学术界的角色 | Guaifinition Docs

最先进 AI 研究如今很大程度上由私营部门推动，大学越来越难以竞争。学术界必须在“Big AI”时代重新确定自己的角色。

核心要点

AI 前沿研究的重心已经越来越多地转移到大型科技公司的封闭环境中。
大学无法在数据、算力和薪酬等资源上与大型科技公司竞争。
大学越来越难留住 AI 教师，也难说服 AI 毕业生继续留在学术界。
核心挑战是：在“Big AI”新时代，学术界和公共资助研究应承担什么角色。

本章主席： Michael Wooldridge

背景与历史

产业界一直对 AI 有兴趣，但在 AI 历史的大部分时间里，研究进展主要由学术界推动。

许多 AI 图灵奖获得者——Feigenbaum、McCarthy、Minsky、Newell、Pearl、Reddy、Simon——都以大学研究为核心。符号 AI 和神经 AI 的许多关键概念也在大学中发展。深度学习图灵奖获得者 Bengio、Hinton 和 LeCun 的获奖工作同样主要在大学环境完成。

但过去十年，前沿 AI 的研究重心发生决定性变化。尤其是生成式 AI 的主要前沿工作，现在大部分在私营部门，特别是少数大型科技公司内部进行。

这些公司拥有大规模训练数据、巨量计算资源、大学无法匹配的薪酬和研究基础设施。

当前状态与趋势

AI 人才从大学流向企业

对 AI 研究人才的需求导致明显人才外流。一个早期著名案例是 Uber 从 Carnegie Mellon University 招募大量机器人研究人员 [1]。

即使世界顶尖大学也很难与大型科技公司提供的薪酬和研究资源竞争。结果是一些大学 AI 研究组被“掏空”：教师长期休假进入企业、转为兼职，与传统大学教学和研究活动逐渐脱节。

AI 教师招聘已经困难超过十年，很多博士毕业生直接进入私营部门。

AI 研究方法发生变化

本世纪初，AAAI 社区的主流研究范式更接近传统科学，尤其数学式“定义—引理—定理—证明”。

而深度学习及相关领域的现代研究，在很大程度上呈现工程学特征。

与此同时，大学 AI 课程乃至整个计算机学科课程需求急剧上升。在师资流失背景下，这给院系带来巨大压力。一些顶尖大学计算机院系即使获得非常充足的招聘预算，也无法招到足够高质量教师。

所有学生都需要 AI 素养

无论专业，学生都需要具备 AI 素养。

AI 工具正在改变教育和教学方法，而 AI 专业学生也必须接受更多跨学科教育，理解伦理、法律、社会和经济影响。

大学还必须重新思考：当学生可以使用强大通用 AI 工具时，教学和评估应该如何设计。

人才培养体系的悖论

大学历史上承担为技术行业培养人才的重要角色。但现在，企业大量吸走大学人才，反而使大学失去足够能力去培养企业所需的新一代人才。

大学难以承担超大型语言模型成本

前沿生成式 AI 的规模，使大学很难与私营实验室竞争。报告援引 Meta 对其最新 GPT 级模型建设成本的估计，约为 4.4 亿美元。

这已经比绝大多数大学能够承担的项目高几个数量级，甚至很多国家级项目也难以轻松承担。

2023 年英国曾讨论建设主权 AI 能力，包括 “BritGPT” 方案，但早期就因成本、风险以及是否应该与私营部门直接竞争等问题受阻 [2]。

DeepSeek 等较低成本、开放模型的发展可能给学术界带来机会，但同时也伴随隐私和安全等挑战。

学术界与产业目标不同

私营部门主要受利润驱动；大学则以教育和社会贡献为核心目标。这两个目标有时相互冲突。

私营部门的研究结果不一定完全公开，因此难以独立检查和评价。实验成本极高也使很多结果无法复现。

因此学术界仍有重要角色：提供独立意见和解释，评估企业研究结果及其后果。产业界往往更关注短期，大学和社会则更适合保持长期视角。

公共大型 AI 基础设施

生成式 AI 的高成本推动了一些公共资助大型研究基础设施倡议。

一个例子是欧洲提出的“AI CERN”设想，希望参考 CERN 的模式，建立能够与大型科技公司形成替代性研究环境、并专门解决公共利益问题的 AI 基础设施。

许多国家也已建立国家 AI 战略和资助计划。

研究挑战

大学应如何回应“Big AI”新时代？
学术界和公共研究最适合从事什么类型的 AI 研究？
大学未来应该建立怎样的 AI 研究议程？
如何解决 AI 教师和学生招聘、留任问题？
公共资助大学应如何与大型科技 AI 公司合作？

社区意见

约 75% 的受访者认为大学招聘 AI 人才存在困难。
约 80% 认为大学难以参与资源密集型 AI 研究。
提高薪酬和投资算力资源，被认为有助于吸引人才。
联合聘任及其他福利也被视为可能方案。
对大学是否需要重新聚焦研究重点，意见没有那么一致。
很多受访者认为理论 AI 和多学科 AI 是大学仍可能具有竞争力的方向。
70% 支持公共部门为大规模计算提供资金。
对“学术界对于 AI 研究未来是否重要”，存在压倒性共识。

参考文献

Fast Company：关于 Carnegie Mellon 机器人研究人员流向 Uber 的报道。
UK House of Lords Communications and Digital Committee：Large Language Models and Generative AI 报告。