3个问题：AI在学术界的最佳前进道路是什么？
内容提要
MIT统计与数据科学中心主任拉赫林指出，AI在数学等领域进步迅速，验证速度成为关键。大学需重新定义学术贡献与研究生培养，重视提问、复现和判断力，并建设共享AI科研基础设施，记录失败经验，推动跨实验室协作，加大算力与数据系统投入。
延伸解读
验证速度决定AI进步节奏
拉赫林指出，AI在数学等领域的快速进步，关键在于验证的速度和可靠性。形式化证明可自动检查，程序可运行测试，因此AI能快速生成候选方案、从结果中学习并迭代。这种反馈循环也适用于AI研究本身，形成复合加速效应。对于其他学科，验证越慢越不可靠，AI进步就越受限。
学术评价需重新定义贡献
在AI能生成论文的时代，一篇精美论文不再是个人专业能力的强信号。拉赫林建议，院系应重新考虑奖励什么，但不应简单定义为“AI还不能做的事”。提问、复现、综合、有信息量的负面结果、共享数据集等应获更多认可。评价应明确研究者贡献并承担智力责任，即使大部分工作由AI完成。这些期望应指导招聘、晋升和资助，并对博士生明示。
研究生训练要区分摩擦与成长
训练是更难的问题。智力肌肉需要锻炼，常规计算、编码、失败尝试和小发现长期帮助学生获得直觉和判断力。将这些工作委托给AI可能移除形成性经历，即使AI让学生尝试更宏大的项目。拉赫林强调，需区分不必要的摩擦与真正发展专业能力的工作。学生应学会提出问题、审查模型输出、复现结果并捍卫选择。基础可能因作为用好工具的基础而更有价值。
大学应建设共享AI科研基础设施
拉赫林认为，大学的机会在于追求长期问题、公开分享结果并独立评估主张。与产业合作必要，但不能假设商业优先事项覆盖科学广度或长期一致，因此需要一定技术独立性。学术界最重要的战略资产是实验室积累的知识和经验，包括未发表的失败实验和隐性知识。他设想MIT实验室像单一生命体，通过共享AI研究基础设施连接，捕获假设、干预、结果、失败和解释，并需投资算力、安全数据系统和模型适配专长。
Q&A
为什么AI在数学领域进步这么快？
因为数学中验证速度快且可靠，形式化证明可自动检查，程序可运行测试。系统能快速生成候选、从结果学习并改进，形成复合加速过程。
大学应如何重新定义学术贡献的评价标准？
应更重视提出好问题、复现、综合想法、有信息量的负面结果和共享数据集，并明确研究者的实际贡献和学术责任，包括AI参与的部分。这些应指导招聘、晋升和资助。
AI时代研究生培养面临哪些挑战？
常规计算、编码、失败尝试等是培养直觉和判断力的重要练习，委托给AI可能剥夺这些成长经历。学生需学会提出问题、审查模型输出、复现结果并捍卫选择，基础可能更有价值。
大学应建设什么样的AI科研基础设施？
应建设共享AI科研基础设施，连接各实验室，捕获假设、干预、结果、失败和解释，让AI代理跨实验室使用工具和信息。需投资算力、安全数据系统和模型适配专业知识。
为什么记录失败经验对AI科研重要？
已发表论文是选择性记录，失败实验、放弃方向和原因常未发表。科学家拥有隐性知识，记录负面结果和解释可帮助模型更好预测后果，提升科学探索能力。
大学与产业合作时应注意什么？
产业合作必不可少，但不能假设商业优先事项会覆盖科学广度或长期一致。大学需保持一定技术独立性，以追求长期问题、公开分享结果并独立评估主张。
