这种心态是我希望高等教育能够更多吸收的尤其是在AI已经成为核心工具的背景下。大学的培养模式应该随之调整让学生学会如何用AI去解决真实世界的问题而不只是掌握一块块割裂的知识。还有一个绕不开的大问题是成本。在很多发达国家尤其是美国高等教育极其昂贵。一些顶尖大学一年的学费加相关费用接近10万美元四年下来就是40万美元。如果这种趋势继续下去尤其是在AI已经提供了获取知识和技能的新路径之后人们自然会开始质疑大学学位到底还值不值得这也是为什么让教育与产业更紧密地对齐变得如此重要。我们需要更清楚地知道社会真正需要哪些能力以及大学该如何调整自身的培养方式来回应这些需求。在接下来的一系列项目中我们会把产业界和高等教育的负责人同时请到一起。我们正在组织一些圆桌讨论邀请来自宾夕法尼亚大学、南加州大学、UCLA等高校的代表坦诚地讨论课程体系和培养模式应该如何演进以应对这些挑战。另外我对像OpenMind这样的组织印象很深。我们也在思考是否可以做类似的实验。通过SAIR联合IPAM和UCLA我们正在探索举办更密集的项目比如暑期学校。这种形式的好处在于它能让我们更快地迭代课程内容不必受制于传统学期制度同时也更贴合AI发展本身的节奏。量子位最后一个问题。Terry如果未来真的实现了AGI它的数学能力全面超过人类我们还有必要学数学吗陶哲轩AGI本身其实是一个非常模糊的概念不同的人对它的理解差别很大。我举个例子交通工具。过去人们靠走路、骑马出行后来有了汽车和飞机效率远远高于步行。但我们并没有因此就不走路了并不是因为必须这样做而是因为喜欢或者因为这对身体有益。科学和数学将来可能也会是类似的情况。即便有一天借助AGI科学发现的速度远远快于人类单独完成的速度人们依然会想亲自去做科学、做数学。它可能会更多地变成一种手艺、一种爱好或者一种出于兴趣、好奇心和自我满足的智力活动。同时我也相信无论AI变得多么强大人类都会以不同于机器的方式继续创造价值。人类学习和推理的方式与AI非常不一样。AI可以通过海量数据和计算得出结论而人类有时却能在极少的数据、极低的计算量下做出相当不错的判断。这种能力很可能在未来依然重要。科研的规模和方式可能会发生巨大变化。今天一个研究者通常一次只解决一个问题未来也许可以同时推进成千上万、甚至上百万个问题。由人类把握少数关键方向AI来填充其余部分。我们现在还没到那一步但这是一个合理的演进方向。即便在那样的未来学习数学依然有意义只是它的角色和目的可能会和今天非常不一样。原文链接量子位专访陶哲轩我为什么现在创办一个AI x Science组织-36氪