MIT统计与数据科学中心主任Sasha Rakhlin最近写了一篇文章，把近期关于AI如何改变学术界的讨论和阅读整理在一起，主要涉及数学、统计、机器学习和工程，关注点落在研究生科研与教育上。
他提到数学是一个直观的例子。去年有模型在国际数学奥林匹克竞赛中达到金牌水平，仅仅一年后，模型已经在产出新的研究结果，包括最近针对千禧年大奖难题之一提出的解法。过去用来展示高等数学能力的任务，如今越来越容易被AI完成。
Rakhlin认为，一个学科里AI进展的快慢，很大程度上取决于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。在评估又快又可靠的地方，系统能生成候选方案，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，这不只是校园里的话题。当验证变得又快又可靠，学术训练里哪些能力更被看重、哪些环节会被重新分工，都可能慢慢影响到课堂之外。Rakhlin的文章没有给出统一答案，更多是把院系和大学需要面对的问题摆出来，让人看到变化正在具体的研究领域里发生。
评论