随着人工智能能力不断扩展，大学现在面临着复杂而紧迫的问题，需要应对日益增长的挑战，同时也要把握新的机遇。今年夏天发布的一份关于人工智能与教育的MIT报告，就将大量关注引向了这一议题。
MIT统计与数据科学中心主任萨沙·拉赫林（Sasha Rakhlin）是数据、系统与社会研究所（IDSS）及脑与认知科学系的杰出教授，他近日发表的一篇文章，综合梳理了关于人工智能如何改变学术界——尤其是数学、统计学、机器学习和工程学——的近期讨论与研究。在这篇主要聚焦于研究生科研和教育的文章中，他阐述了各院系和大学需要思考的关键问题，以及今后如何更好地与人工智能协作。
问：科研领域正在发生什么变化？为什么变化如此之快？
答：数学领域很好地说明了人工智能能力提升的速度之快。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。仅仅一年之后，模型已经能够产出新的研究成果，其中包括最近提出的一项针对"千禧年大奖难题"之一的解决方案。曾经能够证明高超数学能力的任务，如今越来越多地能够由人工智能来完成。
决定人工智能在某一学科领域进步速度的核心因素，是验证的速度和可靠性。形式化的证明可以自动检验，程序可以运行和测试。在评估快速且可靠的领域，系统能够生成候选方案、从结果中学习并不断改进。这一点同样适用于人工智能研究本身：改进模型、训练流程及其配套工具。更好的模型又能为下一轮开发做出贡献，由此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，这带来了去探索那些此前因技术门槛过高而难以触及的问题的机会。这也使"得出一个解"与"理解它为何有效、哪些可以推广、接下来该问什么"之间的区别变得更加鲜明。然而，我们不应假设抽象思维、判断力或问题构建能力将永远超出人工智能的能力范围。大学应当为不远的将来做好准备——在许多，甚至可能是大多数智力工作方面，人工智能将比我们所有人都更聪明。
问：各院系应该如何重新思考学术评价与研究生培养？
答：在越来越多的领域，一篇精雕细琢的论文正在变成衡量个人专业能力的较弱信号。各院系必须现在就开始重新考虑应当奖励什么，而不是简单地把"有价值的工作"定义为人工智能目前还做不到的事情。提出好问题、重复验证、思想综合、有信息价值的负面结果以及共享数据集，或许应当获得更高的认可。更广泛地说，评价体系应当确立一名研究者贡献了什么、并对其承担智力责任，包括工作的相当一部分是由人工智能完成的情况。这些期望应当用来指导招聘、晋升和经费资助，并向现有及新入学的博士生明确说明。
培养问题则更为棘手。智力能力是通过锻炼发展起来的。长期以来，常规计算、编程、失败的尝试以及小的发现，一直在帮助学生培养直觉和判断力。将这些工作外包出去，可能会剥夺学生成长所需的经历，尽管人工智能也让学生能够尝试更有雄心的项目。我们需要区分哪些是不必要的阻力，哪些是培养专业能力所必经的工作。学生应当学会构建问题、审核模型输出、复现结果，并为自己的选择进行辩护。随着这些工具的使用，基础知识可能会变得更加宝贵，因为它是善用这些工具的根基。
问：MIT和其他大学现在应该构建什么？
答：这正是我认为大学真正拥有机会的地方。首先让我们明确目标：大学应当能够在长时间跨度内追求问题的答案、公开分享成果，并独立评估各种主张。与产业界的合作将是必不可少的，但我们不应假设商业利益的优先事项能够覆盖科学的广度，或者能够长期保持与科学目标一致。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，或许正是其实验室中积累的知识和经验。已发表的论文呈现的是一种经过筛选的记录：失败的实验、被放弃的研究方向，以及某种方法未能奏效的原因，往往都没有被发表出来。科学家和工程师掌握着通过经验获得的隐性知识，知道哪些干预措施可能会失败、以及为什么会失败。这种缺失的背景信息，或许有助于解释为什么模型目前在某些领域——尤其是实证科学领域——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，如果能够捕捉负面结果以及科学家的解读，模型在科学探索方面的能力可能会大幅提升。
我们可以设想这样一个未来：MIT的各个实验室通过共享的人工智能研究基础设施连接起来，运作得更像一个单一的、有生命力的科学有机体。举例来说，假设某个神经科学实验室需要更好的方法来分割显微图像中的神经元。一个人工智能智能体可以识别出某个计算机视觉团队的相关进展，将研究者们联系起来，提出基准测试方案，并帮助他们不断迭代改进。它还可以向学生和教师展示尚未解决的问题，并让一个实验室的经验教训惠及其他实验室。要实现这一点，我们应当构建能够记录假设、干预、结果、失败以及解读的工作流程。共享系统应当将这些工作流程连接起来，允许智能体在适当权限下跨实验室使用各种工具和信息。这将需要现在就在算力、安全数据系统以及人工智能模型适配与后训练的专业能力方面，投入大量的公共和机构资源。
对这一过程进行追踪记录，还可以保存思想的传承脉络，使包括研究生在内的各方贡献更容易被识别认可。有了关于同意和署名的共识规则，研究者们就能够更加开放地展开合作，并更有信心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。
人工智能系统已经能够综合并推理来自比任何个人研究者所能吸收的信息源更多的信息，而且它们建立有用关联的能力还将持续提升。我们应当利用这种能力，让大家围绕困难的科学和工程问题团结起来，帮助彼此在各自的优势和见解基础上更进一步。在我看来，这是一条充满希望的前进道路，但大学需要从现在开始投入，才能使之成为现实。
Q&A
Q1：人工智能在数学研究领域目前取得了哪些进展？
A：去年，一个人工智能模型达到了国际数学奥林匹克竞赛的金牌水平。仅一年之后，模型已能够产出新的研究成果，包括最近提出的针对"千禧年大奖难题"之一的解决方案。曾经能够证明高超数学能力的任务，如今越来越多地能由人工智能完成。
Q2：大学应该如何重新评价学生和研究者的学术贡献？
A：评价体系应当确立一名研究者贡献了什么、并对其承担智力责任，即便工作的相当一部分是由人工智能完成的。提出好问题、重复验证、思想综合、有价值的负面结果以及共享数据集，都应获得更高认可，而不仅仅看重最终发表的论文。
Q3：MIT设想中的未来实验室协作模式是什么样的？
A：MIT设想各实验室通过共享的人工智能研究基础设施连接起来，运作得像一个统一的科学有机体。比如人工智能智能体可以帮助不同领域的研究者发现彼此的相关进展，促成合作，并将一个实验室的经验教训应用到其他实验室中。
