随着人工智能能力持续扩展，大学现在面临着如何应对日益增多挑战以及新机遇的复杂而紧迫的问题。目前有大量关注投向这一议题，其中包括麻省理工学院今年夏天发布的一份关于AI与教育的报告。
麻省理工学院统计与数据科学中心主任萨沙·拉赫林（Sasha Rakhlin）是数据、系统与社会研究院（IDSS）及脑与认知科学系的杰出教授，他撰写了一篇新文章，综合了近期关于AI如何改变学术界（尤其是数学、统计学、机器学习和工程学领域）的讨论与阅读材料。在这篇文章中，他主要聚焦于研究生阶段的研究与教育，描述了院系与大学需要思考的关键问题，以及今后应如何更好地与AI协作。
问：研究领域正在发生哪些变化？为何变化如此迅速？
答：数学领域很好地说明了AI能力提升的速度之快。去年，有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个千年大奖难题的解决方案。曾经能够证明高超数学能力的任务，如今越来越多地可以由AI完成。
决定AI在某一特定学科中进展速度的核心因素，是验证的速度与可靠性。形式化的证明可以自动检查；程序可以运行并测试。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AI研究本身：改进模型、训练流程以及支撑工具。更好的模型可以推动下一轮的发展，从而形成一个不断累积、加速进步的过程。
对于经验丰富的研究人员来说，这为他们提供了探索此前因技术难度而无法触及的问题的机会。这也让“得到一个解”和“理解其为何有效、哪些可以推广、下一步该问什么问题”之间的区别变得更加清晰。然而，我们不应假设抽象能力、判断力或问题构建能力将始终超出AI的范畴。大学应当为一个不远的未来做好准备：在许多（或许是大多数）智力工作方面，AI可能比我们所有人都更聪明。
问：院系应如何重新思考学术评价与研究生培养？
答：在越来越多的学科中，一篇精心打磨的论文正逐渐成为衡量个人专业能力的较弱信号。院系现在必须开始重新思考他们所奖励的内容，而不是简单地把“AI尚未能做到的事”定义为有价值的工作。提出好问题、重复验证、思想综合、具有信息价值的负面结果，以及共享数据集，或许应当获得更多认可。更广泛地说，评价体系应当确立研究人员的贡献，以及其对工作所承担的智力责任，即便工作中有相当大部分是由AI完成的。这些期望应当指导招聘、晋升和资助决策，并对现有及新入学的博士生明确说明。
培养方式则是一个更棘手的问题。智力能力是通过锻炼发展起来的。常规计算、编程、失败的尝试和小发现，长期以来帮助学生获得直觉和判断力。将这些工作交给AI完成，可能会剥夺学生的成长经历，即便AI让学生能够尝试更有野心的项目。我们需要区分哪些是不必要的阻碍，哪些是专业能力得以培养的必经之路。学生应当学会提出问题、审核模型输出、复现结果，并为自己的选择进行论证。随着这些工具的使用，基础知识可能会变得更加重要，因为它是善用这些工具的根基。
问：麻省理工学院和其他大学现在应当建设什么？
答：这正是我认为大学真正拥有机遇的地方。首先要明确目标：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优先事项能够覆盖科学的广度，或与科学长期保持一致。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，可能是其实验室中积累的知识与经验。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，以及某种方法未能成功的原因，往往从未被发表出来。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失败，以及为什么会失败。这些缺失的背景信息，可能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。这些局限可能是暂时的，捕捉负面结果以及科学家的解读，可能会让模型在科学探索方面表现得更好。
我们可以设想这样一个未来：麻省理工学院的各个实验室通过共享的AI研究基础设施连接在一起，更像是一个单一的、活跃的科学有机体。举例来说，假设某个神经科学实验室需要更好的方法来对显微镜图像中的神经元进行分割。一个AI智能体可以识别出计算机视觉团队中某项相关的进展，将研究人员联系起来，提出基准测试方案，并帮助他们不断迭代。它还可以向学生和教师呈现尚未解决的问题，并将一个实验室的经验教训提供给其他实验室使用。要实现这一点，我们应当建立能够捕捉假设、干预措施、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，让智能体能够在适当权限下跨实验室使用工具和信息。这需要现在就在计算资源、安全数据系统以及AI模型适配与后训练方面的专业能力上，进行大量的公共与机构投资。
追踪这一过程还可以保留思想的脉络，让贡献（包括研究生的贡献）更容易被识别出来。有了关于同意与署名的共识规则，研究人员可以更加开放地协作，同时更有信心自己的工作会被认可。这也有助于回答前面提出的问题：如何识别和奖励智力贡献。
AI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更多来源的信息，而它们建立有用关联的能力将继续提升。我们应当利用这种能力，把大家团结起来共同攻克困难的科学与工程问题，帮助彼此在各自的优势和见解上相互补充。在我看来，这是一条充满希望的前进道路，但大学现在就需要投入资源，才能让这一切成为可能。
Q&A
Q1：AI在数学研究领域目前发展到什么水平？
A：去年AI模型在国际数学奥林匹克竞赛中达到了金牌水平，仅一年后，模型已能产出新的研究成果，包括最近提出的一个千年大奖难题的解决方案，发展速度非常快。
Q2：院系应该如何评价学生和研究人员借助AI完成的学术成果？
A：评价体系应当确立研究人员的具体贡献及其承担的智力责任，即便工作中有相当部分由AI完成，同时提出好问题、重复验证、思想综合等也应获得更多认可。
Q3：大学应该如何建设才能更好应对AI带来的变化？
A：大学应建立能捕捉假设、干预、结果与失败经验的工作流程，并通过共享AI研究基础设施将各实验室连接起来，同时在计算资源、数据系统和专业人才上进行大量投资。
