AI 加速了科学，也在掏空大学

获得诺贝尔奖两年后， 的原班人马已被拆分。

按照《金融时报》所进行的报道, 论文的相当多原始作者在往昔一年时间当中已经被再度分配, 当中全职核心作者里有接近四分之一已经完全离开了。

留下来的人也转而投身于, 科研Agent领域, 酶设计领域, 基因组学领域, 以及核聚变有关领域, 甚至还有些人直接前往了, 旗下的那家名为Labs的药物研发公司。

纵使是荣获诺奖的 John 以及 Jonas Adler, 也曾在一段时间被调进 Code 团队, 承担起主攻 AI 能力这一重任。然而后续的情况大家都清楚, 这两位极具影响力的人物最终还是选择转投别处。

排在左边位置的是CEO Demis, 处于右边位置的是John, 原本报道所对应的链接。

对于这一回的报道, 身为负责 AI for 的研究副总裁的 Kohli 作出回应讲, 其科学团队并未转变方向, 仅仅是拓宽了工作范畴, 依旧在推行蛋白质、基因组以及酶设计, 并且凭借 促进科学研究。

曾经, 它代表着一种相对传统的科研组织方式, 围绕着一个清晰可见的问题而组建团队, 在较长的时间段里持续投入, 致力于集中各类资源, 最终实现成果的交付。

如今, 类似团队当前已然正逐步被更加通用的模型平台使先前位置被取代。蛋白质, 数学, 基因组, 核聚变以及代码, 似乎看上去分别归属于不一样的学科, 然而在进入到AI公司之后, 却通通都能够变成特定的一组能力模块。

同一时间, 科研方面的人才, 还有算力资源, 并且议题的主导权, 也都愈发集中于少数几家AI公司之手。

「我要加入 」

前些年, 数目渐丰的数学家, 以及物理学家, 还有生物学家, 再加上计算机科学教授, 纷纷踏入AI行业。

例如, 始终都在招募物理学家, 还有经济学家以及哲学家；搜罗那些研究黑洞的人, 弦理论以及纯数学方面有相关研究的人；并且也汇聚了生物学专家与人从事核聚变研究工作的专家。

就在不久之前, 亚利桑那州立大学的教授进行了调侃说, 学术圈子在最近这段时间多出来了一个梗, 那就是「我要加入。」。

依据《大西洋月刊》进行的粗略统计, 仅仅四家处于头部位置的AI公司, 已然聚集了数量达到至少80多名的, 有着现任或者前任教授身份的人员。

人才流动的方向也越来越单一。

据斯坦福大学《AI Index 》所显示的情况可知, 在2011年的时候, AI博士毕业之后进入企业的比例, 跟进入学术界的比例, 大致是相当的, 其中进入企业的比例为40.9%, 进入学术界的比例为41.6%。而到了2022年, 进入企业的比例上升到了70.7%, 进入学术界的比例下降到了20%。

一篇在2026年的NBER工作论文, 对约4.2万名美国AI研究者进行了追踪, 40岁以下研究者离开大学的概率, 大概是40岁以上人群的六倍, 约70%的转职者在五年后依旧留在公司。

钱无疑是相当重要的, 企业当中处于顶尖 1%的 AI 研究者, 其年收入, 历经变化, 从 59.5 万美元不断上涨, 升至 194 万美元, 而大学处于同一梯队的研究者, 年收入水平, 同样出现变化态势, 仅仅从 30.1 万美元增长到 39.2 万美元, 二者之间的差距, 持续拉大, 最终扩大到了约 150 万美元。

更难拒绝的是科研条件。

在2010年代初期的时候, 大约65%的大规模机器学习模型是被学术实验室独立开发出来的, 进入2020年代以后, 这一比例下降到了不足10%, 到2022年, 大约81%的前沿模型是已经由企业独立做完的。

加入UC时已明确自身诉求的教授Anca, 提出了需前沿安全研究所必备之数据，也需要其具备的算力, 同时还需要该研究所相应预算所覆盖提供之资源。

相比之下, 一项研究于大学里或许得先去申请经费, 尔后采购设备, 接着招聘工程人员, 随后等待计算资源排期。进入AI公司之后, 同一研究者能够直接运用大型模型, 使用专有数据, 凭借分布式算力以及数百人的工程体系。

只是, 有一位顶尖教授离开了大学, 其损失远远不止是几篇论文那么简单。大学会同时失去一名导师, 还会失去一个课题组, 也会失去一条博士生培养链, 并且还会失去未来十几年所可能形成的研究方向。

以往的时候, 科技公司是从大学那里去购买研究成果的。而如今, 它们开始直接着手去购买那个生产研究成果的人了。企业所获取到的正是一个人, 然而大学所失去的很有可能却是一代人。

当然, 将所有这样的人才流动, 都看成是学术界走向衰落的表现, 这其实也会把企业科研正因之而创造出来的价值给低估了。

已证实, 企业能够产出改变科学史的成果, 两亿多个蛋白质结构预测, 使大批生物学家省去以往数月乃至数年的工作?

企业研究院能改变科学, 这早已被贝尔实验室证明, 在其处于鼎盛时期时, 它有着约1200名博士, 产出了至少10项诺贝尔奖, Demis多次将它当作参照物。

确实, AI公司愈来愈象那种跨多个学科的, 具备强大工程能力以及商业出口的新型研究院。

将其接入于数学、基因组以及核聚变, Labs与药企联手去研发新药, 推出某事物, 而另外某个则把某物和Codex塞入科研流程。

取得了相关成果, 物理学家Jorge运用AI开发了开源核聚变软件, 理论计算机科学家Barna Saha等人借助GPT - 5.5 Pro辅助高维几何证明, 称约有130万人每周运用其处理高阶科学和数学任务, 且作了向10万名高校研究者免费开放前沿模型和Codex的计划。

说起个人影响力, 当一名科学家进入企业之后, 其作用说不定反而会被放大不少。就像之前讲到的那样, 他在大学里多半能带十几名学生, 然而在AI公司, 却有能力调动数百名工程师, 以及海量计算资源, 还有全球性数据平台。原本只停留在论文里的方法, 这下也更有机会进入药物, 还有软件, 甚至实验设备, 进到产业系统之中, 形成更大影响力且得以被放大。

但代价也是不言而喻的。

有研究源于 NBER 发现, AI 学者在长期转入企业后, 论文产量于平均状况下减少了 65%。在 2000 年至 2019 年这个时间段内, 企业所雇用的 AI 研究者, 其占比从 48% 上升到了 68%, 然而论文占比只是从 27% 提升到 32%, 专利占比却从 86% 升至 95%。

人依旧对于其展开着研究, 然而成果却从论文朝着专利、内部模型以及商业机密的这类方向进行了流转。在当年予以公开之后 , 从而培育壮大了整个行业。而现在 , 训练数据 , 模型权重和失败记录 , 越来越难以摆脱企业的服务器。

科学仍在加速，开放科学却可能踩下刹车。

科学家没有离开科学，科学正在离开大学

AI 公司可以成为研究院，却很难成为大学。

大学承担着一项工作, 这项工作常常被忽略, 它要训练大量学生, 这些学生尚未证明自己, 它还要长期保存问题, 这些问题暂时没有应用, 无法定价, 甚至几十年后才可能显现价值。

不过呢, 人工智能公司喜爱那些已然证明自身的教授以及资深研究者, 对于培育新人没那么具备耐心。有数据表明, 在二零二四年, 新毕业的学生仅仅占据大型科技公司招聘人数的百分之七, 相较于二零一九年而言, 下降了超过一半。

企业一方面从大学吸纳顶尖教授以及成熟研究者, 另一方面削减初级岗位还有培训投入, 它们能够聚拢一批顶尖科学家, 然而不一定会担负起大规模培育下一代科学家的义务。

已开始在大学课堂里呈现出相关影响, 《大西洋月刊》所采访的学生察觉到, 存在一些课程忽然停开, 其缘由极为现实, 乃是教授前往AI公司进行所谓的“休假”了。

同时, 在明星教授离开之后, 博士生所失去的, 并非仅仅是一门课程, 也涵盖了推荐资源, 还有研究网络, 以及课题组织能力, 更有接触前沿问题的机会。

更潜移默化的变化发生在研究课题上。

药物设计, 可增强模型, 还能形成产品, 编程, 能增强模型, 也可形成产品, 数学推理, 会增强模型, 并且能形成产品, 材料发现, 能增强模型, 还会形成产品, 如此自然更容易拿到资源支持。长期野外研究选题往往处于尴尬的处境, 生态保护选题往往处于尴尬的处境。

然而，历史偏偏喜欢和短期回报开玩笑。

曾经被视作最为纯粹、最欠缺实用价值的数学数论, 后来竟成为现代密码学的根基, 激光刚冒头时, 还曾被叫做「一个寻觅问题的解决办法」, 互联网早期同样没法靠商业模型去衡量。

公共科研体系具备着意义, 这个有着在于, 它可以让人类去开展研究, 研究的是那些暂时没办法作出价值解释的问题。

当今的AI公司, 处在模型性能、产品发布以及资本投入的高强度竞争态势里, 即便其有着投资基础科学的意愿, 然而资源更倾向于流向能强化模型、支撑产品或者形成专利的那些方向。

未来很可能出现一种别扭的繁荣。

拥有历史上最强工具的最强科学家, 能让人类更快速地找到新药, 能让人类更快速地证明定理, 能让人类更快速地发现材料。同时, 谁来决定研究层面的相关内容, 谁来负责培养下一代科学家, 以及谁又心甘情愿持续开展那些没有付费方的研究, 这些都成为了问题。

科学家没有离开科学。只是科学，正在加速逃离大学。

大学, 有时我会把它跟AI公司, 想像成一条河的两端。大学, 就更加像是上游。水流它是很慢很慢的, 泥沙那可是相当多的。大量的支流, 看起来好像是根本毫无用途的。有人在那里做测量、做记录、进行争论, 也有人花费一辈子的时间, 去研究一条到最后都没有流向城市的小溪。

AI公司更似处于下游位置的水电站, 它们能够将水流予以集中, 借助水流驱动机器运转, 进而产生出巨大的能量, 凭借此能量把科学快速送达至药物、软件以及产业领域。

水电站当然重要。没有它，河水只是流过去。

要是所有人都跑到下游去发电, 上游的水源会慢慢干涸, 几年之后, 大家只能坐在机房里, 等待着一条不会再来的河。

当数学家花费精力去进行模型改进时, 生物学家投入努力去开展 Agent 训练, 物理学家致力于拓展算力边界, 人类有可能获得更为强大的 AI。遗留在后面的那些问题, 不存在产品路线, 没有投资回报, 并且当前暂时没办法对用途作出解释。

它们很安静。安静到很容易让人误以为，它们并不重要。

作者；莫崇宇