量子位专访陶哲轩：我为什么现在创办一个AI x Science组织
未来可能会有10000个陶哲轩
量子位专访陶哲轩：我为什么现在创办一个AI x Science组织 – 量子位
首页
资讯
智能车
智库
活动
MEET大会
AIGC
扫码关注量子位
< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">
量子位专访陶哲轩：我为什么现在创办一个AI x Science组织
西风
2026-03-14
14:34:18
来源：
量子位
未来可能会有10000个陶哲轩
Jay 发自 凹非寺
量子位 | 公众号 QbitAI
数学家陶哲轩，公开了AI新身份——
SAIR Foundation联合创始人
。
之前，他是举世闻名的数学天才，年少成名的传奇数学家、13岁加冕IMO的最年轻金牌得主……24岁就成为加州大学洛杉矶分校（UCLA）史上最年轻的
终身正教授
。
最近几年，随着ChatGPT火爆，他也成为了AI×数学的旗帜性人物，并且开始更加高频地思考和谈论AI与基础科学交叉的可能性。
而就在2026年刚开年，50岁的陶哲轩更进一步，以联合创始人的身份发起SAIR Foundation，希望这个旨在重塑AI与科学关系的非营利性联盟，能够连接学术界和产业界，并且能够团结和帮助更多的年轻科学家一起推进
两大目标：
一，
用科学的方法打造AI；
二，
借助AI重塑基础科学研究。
△SAIR Foundation主要专家成员
在SAIR Foundation对外官宣后，陶哲轩和Chuck NG——SAIR的两位联创，也在量子位的独家专访中，谈论了他们关于AI x Science、数学、基础科研等等相关的一切。
在他们看来，AI x Science最令人兴奋的地方，在于科研的普惠化。他们希望通过SAIR这座桥梁，能为更多年轻人打开象牙塔的大门。
未来，世界上可能会有10000个陶哲轩。
上面这些只是冰山一角。在这场超90分钟的深度对谈中，你还会看到以下精彩观点：
如果AI在回答时能表达置信度，比如“我比较有把握”或“这里不太确定”，其实际可用性会大幅提升。
学术界和产业界各司其职的模式走不通，速度太慢了，AI时代需要二者紧密合作。
相比金融和医疗，科学是一个更安全的AI试验场，相对而言，算错一道数学题几乎没什么损失。
看似重复、枯燥的基础性工作，对人的成长其实非常重要，青年人需要这些宝贵的训练机会。
大部分学科都在彼此交流，而AI正是促成这种跨学科互动的重要催化剂。
不要简单禁止新技术，高校的任务是教会学生如何正确使用它。
需要解决科研体系的结构性瓶颈，通过跨学科的全球协作，以科学、安全的方式加速通用人工智能（AGI）和超级人工智能（ASI）的演进。
下面附上精校后的完整访谈文字，全文超过
1.5万字
。为了提升可读性，量子位在不改变原意的前提下，对内容做了适当整理和删减。
请享用。
AI X Science需要自己的垂直AI
量子位：
首先，祝贺SAIR Foundation成立。能和我们聊聊发起这个AI X Science机构的动机吗？
陶哲轩：
我认为AI将从根本上改变科研模式，而我们首先要厘清的核心问题是：
如何在科研场景中合理、高效地运用AI？
事实上，我们需要一些高质量的试点项目，来展示什么是最佳实践，让其他科学家可以参考、学习。
过去，这类工作主要由大学、科研机构和政府部门来推动。但在当前环境下，来自其他领域的支持同样非常重要。它更灵活，能有助于我们尝试一些创新性的事。
我很高兴能参与创立这个机构，希望借此探索新想法，尝试更大胆的路径，看看当AI和科学以一种更审慎的方式结合时，究竟能走多远。
Chuck：
我一直都很享受和优秀科学家合作，能和Terry（陶哲轩）一起发起这个组织，我真的非常兴奋。同时还有多位诺贝尔奖和图灵奖得主一起加入。
Terry刚才更多讲了学术侧，而我自己长期推动
学术和产业融合发展
，这也是我们对这个项目格外有热情的原因之一。
如果你看看我们的启动活动，就会发现，参与者汇聚了全球顶尖学术研究者及多家科技领域企业代表，包括NVIDIA、OpenAI、Amazon、Microsoft等，各方围绕AI x Science的发展展开交流探讨，为后续跨领域协作奠定基础。
当学术界和产业界坐在一起，会带来很多机会，可做的事情非常多。
量子位：
从你们的角度看，当下AI技术的主要短板在哪里？为什么科研领域不能直接用OpenAI或其他公司的模型？
陶哲轩：
我们其实已经在尝试使用一些主流LLM，也确实有研究者用它们做出了成果。
问题在于，模型会产生
幻觉
，这对科研来说是个非常严重的问题。科研需要可验证、值得信任的系统。
另一个挑战是
可解释性
。模型有时会给出一个看起来不错的想法，但它往往不会说明这个想法是来自训练数据里的既有文献，还是某种新的组合，也说不清它和已有工作的关系。
科学并不只是解决一个个孤立的问题，更重要的是把新结果放进已有知识体系中，让后来者可以在此基础上继续推进。这就要求结果具备
可追溯性、规范的引用
，以及清楚说明如何扩展或修改。
商业化的大模型有时能做到这些，但并不稳定。如果我们能有专门为科研设计的AI，或者通过更好的工作流去强制验证，并系统性地把结果和文献体系连接起来，对科学的帮助会大得多。
最终很可能的方向，是
把现有模型嵌入到一个更严格的框架中
，配合强有力的验证和校验机制，让它们真正成为科学发现的工具。
Chuck：
事实上，在日常层面，比如写作，AI表现已经不错了。
但一旦进入更深、更专业的技术领域，情况就完全不一样。很多细分科学领域，高质量、结构化的数据本身就非常有限。这也是为什么必须和科学家紧密合作。
我们的目标，是把这些系统打磨到可以可靠地用于科研。最终，我们希望让先进的AI能被绝大部分人使用，也就是
“AI普惠化”
。
陶哲轩：
我举一个非常简单的例子。
科学家在提出一个结论时，通常会同时
说明自己对这个结论的信心程度
，比如“我对此非常有把握”“我有一定把握”“这个想法目前还不太成熟”。
AI并不会这样做，它们几乎总是用一种百分之百确定的语气给出答案。如果AI能够明确表达
不同层级的置信度
，它在科研中的实用性会提升很多。
量子位：
现在整个行业的主线都在谈Scaling，更多数据、更大的模型、更强的算力。但SAIR更关心
“Scaling the Science of AI”
，这具体指什么？
陶哲轩：
目前为止，科技公司所采用的路线确实非常成功。当算力和训练数据提升一个数量级时，模型能力会有明显跃升。这套方法到现在为止效果还都比较好。
但
从长远看，它会撞墙
。数据不是无限的，公开互联网基本已经被用得差不多了，同时还存在能源和算力等方面的约束。
另外，现在的AI能解决非常困难的问题，
但往往很低效
。一个人类数学家，可能看十个例子就能抓住问题的核心，然后举一反三；而现有的AI，往往需要数百万个训练样本，还要反复尝试，甚至运行上百次，才能得到一个正确结果。
放到科研中看，我们并不总是需要
最大、最通用的模型
。很多科研任务本身非常专门化。在一些场景下，体量更小、功耗更低、成本更低的模型，甚至能直接在个人电脑上运行，就已经足够用了。
大型公司更关注打造“什么都能做”的通用模型；而科研场景，可能更需要
为特定工作流量身定制的专用工具
。开发和支持这类工具，正是我们希望通过SAIR去推动的一件事。
量子位：
我能不能这样理解，在AI x Science这个方向上，真正关键的，是更好的原则和方法论，而不是一味把模型做得更大？
陶哲轩：
可以这么理解。我们需要更好的方式去评估可信度、表达置信水平，也需要提升系统的可解释性。
我们同样需要改进人类与AI协作的方式。现在最常见的交互模式，是你给模型一个提示，它直接给出一个完整答案。
但在很多科研场景中，研究者往往不只关心最终结论，
还希望看到推理过程本身
。你可能想在中途介入，补充新的信息，或者探索不同的路径。
目前不少研究者对AI的应用仍持观望态度，一方面是因亲身经历过系统出错的情况，另一方面是现有工具与他们的核心研究需求不匹配。
如果科学家能够开发真正贴合自身工作流和研究需求的工具，我相信这些系统的使用率会显著提高。
Chuck：
我想从另一个和可信度相关的角度补充一下，“数据质量”。
我们的一位密切合作伙伴，
John Hennessy
，一直在为SAIR Foundation提供建议。他是图灵奖得主，同时也是Alphabet的董事长。他经常强调，在科研中，提升数据质量的重要性不亚于提升模型本身。
信任本身也是一个更宏观的社会问题。在不同地区，人们对数据和技术的信任程度并不一样。美国社会对一个东西的信任水平大概在
70%到80%
，而对AIGC的信任度，
往往只有这个数字的一半
左右。
这种落差，也解释了为什么很多组织，包括OpenAI、xAI以及其他AI公司，都希望与我们合作。信任、可靠性和科学严谨性至关重要。
量子位：
随着AI不断降低科研门槛，会给整个行业，以及全球科研格局带来哪些变化？
Chuck：
这个问题很好。我觉得最终的目标，是在和顶尖科学家、研究者一起合作的过程中，把AI提升到一个“
默认值得信任”
的水平。
一旦AI达到这样的程度，它就不会只被专家使用。普通人也能放心用，比如你的父母，甚至爷爷奶奶，都可以
在日常生活中依赖AI
，而不用担心它靠不靠谱。
这也正是我们为什么要把一流的科学家和产业界的伙伴聚到一起，彼此学习、共同推进。只有通过这样的协作，技术本身以及它在真实科研场景中的应用，才能一起向前走。
我们希望AI能成为一种日常工具，
就像汽车一样
。当AI达到这样的可靠性水平时，全球科研格局才会真正发生变化。
量子位：
SAIR具体会如何参与并推动这一转变？
Chuck：
我们的做法，是把学术界和产业界以一种更直接、更有组织的方式拉到一起。
在学术侧，很多研究者缺乏算力，也很难获得长期、稳定的资金支持；在产业侧，公司拥有算力、资本和工程能力，但现有模型和工具和科研需求之间还有明显错位。
科研领域越来越
需要更广泛的社会力量参与进来
，包括捐助者、基金会、投资人和创业者。把这些人聚在一起，能更好地支持那些真正长期、具有高影响力的研究方向。
我们相信，这种协作模式能把科学的边界推得更远。
陶哲轩：
在过去几十年里，一个主流模式是：
学术界主要依赖官方资金支持，产业界则负责把研究成果转化为应用。
学术研究者提出基础性的想法，产业界或其他主体再把这些想法变成知识产权、专利和商业产品。
这条链路能运转，但速度相对较慢。在一些国家里，学术界并没有动力去考虑市场化问题，而产业界也很少投入到真正长期、基础性的研究，更关注短期回报。
我们可以重新思考，在21世纪，从基础科学到应用研究，再到现实世界产品的这条路径应该如何设计，怎样才能更高效，也更贴合社会需求。
Chuck：
这是一个非常特殊的历史节点。过去，大学和科研机构可以依赖相对稳定的政府资助；现在，尤其是在美国，
这种支持出现了变化
，新的合作模式变得非常必要。
我们把这看作一个机会，各方都在探索新的资源整合模式，像SAIR这样的组织也站出来了，支持杰出的研究者，并与产业伙伴紧密合作。
量子位：
AI模型的质量在很大程度上取决于数据。你们觉得，在不同基础科学领域里，数据的多少是否会导致AI落地难度的差异？
陶哲轩：
AI在那些
高质量数据
比较充足的科学领域里，进展往往最快。
一个很典型的例子就是
蛋白质折叠
。这个领域经过了几十年持续投入，积累了大量经过精心整理的高质量蛋白质数据。
但在其他领域，情况就完全不一样了。比如对单个细胞进行建模，乍一看好像是相近的问题，但我们目前并没有同等质量、同等规模的数据。
AI对数据的依赖程度非常高，远超许多传统科学方法，这是一个真实存在的瓶颈。
有人寄希望于用
合成数据
来替代真实数据，但如果生成方式不够严谨、标准不够高，可能适得其反。低质量的合成数据会污染原有数据集。
Chuck：
我完全同意，而且我也觉得，不同学科之间的难度差异非常大。
如果想在这些领域解决更难的问题，强大的基础模型当然很重要。但正如Terry说的，没有高质量数据，再复杂的模型也会举步维艰。
有一句老话叫
“garbage in, garbage out”
，在这里体现得非常明显。这也是为什么AI x Science这样的项目如此重要。
在2月10日的活动中，我们把来自不同学科、不同机构的一些顶尖学者聚到了一起。参与者包括来自UCLA、Berkeley、Caltech，以及美国和北美各地高校的研究者。
我们的主旨演讲嘉宾中，还有一位最近获得图灵奖、同时也是强化学习领域的奠基者之一，
理查德·萨顿
。
我们也在促进
跨地区研究者交流
。推动AI x Science，离不开全球范围内的共同参与。
量子位：
SAIR具体如何支持科学家之间的跨学科、跨国家合作？
Chuck：IPAM
（Institute for Pure and Applied Mathematics）和UCLA其实已经在这方面做了很多年，而且做得非常好。IPAM长期以来都有组织跨学科主题项目和工作坊的传统，时间跨度往往很长，参与领域也很广。
我前段时间去新加坡和马来西亚，其实就是参加了一个由
OpenMind
组织的冬季学术营。OpenMind的创办者也就是图灵奖得主理查德·萨顿，该组织主要面向来自世界各地的年轻研究者。
那次活动的参与者很多都来自亚洲，包括新加坡、马来西亚、中国、菲律宾、韩国等地。大家聚在一起，交流想法，讨论更高效的模型，一起思考AI接下来应该往哪里走。
这种跨地区、跨学科的合作框架，和SAIR希望支持的方向高度一致。
陶哲轩：
SAIR今年才刚刚起步，但IPAM已经运作了二十多年。
IPAM最有代表性的活动之一，是为期大约三个月的长期主题项目。在这些项目中，我们会邀请来自不同领域的学生、教师，有时也包括产业界的研究者，围绕一个主题深入交流，比如心脏相关科学，或者自动驾驶。
事实上，我们在深度学习真正大规模兴起之前，就已经办过相关的研讨会。
虽然IPAM并不是一个专门做AI的机构，但它举办了很多在AI相关方向上具有影响力的活动。核心理念，就是把那些平时很少有机会交流的群体聚到一起，比如纯数学家、应用数学家、物理学家、工程师，以及其他科学家。
过去，这种合作更多集中在学术内部。通过SAIR，我们希望把这个模式再往前推进一步，
加强与产业界的连接
，同时更关注一些中短期内能够产生实际影响的应用。
我自己的背景仍然主要在数学，但现在我们也在更广义地理解数学，把它放进一个连接理论、计算和现实影响的生态中。
我们希望尝试新的形式，探索更多把不同社群聚在一起的可能性。
Chuck：
IPAM和UCLA花了几十年时间，打下了坚实的协作基础，而通过SAIR，我们可以把这套模式在地域上、在学术与产业之间进一步扩展
SAIR的核心目标，是基于已经行之有效的基础，把它扩展成一个真正
全球化、跨学科
，并且紧密连接真实科学问题的合作网络。
量子位：
AI for Science的发展，会不会反过来影响今天产业界开发和使用AI的方式？它有没有可能成为一条通向AGI的更优路径？
陶哲轩：
我觉得这是一个非常有前景的方向。
在数学和科学中，尤其是在数学里，很多输出是可以被
形式化验证
的，这给了我们一种约束AI的方式。把AI放进一个可以验证的环境中，这有助于减少幻觉。
如果我们能在数学或科学中，建立起可靠、可验证的AI框架，这些原则是有可能推广到其他领域的。
现在在医学、金融等领域，完全信任AI
依然风险很高
。你可以把它当作辅助工具，但在涉及生命安全或巨额资金时，很难放心地把控制权交给AI。
如果我们能先在科学领域解决可靠性和验证的问题，之后这些成果就有机会
迁移到更广泛的应用
中。
Chuck：
以金融为例，大多数人并不会愿意把敏感的金融决策完全交给AI；医学也是一样，错误可能直接关系到生死。
正因为如此，AI for Science，以及反过来的Science for AI，才显得尤为重要。
如果我们能在科学环境中打造出真正值得信任的AI系统，我们希望这些进展可以在不久的将来，迁移到那些关键性应用场景中。
陶哲轩：
没错。数学和科学为AI提供了一个非常安全的试验场。
如果AI在医疗或金融场景中出错，后果可能非常严重；但如果它算错了一道数学题，最多就是再试一次，
几乎没有损失
。
这让数学成为一个理想的环境，用来打磨可靠AI的系统。
Chuck：
还有一个优势在于，数学研究通常不需要像其他应用那样消耗巨大的算力。这让我们可以更高效地反复实验，用相对较低的成本探索新思路。
陶哲轩：
这也是为什么从这里起步。药物研发当然非常重要，但临床试验的成本极高、周期又很长，为了验证一种AI方法就投入数十亿美元是很难实现的。
相比之下，在数学中开发和测试AI，
可以更快、更安全地验证想法
，再逐步走向那些高风险、高投入的领域。
量子位：
有一种担忧是，更高层次的研究能力，比如
“品味”
，本应建立在扎实的基础训练之上，但AI可能正在拆掉这些年轻研究者的成长阶梯。你们怎么看？
陶哲轩：
现在，AI已经能完成很多过去属于研究生或初级研究者训练内容的工作，比如解一些标准问题、做实验中的部分环节、或者整理文献。
这些事情越来越容易被自动化，于是会产生一种诱惑：
既然AI更快，那干脆全部让AI来做。
但问题在于，这些看起来重复、甚至有点枯燥的训练，对人的成长非常重要。我自己，包括很多资深研究者的能力，很大一部分就来自这些初级工作。
所以必须有一个平衡。即便AI能做，我们也要有意识地为年轻研究者保留有价值的训练过程。等一个人积累了足够的经验，比如亲手做过一定数量的实验之后，再逐步引入自动化。
Chuck：
现在已经能看到一些过度依赖的趋势。大家都知道AI并不能百分之百可信，但很多人还是会第一时间把问题丢给AI，直接要答案或建议，这其实会削弱独立思考的能力。
这也是为什么我们特别强调让顶尖科学家参与进来。像Terry这样的研究者，或者其他诺奖级别的科学家，都是
在没有AI工具的时代接受过严格训练
的人。
通过建立一种类似
“师徒制”
的结构，让经验丰富的研究者与有潜力的年轻人紧密合作，能逐步形成更好的实践方式、更好的模型，也包括更好的平台，在支持创新的同时，不牺牲学习本身。
陶哲轩：
这里其实也有一个很有意思的历史类比。
计算器
刚出现的时候，很多人担心学生会不会从此不学基本的算术了。
这种担忧在某种程度上确实有道理，所以直到今天，我们仍然会先教孩子手算加减乘除，再让他们用计算器。
但另一方面，计算器也极大地拓展了人们探索的空间。它让人更容易去试验数字、发现规律、探索原本很难触及的想法。
工具本身并不会自动让人变弱
，它同样可以激发探索和创造力。关键在于如何使用。
面对AI，我们也需要做出类似的判断：
什么时候该用，什么时候该克制
，以及如何把它引入训练体系，同时不削弱那些真正重要的核心能力。
量子位：
随着AI逐步替代很多现有的科研流程和技能，未来研究者最重要的能力和特质会是什么？
陶哲轩：
未来的科研会越来越多地以更大规模、更多元化的团队形式展开。团队里可能既有学术研究者、产业研究人员、数学家和科学家，也会有AI系统和不同背景的人一起协作。
在这种情况下，如何在大型团队中高效合作，会变成一项非常重要的能力。
过去，人们常把科学描绘成“孤独天才”的事业，但现实里它早就是团队合作，而且这种趋势只会继续加强。
沟通能力，以及我们常说的那些软技能，会变得越来越重要。
在这个背景下，
“品味”很关键
。能够形成整体判断，识别哪些方向值得投入，再借助AI工具或其他合作者把想法展开，这种能力非常重要。
我们很可能会看到
比过去更细致的分工。
传统上，尤其是在数学领域，工作方式几百年几乎没怎么变，有时甚至带点“中世纪风格”。一个人要同时负责检查细节、做计算、发展想法、写论文、申请经费、再去做报告。
但在未来，大型项目会由很多人共同完成。有人负责长期愿景，有人擅长和AI工具深度协作，有人负责团队协调，有人负责将其讲给更多人听。
能为数学和科学做出贡献的
能力类型
，会变得丰富得多。
Chuck：
我经常半开玩笑地说自己是个
“立志当科学家的人”
，很大程度上是因为我有机会和像Terry这样的杰出科学家、数学家长期合作。
我的背景并不在科研，而更多在商业领域。但我听过一些非常成功、打造过数十亿美元公司的人说过，他们见过
最优秀的一些prompt工程师，背景并不是工程或计算机，而是会计、法律。
这恰恰说明，未来的科研会变得更加开放。借助AI和新的工具，来自完全不同背景的人，都有机会以有意义的方式参与科研。这也是我们所说的“科学和AI普惠化”的重要内涵之一。
陶哲轩：
我现在参与的很多项目，以及SAIR希望支持的方向，本身就已经是高度协作的。它们往往汇集了职业数学家、学生、其他学科的研究者，有时甚至还包括
公众参与者
。
随着AI和相关工具的发展，从事严肃科学和数学研究的门槛正在降低。这是这次技术变革中，最令人兴奋的一点。
量子位：
那是不是意味着，未来连我还在读初中的弟弟，都有可能在《Nature》上发论文？
陶哲轩：
这是有可能的（笑）。
未来可能会有论文拥有成千上万名作者
，每个人都贡献其中一小块，但都是真实、有价值的贡献。从这个意义上说，很年轻的人参与其中，并不是不可能。
事实上，在数学领域已经出现过这样的例子：有青少年在AI的帮助下，给某个已知问题找到了新的解法。它未必是最重大的突破，但确实是新的结果。
这种情况将来会变得多普遍，但现在还不好说，唯一的办法就是继续尝试、不断探索不同的研究方式。
Chuck：
我其实非常希望能看到那样的场景。在过去，如果你没有很强的STEM或工程背景，几乎不可能直接参与前沿科研。
如果来自非传统背景的人，也能以有意义的方式参与科研，并真正对世界产生积极影响，那将是一件非常了不起的事情。
量子位：
结合我们前面的讨论，你们能不能举一些更具体的例子，说说SAIR未来会如何支持青年研究者的成长？
Chuck：
这是个特别好的问题，说实话，这也是我个人非常投入的一件事。我很多年来一直在做和导师制相关的工作，从大学阶段就开始了。
从我的观察来看，
培养年轻研究者，最重要的一点是树立榜样。
人在不同阶段，都会寻找榜样。
小时候，在家里看父母；进了学校，看老师；再往后，就会把目光投向更广阔的社会。
这也是为什么我们如此重视把不同领域的杰出科学家聚在一起。每一位创始成员，成功的路径都很不一样。
Barry Barish
的科研经历非常有代表性。爱因斯坦在早期论文中就预测了引力波的存在，但从提出这个理论，到实验上真正观测到
引力波
，中间走了
将近一百年
。
但直到2016年前后，人类才首次探测到引力波，Barry Barish也因此在2017年获得诺贝尔奖，目前Barry Barish也是SAIR顾问委员会创始成员。
这个例子很好地诠释了什么叫几十年如一日。
这些杰出科学家的价值，不只在于他们的成果，也在于他们能够分享自己在不确定性、挫折和失败中是如何坚持下来的。这是导师制中非常重要的一部分。
年轻科学家并不缺天赋，只是刚刚起步。所以我才会如此重视和Terry、以及整个创始团队一起做这件事，因为现在最需要支持的，恰恰就是这些年轻人。
Terry是独一无二的，但如果借助AI和更好的培养渠道，
未来能不能不只有一个陶哲轩，而是10000个陶哲轩？
这难道不是件非常令人兴奋的事吗？！
陶哲轩：
是的。SAIR只是众多尝试中的一种，它不可能包揽所有事情。支持下一代研究者的需求非常广泛，没有任何一个组织能独立完成培养整个科研队伍的任务。SAIR能做的，是专注于少数有针对性的项目。
以IPAM为例，我们可以支持
暑期学校、研讨班
，以及面向公众的
科普和交流活动
。一些协作式、众包式的研究项目，本身就会自然地吸引年轻研究者参与，有些情况下，他们甚至可以承担领导角色
本文来源：量子位