苏炜杰教授获奖与核心研究贡献 - 宾夕法尼亚大学苏炜杰教授于2026年荣获统计学界最高荣誉考普斯会长奖，这是时隔14年后该奖项再次由华人学者获得 [1][2] - 其获奖基于在AI可信部署、隐私保护及AI学术评审机制等多个方向的突破性贡献 [1][7] - 苏教授坚信在AI时代，统计学将扮演越来越重要的角色，因其能通过概率分布为复杂黑盒系统找到最优解 [4][6] AI可信部署与稳健性研究 - 将AI生成内容的可追溯性、人类偏好对齐等问题形式化为严谨的统计框架，为AI应用提供理论支撑 [9] - 提出“剥洋葱”式研究思路，将神经网络视为多层结构，无需完全理解内部机制，可通过逐层分析并结合行为表现来优化和控制风险 [58][59][62] - 在偏好对齐工作中，将Transformer视为黑盒概率输出器，通过设计损失函数引导概率分布趋向目标，无需理解其内部结构 [57] 隐私保护的前沿观点与框架 - 提出高斯差分隐私框架，该框架已应用于2020年美国十年一次的人口普查，提升了隐私数据的效用 [9] - 指出在神经网络时代，由于训练数据与模型输出关系难以刻画，传统差分隐私理论面临挑战，常需添加过大噪音导致模型能力下降 [65][67] - 建议设计类似区块链的激励结构，将隐私保护从外部要求转化为公司追求自身利益最大化的内生动力 [72][73][74] - 主张采用更分层、分级的隐私目标，而非一刀切，并在社会层面持续强调隐私的重要性 [70][71] AI对齐、偏好聚合与社会影响 - 指出人类偏好不存在唯一最优解，但需明确底线，即“哪些偏好我们绝对不想要”，避免AI收敛到有害的均衡点 [19][30][33] - 现有基于奖励模型和强化学习的对齐方案，其简单的统计模型可能无法完美表达复杂、有时存在循环（如投票悖论）的真实人类偏好 [29][30] - AI由人类数据训练而来，会继承人类偏好，同时其价值观也在反向影响年轻用户，形成了一个双向塑造的过程 [28] - AI对社会整体结构的影响和演化，更接近经济学的研究范畴，需要从更宏观的视角进行审视 [26][27] AI可解释性的根本挑战与替代路径 - 认为将AI彻底“白盒化”极不现实，因为人类连自身大脑都未完全理解，理解更复杂且不断增长的“硅基大脑”难度更大 [5][53] - 模型能力（Scaling）的增强往往以可解释性减弱为代价，因为AI的发展目标并非可解释性本身 [52] - 可解释性研究可能需要重新定义“理解”的概念，未来可在“有限黑盒”条件下，结合机制证据与行为表现寻找平衡方案 [49][62] AI学术生态与评审机制 - 提出并推动了一项AI学术评审新机制：要求作者对自己的多篇投稿进行质量排序，该机制已于2026年在ICML会议上正式投入使用 [9][20] - 指出当前学术审稿存在滑向低质量均衡的风险：因投稿量激增、审稿人疲劳，导致审稿质量下降的恶性循环 [34] - 认为AI审稿在“信息抓取”类任务上优于人类，但若普遍使用少数几个主流AI，将导致审稿意见缺乏多样性，失去其核心价值 [36][39][40] - 对AI生成学术论文中的“幻觉”问题发出严重警告，虚假引用一旦进入知识体系并被多次引用，将对人类知识传承造成巨大危害 [42][43][44] 对AI理论发展的根本性判断 - 提出一个核心论断：AI需要一套全新的数学语言，因为现有数学体系（伴随物理学发展而来）可能从根本上就不适合描述AI [12][83] - 将AI类比为一种“新的物理”，但其结构与经典物理相反：物理学是“从小到大”（从底层机制推导宏观行为），而AI是“从大到小”（先定宏观框架，再训练确定参数） [13][82] - 呼吁更多受过纯数学训练的人才进入AI领域，共同创造一套更优美、更适合AI的数学框架，其意义不亚于经典力学或相对论的创立 [14][15][84][85] AI时代的教育与人才培养 - 认为大学教育体系依然重要，其中的老师指导和考试反馈机制有助于打牢基础，这是完全自学或仅靠AI对话难以替代的 [19][96][97] - 指出AI领域“结果至上”，独立研究者可能在GitHub上做出有影响力的项目，但其成果有时错误较多、质量波动大，凸显了系统训练和反馈机制的价值 [91][94][95] - 建议学生主动学习、积极利用AI进行探索和创造，因为在AI时代，被动学习与主动探索者之间的能力差距可能会被拉大到数个数量级 [108][109] - 对于高等教育路径，建议美国学生先完成学业，而国内学生若准备充分也可勇敢尝试，同时指出大厂内部的算力资源也并非无限 [100][99][101] 跨学科思维与AI研究 - 苏教授的经济学双学位背景（源于偶然）为其提供了关键思维方式：认识到真实世界是混沌的，许多问题只能近似描述，终极理性可能并不存在 [22][24] - 这种经济学思维使其更关注“人”的共同体以及社会结构，从而将AI对齐问题置于更广阔的人类社会互动背景中进行研究 [25][26] - 强调在AI这样由数千万人参与的宏大系统中，计算机、数学、经济学等不同背景的参与者从各自角度推进，没有孰优孰劣之分 [77] AI工具的应用与学术界前景 - 苏教授本人在研究工作中深度使用AI，将其视为“随身合作者”，在思路形成早期即进行交流，AI的反馈有时甚至会改变其原有研究方向 [102][103] - 认为当前学术界人才流向产业界可能是短期现象，随着Scaling Law边际收益下降，业界将更关注如何在资源受限下提升效率，而这正是学术界擅长的范式 [104][105] - 指出现有的大学培养模式大多不适合AI时代，导致学生就业受冲击，并引用陶哲轩的观点，认为数学等学科的教学方式两百年未变，AI将迫使这一局面改变 [105][106][107]