大模型把前沿推向公司

MIT Technology Review作者上周在加州山景城参加Schmidt Sciences AI2050项目会议，观察到大学AI研究者正面对一套新的科研现实：过去四年，AI研究重心转向大型语言模型，最前沿的能力、算力和系统细节越来越集中在少数私人公司手中。

AI2050由Eric和Wendy Schmidt资助，支持从事AI相关工作的学者。参会者包括不少知名和年轻研究者，但他们共同面对的难题并不轻松。大学通常难以承担训练和运行前沿模型所需的GPU成本；即使拥有资金，也无法看到Claude、ChatGPT等商业系统的内部设计与训练细节。

大型语言模型，简称LLM，是通过海量文本训练、能够生成和理解自然语言的AI系统。它们现在成为公众理解AI的主要入口，也改变了学术界的研究对象和研究方法。

资金、接口与“黑箱”研究

伯克利加州大学计算机科学教授Nika Haghtalab把今天的AI学者处境比作：生物学家生活在一个由私人公司独占CRISPR基因编辑工具的世界。外部专家可以观察ChatGPT和Claude的行为，却无法深入研究其设计、训练过程，也难以主动影响这些系统的构建方向。

AI2050为研究员提供一定资金，可用于购买GPU，受访研究者认为这是项目的重要价值。但钱仍是核心问题，尤其在美国联邦科研经费缩减的背景下。即便不在本地训练模型，严谨研究也可能需要反复调用OpenAI、Anthropic和Google的模型接口，查询成本同样可能高到难以承受。

关键信息包括：

• 过去四年：AI研究显著围绕LLM重组；
• 地点：会议在旧金山以南约30英里的山景城举行；
• 主要瓶颈：GPU成本、商业模型不透明、模型调用费用；
• 资金背景：AI2050由Schmidt Sciences支持，作者披露曾在2024年获得其资助的科学传播奖。

学术问题转向公司不会优先做的方向

在产业实验室掌握前沿模型后，许多高校研究者开始避开单纯提升模型能力，转而研究商业公司不一定愿意投入的问题。约翰斯·霍普金斯大学计算机科学教授Anjalie Field表示，她尽量不做那些她认为科技公司会解决的问题。

原因并不复杂：公司需要盈利，一些短期难以商业化、甚至可能让公司显得不利的研究，未必会得到优先支持。Field近期的一项研究发现，当提示词采用更常见于女性的表达方式时，语言模型给出的回答会更不复杂。此类关于偏见、表达差异和系统公平性的工作，正是学术界可以补位的领域。

与此同时，AI学术界并不只有LLM。大量科学家正在构建专用AI模型，用于分析数据、做预测，甚至模拟完整物理系统。专用模型指针对特定任务或学科数据优化的AI工具，不以通用聊天或文本生成为主要目标。原文还提到，Google DeepMind负责AlphaFold的团队上月已解散；AlphaFold曾构建可预测蛋白质结构的诺贝尔奖级模型。气候研究等领域的AI工具也面临沟通挑战：当很多人把AI等同于“高耗能LLM”时，非LLM研究者更难向公众和资助方解释其价值。

人才流动与自动化焦虑

这种格局正在改变学术生态。一些知名学者近期从大学休假加入前沿实验室，许多AI2050研究员也同时拥有产业职位。学术界与产业界的边界变得更流动，但也让大学在人才、算力和议题设置上承受压力。

新的焦虑来自研究自动化。过去六个月里，OpenAI模型已经解决了一些真实数学研究问题，引发部分专家对纯数学未来的担忧。一名参会研究员提到，她担心数学同行的心理健康。与此同时，经验科学可能更难被自动化，因为数据采集本身通常缓慢、昂贵且依赖现实世界实验。

也有研究者持乐观态度。卡内基梅隆大学计算机科学家Tim Dettmers的工作重点是让AI模型运行得更快、更便宜。他认为AI科学家不会取代人类，反而可能提高人类科学家的效率，让他们有机会探索过去因时间和资源不足而搁置的想法。

走向：大学或在“小而省”中寻找突破

这场变化的核心，不只是大学能否追上公司大模型，而是学术研究如何重新定位。产业实验室擅长把巨额算力、工程团队和产品反馈集中到能力提升上；大学的优势则在开放问题、长期问题、公共利益和基础方法。

因此，未来高校AI研究可能更集中在三类方向：一是审计和理解商业模型的社会影响；二是服务科学、气候等特定领域的专用AI；三是更小、更便宜、更高效的新模型和新架构。**资源限制未必只会削弱学术界，也可能迫使研究者发明更节省算力的方法。**如果下一次重要AI突破不是来自巨头公司，而是来自资源有限但问题意识清晰的大学实验室，这并不意外。