文章核心观点 - 著名数学家陶哲轩以联合创始人身份发起非营利组织SAIR Foundation，旨在重塑AI与科学的关系，其两大核心目标是：用科学的方法打造AI，以及借助AI重塑基础科学研究 [2] - SAIR Foundation希望成为连接学术界与产业界的桥梁，通过跨学科、全球化的协作，推动AI x Science的发展，最终实现AI的普惠化，让更多人能够参与科研 [2][5][47] - AI在科研领域的应用面临幻觉、可解释性、数据质量等关键挑战，需要发展垂直、专用的AI工具和严格的工作流，而不仅仅是追求模型规模的扩大 [16][21][26] - 数学和基础科学是发展可靠AI的理想试验场，其成果有望迁移至高风险的金融、医疗等领域 [48][54][56] - 未来的科研模式将向大规模、多元化团队协作演变，AI将降低科研门槛，改变研究者的能力结构和高等教育的培养方式 [63][68][114] SAIR Foundation的成立背景与目标 - 发起动机：陶哲轩认为AI将从根本上改变科研模式，需要探索在科研场景中合理、高效运用AI的最佳实践，而SAIR这样的组织能提供更灵活、创新的支持 [10] - 核心目标：一是用科学的方法打造AI；二是借助AI重塑基础科学研究 [2] - 组织性质：非营利性联盟，旨在连接学术界和产业界，团结和帮助更多年轻科学家 [2] - 创始团队：由陶哲轩与Chuck NG联合创立，并汇集了包括多位诺贝尔奖和图灵奖得主在内的顶尖专家 [4][12] - 产业界参与：启动活动汇聚了NVIDIA、OpenAI、Amazon、Microsoft等全球顶尖科技企业代表，为跨领域协作奠定基础 [13] 当前AI应用于科研的挑战与短板 - 幻觉问题：模型会产生幻觉，这对需要可验证、可信赖系统的科研而言是严重问题 [16] - 可解释性与可追溯性不足：模型给出的想法往往不说明来源，缺乏与已有知识体系的规范连接和引用，科学发现需要可追溯性和系统性连接 [16] - 数据瓶颈：许多细分科学领域缺乏高质量、结构化的数据，这是AI落地的主要障碍 [18][34] - 置信度表达缺失：AI几乎总是以百分之百确定的语气给出答案，而科学家通常会说明结论的信心程度，若AI能表达不同层级的置信度，其实用性将大幅提升 [11][20] - 效率低下：现有AI解决复杂问题往往很低效，需要数百万训练样本和上百次运行，而人类可能看十个例子就能举一反三 [21] AI for Science的发展路径与方法论 - 需要垂直AI：科研领域不能直接使用通用大模型，需要专门为科研设计、或嵌入更严格框架的AI工具，配合强有力的验证和校验机制 [16][17] - 从“Scaling”到“Scaling the Science of AI”：长远看，单纯依赖数据、算力规模扩大的路径会撞墙，科研更需要为特定工作流量身定制的专用工具，而非最大、最通用的模型 [20][21] - 改进人机协作：需要改进交互模式，让研究者能看到并介入推理过程，而非仅仅获得最终答案 [23] - 提升数据质量：在科研中，提升数据质量的重要性不亚于提升模型本身，需警惕低质量合成数据污染数据集的风险 [26][35] - 建立信任：目标是让AI达到“默认值得信任”的水平，使其能像汽车一样成为可靠的日常工具 [28][29] AI对科研生态与全球格局的潜在影响 - 科研普惠化：AI将显著降低参与严肃科学研究的门槛，未来可能有论文拥有成千上万的作者，包括非传统背景的参与者 [5][68][70] - 改变科研模式：科研将更多以大规模、多元化团队形式展开，沟通、协作等“软技能”以及把握方向的“品味”变得更重要 [63][64][65] - 重塑合作网络：SAIR旨在基于IPAM等机构的成功经验，建立一个全球化、跨学科、紧密连接真实科学问题的合作网络 [44][46][47] - 影响科研分工：未来可能出现比过去更细致的分工，如有人负责长期愿景，有人擅长与AI深度协作等，为科学做贡献的能力类型将更丰富 [66][67] - 推动跨学科融合：AI是促成跨学科互动的重要催化剂，正帮助打破学科壁垒，让数学、生命科学、社会科学等领域的交流合作变得更顺畅 [11][97][100] 对青年研究者培养与高等教育的启示 - 平衡AI与基础训练：需警惕过度依赖AI削弱独立思考能力，应为年轻研究者保留有价值的训练过程，在积累足够经验后再逐步引入自动化 [11][57][58] - 重视榜样与导师制：培养年轻研究者最重要的是树立榜样，让杰出科学家分享在挫折中坚持的经验，SAIR希望通过支持暑期学校、研讨班等项目支持青年成长 [75][76][78] - 高等教育需寻找新平衡：大学需要教会学生负责任地使用AI，知道何时该用何时该克制，未来教育可能更多转向小组项目和协作式学习，强调批判性思维与问题解决能力 [11][105][116][117] - 应对成本与价值质疑：美国顶尖大学四年费用接近40万美元，在AI提供新学习路径的背景下，大学需调整培养模式，更紧密地与产业界对齐，以证明其价值 [120][121] - 探索新的教育形式：可通过暑期学校等密集项目更快迭代课程内容，以适应AI发展节奏，不受传统学期制度束缚 [122] 数学与AI的相互促进及陶哲轩的实践 - 数学是AI的安全试验场：算错一道数学题几乎没有损失，是打磨可靠AI系统的理想环境，其成果可迁移至金融、医疗等高风险领域 [11][54][56] - 数学研究方式的变革：陶哲轩目前约一半时间仍在传统纯数学研究，另一半则探索与新技术结合的方式，如形式化验证、利用GitHub进行版本控制等“数学工程”实践 [80][82][83] - AI在数学中的辅助角色：陶哲轩将AI用于文献检索、写作自动补全、总结长文本、生成可视化等辅助环节，但在深度思考和研究级难题解决时仍依赖传统方式 [87][89][90] - 数学从软件工程中学习：未来的数学可能越来越像软件开发，成为一个拥有成熟工作流、工具和分工的行业 [94][95] - 跨学科合作增加：AI工具帮助理解不同领域的语言和工作方式，使得陶哲轩等数学家能与产业界等更多元背景的人合作，学科壁垒正在降低 [99][100][103]