菲尔兹奖得主转向AI安全：大模型下半场的范式迁移

最后一届「纯血」菲尔兹奖？ 今年的菲尔兹奖被业内称为「最后一届纯血」——不是指获奖者背景，而是象征一个分水岭：此后突破性数学成果的诞生路径，或将越来越依赖AI的深度参与。这一判断并非预言，而是正在发生的现实。当加拿大数学家Jacob Tsimerman在颁奖发布会后坦言自己即将加入OpenAI安全部门时，他迈出的那一步，早已超越个人职业选择，成为学术前沿与AI工业界加速融合的具象注脚。 科学家正集体走向AI研发一线 顶尖学者流向头部AI机构已成趋势。今年上半年，诺贝尔化学奖得主John Jumper、经济学家Chad Jones、哲学家Harvey Lederman相继加入Anthropic；伯克利EECS系主任Jelani Nelson宣布学术休假并入驻Anthropic；斯坦福、哈佛、MIT等校至少22位教授阶段性减少教职，投身OpenAI、Anthropic、DeepMind与Meta。目前四家机构汇聚的现任或前任大学教授已逾80人。 这种流动不是单向雇佣，而是双向赋能。OpenAI的Residency项目专为非AI背景专家设计，以实战嵌入方式推动跨学科融合；Anthropic的STEM Fellows Program则邀请物理、生物、数学等领域研究者携带真实课题进入内部，直接调用未发布模型与工具链。材料科学家构建相稳定性推理评测，气候学者打通大气模型接口——这些来自学科一线的反馈，已成为模型迭代的核心训练信号。 国内跟进：Seed STEM计划开启科学共建新范式 本周，字节跳动Seed Edge团队正式推出Seed STEM科学家计划，开放100个合作席位，面向数学、物理、化学、生物等基础学科的科学家与博士生。这是国内首个系统性投入「AI加速科学发现」的大规模计划。其核心逻辑清晰：科学家提供的不只是题目，更是问题意识、判断标准与反馈机制——这正是当前大模型最稀缺的「真实世界锚点」。 大模型下半场，比拼的早已不是跑分 当评测体系仍围绕有标准答案的封闭任务展开，真实科研却充满假设生成、异常处理、机制推导与反复试错。这种不确定性，恰恰是检验AI能力的终极考场。行业共识正在形成：继预训练Scaling、测试时Scaling之后，「在真实开放环境中持续交互学习」已成为最关键的下一阶段Scaling方向。 因此，单纯堆参数、刷榜单已难构筑护城河。Claude的代码能力进化源于强化学习驱动的自主试验飞轮；Seedance视频生成能力的突破，来自创新架构与精密数据工程的长期沉淀；DeepSeek V4采用的mHC（流形约束超连接）架构，则是对Transformer残差范式的实质性突破——它源自Seed团队提出的Hyper-Connections（HC），并在工程中实现零计算增量下的特征表达跃升。 基准建设：沉默却关键的基础设施 真正引领技术演进的，往往是那些看不见的底层工作。Seed Edge近期发布的EdgeBench，首次系统定义Agent在真实环境中的长程学习规律，提出环境学习维度的新Scaling定律；OpenAI开源Evals框架及SimpleQA、MLE-bench等专项基准；Anthropic深耕SWE-bench与Terminal-Bench，将模型长链路任务能力具象化。这些工作周期长、投入大、见效慢，却是确立行业标准、暴露模型弱点、牵引整体进步的基石。 长期主义：AGI唯一的入场券 菲尔兹奖得主走进OpenAI，教授们暂别讲台进入实验室，字节为Edge团队取消中期考核——所有这些选择背后，指向同一信念：AI终局的竞争，是长期主义的竞争。它不追求季度财报里的亮眼数字，而在于能否支撑人类攻克尚未解决的基础命题。当模型开始协助推导新定理、模拟蛋白质折叠、重构宇宙早期演化，AI才真正从工具升维为科研伙伴。 这条路慢、重、不确定，但也因此最真实。它不承诺即时回报，却定义着谁有能力抵达AGI的彼岸。