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，验证快的学科发展更快。大学须重新思考学术评价与研究生培养，重视提问、复现与责任归属，并投资共享AI科研基础设施，以保存隐性知识、促进跨实验室协作。
延伸解读
验证速度决定学科AI化节奏
文章指出，AI在数学等领域的快速进步，关键在于验证的快速与可靠。形式化证明可自动检查，程序可运行测试，这使得系统能生成候选、从结果中学习并迭代。因此，验证快的学科AI发展更快，而验证慢的领域则相对滞后。这一规律也适用于AI研究本身，形成 compounding 加速。
学术评价需转向贡献与责任
随着AI能产出 polished paper，论文作为个人专长信号的作用减弱。文章建议，院系应重新定义奖励什么，重视提问、复现、综合、负面结果和共享数据集，并明确研究者的实际贡献与责任，包括AI参与的部分。这些期望应指导招聘、晋升和资助，并向博士生明示。
研究生训练要区分摩擦与成长
文章强调，智力肌肉需通过练习发展。常规计算、编码、失败尝试和小发现是学生获得直觉与判断力的关键。完全委托给AI可能移除这些形成性经历。学生应学会提出问题、审计模型输出、复现结果并捍卫选择。基础功底可能因AI工具的使用而更有价值。
大学应投资共享AI科研基础设施
文章认为，大学应追求长期问题、公开分享结果并独立评估。与产业合作必要，但商业优先事项未必覆盖科学广度。学术界的战略资产是实验室中的隐性知识，包括失败实验和未发表的方向。通过共享AI基础设施，可捕获假设、干预、结果、失败与解释，连接各实验室，保存知识谱系，并更易认可研究生贡献。
Q&A
为什么AI在数学等领域进步特别快？
因为数学等领域的验证速度快且可靠，例如形式化证明可以自动检查，程序可以运行测试。在评估快速可靠的领域，AI系统能生成候选方案、从结果中学习并改进，形成加速进步的复合过程。
AI时代大学应如何重新思考学术评价？
大学应重新考虑奖励什么，不应简单定义为AI不能做的事。提问、复现、综合想法、有信息量的负面结果、共享数据集等应获得更多认可。评价应明确研究者的贡献和智力责任，包括AI完成大部分工作的情况，并指导招聘、晋升和资助。
研究生培养在AI背景下需要做出哪些调整？
需要区分不必要的摩擦和培养专业能力的工作。学生应学习提出问题、审查模型输出、复现结果并捍卫自己的选择。常规计算、编码、失败方法等传统训练有助于培养直觉和判断力，不能完全委托给AI。基础知识可能变得更有价值。
大学为什么需要投资共享AI科研基础设施？
因为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。共享AI基础设施可以连接各实验室，让AI代理识别相关进展、连接研究者、提出基准并帮助迭代，从而保存隐性知识、促进跨实验室协作。
AI在经验科学中面临哪些局限？
AI模型在经验科学等领域难以预测专家清楚的结果，部分原因是已发表论文只呈现选择性记录，失败实验、放弃的方向和失败原因往往未发表。科学家和工程师拥有通过经验获得的隐性知识，这些缺失的背景可能解释模型的困难。
大学如何利用AI促进跨实验室协作？
可以构建共享AI研究基础设施，让实验室像单一生命科学有机体一样连接。例如，AI代理能识别相关进展、连接研究者、提出基准并帮助迭代，还能向学生和教师提出未解决问题，使一个实验室的经验可供其他实验室使用。需要建立捕获假设、干预、结果、失败和解释的工作流。
