AI教授比较说明:学术科学如何在封闭模型和昂贵的计算时代生存
在施密特科学研究员的一次非公开会议上,主要大学的教授们讨论了AI研究为什么越来越向私人公司发展,以及科学家如何能够适应GPU的短缺,封闭模型,以及有关科学未来的新问题.

在过去四年里,AI研究的重心已经从大学实验室转移到私营公司. 科学家们直到最近才确定趋势,现在发现自己正在赶上工业。 在施密特科学AI2050计划最近的一次会议上——埃里克和温蒂·施密特支持学术研究人员的倡议——教授们讨论了如何在新景观中生存.
为什么最前沿离开大学
主要原因是金钱和获得设备。 大学既不能用来培训大型语言模型,也不能用来运行最先进的系统,而私人实验室却不急于透露其产品的内在功能. 伯克利大学的Nika Haghtalab教授将AI学者的地位与生物学家的地位相提并论,

那结果如何? 外部专家可以观察大型模型的行为,但他们无法看清模型是如何构建的,也无法看清他们接受了什么训练,更不用说影响其发展. 要求严格分析也付出了高昂的代价:一再向OpenAI,Anthropic的API发出呼吁,Google吹掉了一个平均部门的预算. 而联邦对美国科学的资助正在减少,使得问题越来越尖锐.
生存策略:选择可以赢的战斗
许多研究者故意回避可能令技术公司感兴趣的话题。 来自约翰·霍普金斯的Anjali Field教授试图不承担一个公司可能用自己的资源关闭的任务。 毕竟,企业只投资于能产生利润的东西,而将公司置于不利境地的问题却得不到解决。 例如,实地情况表明,语言模式对妇女通常说话方式的提问作出较不详细和复杂的答复。

对于想更深入挖掘的人来说,还有另一种途径——参与AI2050等程序. 它们提供赠款用于购买全球免疫单位,据研究人员说,这可能是这种支助的最大价值。 其他研究者专注于不太可能引起科技巨头兴趣的专题——这样,他们就可以保持学术独立性.
不符合LLM趋势的科学
并非所有学术团体都与大型语言模型合作. 一些科学家建立了专门的AI系统,用于数据分析,预测,模拟物理过程——例如解决气候变化问题. 这伴随着其自身的挑战:大众认为"AI"是渴望能量的聊天机器人,真正的科学工具需要很多的解释. AlphaFold的命运说明:创建诺贝尔蛋白质预测模型的Google DeepMind团队上个月解散. 这是一个信号,即使成功的科学项目也不能不受公司逻辑的影响.
未来:减少悲观情绪,提高效率
还有令人不安的信号。 在过去的六个月里,OpenAI的模型解决了数学中几个真正的研究问题——引发了人类很快在纯数学中无处可去的恐惧. 一位研究员提到数学家同事的心理健康斗争。 但实证科学的适应力要强得多:数据收集本身就很慢,因此在最近的将来不可能完全自动化. 此外,一些著名学者最近离开其大学,加入尖端实验室,许多AI2050研究员将学术职位与工业工作结合起来。 在我们眼前,科学的面貌正在发生变化。
来自卡内基梅隆的蒂姆·迪特默斯(Tim Dettmers)不惊慌地看待着正在发生的事情. 他致力于使模型部署更便宜,并认为AI科学家不会取代人类,而是会让他们大大提高产量. 有限的资源不仅仅是一个诅咒:缺乏计算能力促使人们找到更有效的建筑和紧凑的模型。 也许正是由于这些限制,下一个重大突破将出现。
常问问题
相关材料
所有材料
OpenCollab:可编程智能体协调、受控执行环境与规程遵循度指标
该框架将智能体交互结构的设定、统一的实验环境和详细的事件追踪整合在一起;新增的 Adherence 指标则反映实际执行与声明方案的符合程度。在基准测试中,Duo 配置达到新的 SOTA 水平,而单智能体版本的 token 消耗量最低。
11 十一月 2026
Toollery:从数万种选项中为 LLM 智能体挑选工具,无需微调
Toollery 根据技能和工具的描述构建搜索索引,并在收到请求时只向模型传递有限的一组候选项。在规模达数万个函数的库上进行的实验表明,该方法在固定 top-K 的情况下能够保持选择质量,但最终效果取决于负载特征和服务提供商的缓存情况。
11 十一月 2026
WILSON:整合患者的放大图像和切片,用于病理形态学分析和报告生成
这篇预印本介绍了 WILSON——一种视觉语言模型,可对整张玻片图像以及同一患者在不同放大倍率下的一系列切片进行编码,而不只是单张“最佳”切片。无需针对特定任务进行微调,它在多项指标上超越了专用且规模更大的切片模型,同时计算负载显著更低;其诊断描述也获得了病理学家更高的评价。
11 十一月 2026