MIT统计与数据科学中心主任Sasha Rakhlin最近写了一篇文章，整理了他对AI如何改变学术界的近期讨论与阅读。讨论范围集中在数学、统计、机器学习和工程，重点放在研究生科研与教育上。他提到，数学是一个能看清变化速度的例子：去年有模型在国际数学奥林匹克达到金牌水平，仅一年后，模型已经开始产出新的研究结果，包括对某个千禧年大奖难题提出的解法。
Rakhlin指出，一个学科被AI推进得快不快，关键看验证的速度和可靠性。形式化的证明可以自动检查，程序可以运行和测试。哪里评估快而可靠，系统就能生成候选结果、从结果中学习并改进。这一点也适用于AI研究本身：更好的模型能参与下一轮开发，形成一种不断累积的过程。
对普通读者来说，这未必是遥远的事。研究生训练中那些依赖反复试错、快速反馈的环节，可能最先被重新安排；而验证慢、依赖长期判断的领域，节奏未必一样。Rakhlin的文章没有给出统一答案，只是把院系和大学需要面对的问题摆了出来。
数学之所以先被推到台前，或许不是因为它最特殊，而是因为它的对错相对容易被机器确认。这种可确认性，正在悄悄改变学术分工的边界。
评论