蘇煒傑獲頒考普斯獎
蘇煒傑獲頒統計學最高獎，他也是北大數學07級校友
波士頓當地時間8月5日下午，在美國統計協會聯合統計會議上，蘇煒傑獲頒考普斯獎（COPSS Presidents』 Award）。考普斯獎由美國統計協會、國際數理統計學會、加拿大統計學會等五大統計學會聯合設立，自1976年起每年授予一位在統計學領域作出傑出貢獻的青年學者，是統計學領域最高榮譽之一。國際數理統計研究所、多倫多大學等都曾在官網報道中提到，考普斯獎也被譽為「統計學的諾貝爾獎」。
蘇煒傑是賓夕法尼亞大學沃頓商學院統計與數據科學終身教授。他和2026四位菲爾茲獎得主都有淵源：與王虹、鄧煜一樣是北京大學數學學院2007級本科校友，與John Pardon（白傑文）是同級斯坦福校友，與Jacob Tsimerman在共同學術休假的公司是同事。
在獲獎致辭中，蘇煒傑感謝了一路走來給予他指導和支持的師友，以及北京大學和斯坦福大學兩所母校。「感謝我在北京大學和斯坦福大學的老師們，他們把知識和智慧傳授給了我，還有我的導師 Emmanuel Candès。」他同時感謝求學期間學校提供的獎學金讓他專註學業。
蘇煒傑還在獲獎致辭中展望了AI時代統計學科的前景。他表示，只要存在數據、不確定性以及解決問題的需求，統計學就會持續發展。AI不會削弱這一點，恰恰相反，它只會放大這一點。隨著數據規模不斷擴大，統計學將在未來變得「比以往任何時候都更加重要、更加核心……現在真的是成為一名統計學家的最好時代」。
2026考普斯獎獲獎名單是2月揭曉的。三個月後，蘇煒傑宣布在沃頓商學院學術休假加入OpenAI，將回到闊別十年的舊金山灣區。2016年，他在Emmanuel Candès指導下獲斯坦福大學博士學位。
此前獲得這一獎項的華人統計學家包括黎子良、范劍青、孟曉犁、劉軍、林希虹、蔡天文和寇星昌等。其中，劉軍2025年從哈佛大學全職回國出任清華大學統計與數據科學系主任，范劍青現任普林斯頓大學教授，孟曉犁、林希虹和寇星昌均長期任教於哈佛大學，蔡天文則任教於賓夕法尼亞大學。蘇煒傑也成為繼2012年寇星昌之後，時隔14年再次獲得這一獎項的華人統計學家。
評委會認可了蘇煒傑在統計學與機器學習多個方向的貢獻，包括生成式人工智慧的統計基礎、隱私保護數據分析、機器學習理論、高維統計推斷以及優化理論等。其中，他近年來圍繞大語言模型的統計分析、水印、對齊與排序機制開展的研究，探索了如何用統計學方法理解和改進人工智慧系統；在差分隱私領域，他提出的新方法被用於分析2020年美國人口普查數據發布機制，研究顯示，在保持隱私保證的情況下，雜訊注入量有望降低約15%至24%，從而提高數據可用性。
過去十年間，蘇煒傑先後獲得美國國家科學基金會CAREER獎、斯隆研究獎學金、工業與應用數學學會數據科學青年獎、數理統計研究所彼得·霍爾青年學者獎、美國統計協會諾特青年學者獎等獎項。
除了統計學研究，蘇煒傑近年來也越來越多參与人工智慧AI領域的制度建設。2025年他被任命為機器學習頂會ICML 2026科研誠信主席，2027年將出任ICML程序主席。此前，他與合作者提出基於博弈論思想的作者自評審排序機制「保序機制」（Isotonic Mechanism）：要求作者對自己的多篇投稿排序，並將這一信息作為輔助信號校準同行評審結果。該機制試圖緩解AI頂會投稿數量激增背景下，評審資源不足和評分雜訊帶來的問題，並於2026年被ICML納入正式評審流程。
《知識分子》與蘇煒傑對話，話題從他在北京大學的求學經歷，到統計學與人工智慧的交匯，再到加入OpenAI后的研究方向，以及應用數學在AI時代的前景。
01
從追求「深刻與優美」，
到尋找現實中的數學問題
《知識分子》：您本科在北大數院學的是純數學，後來轉向了統計和應用方向。這段早期的數學訓練，對您後來研究方向有什麼影響？
蘇煒傑：影響非常大。我們那一級里有很多從事純數學研究的同學。我當時學的也是純數學，後來轉嚮應用，一個很大的原因可能是每個人個性不一樣，我比較關注社會現實和一些前沿進展，當時數據科學、壓縮感知這些方向新聞媒體報道比較多，我覺得這方面數學能用得上，又能對科技、對社會產生很大影響力，興趣就多一些，後來就轉向了應用。
北大數院2007級本科校友合影（左起：趙子慧、唐雲清、王虹、鄧煜、孫鑫、蘇煒傑）。來源：北京大學數學科學學院
北大數院2007級本科校友合影（左起：趙子慧、唐雲清、王虹、鄧煜、孫鑫、蘇煒傑）。來源：北京大學數學科學學院
儘管轉了應用方向，我們數學出身的研究者跟其他背景的研究者，在特質上還是有些不一樣，看待問題往往會從數學原理出發。表面上一個雜亂無章、堆滿數據的問題，我們會特別想理解清楚它背後的機制，這個機制往往是可以用數學來刻畫的。這個風格一直貫穿在我科研的各個方面。
《知識分子》：像您這樣從純數學轉嚮應用數學研究，在您那一級多嗎？當時您為什麼選擇這個方向？
蘇煒傑：不多。我們那一級，大部分留在學術界的都偏純數學。北大數院每個年級從事學術的總人數比例，每年差別不大，但應用和純數學之間的分佈波動挺大。我們這一年純數學特別多，但比我們低兩三年的，做應用數學的就多很多了，這跟每年任課老師等各方面因素都有關係。
做純數學，除了數學能力之外，更重要的是一種長期專註的品質。能夠不為外界潮流所動，堅持一個問題多年。
我比較關注自己做的問題對實際、對社會有沒有影響。雖然我的專業方向是純數學，但跟很多做應用數學的同學一起上課，也參加了很多數學建模競賽，用兩三天時間，通過統計、優化、編程等方法解決一個完全實際的問題。我參加了很多次，也得過幾次獎。
還有一點，我在北大輔修了經濟學雙學位，是林毅夫老師創辦的中國經濟研究中心面向全校開設的項目，從大二讀到大四。學經濟學的過程讓我在理論數學的世界觀之外多了一個角度，更了解真實世界的複雜度非常高，很多方面需要通過實證的方式去理解。這些決定當時也沒多想什麼理由，是後知後覺，可能確實是這段經歷讓我對應用有了更切身的體會。
《知識分子》：這是不是純數學和應用數學在思維方式上的一個差異？
蘇煒傑：它們有很多共同點，本科階段都要把數學基礎打牢，數學是我們的一個基本工具，是看到一個問題時第一個想到的工具箱。
純數學和應用數學共享同一個數學工具箱，但關注的重點不同。純數學更追求從內在上理解問題的本質，追求深刻與優美。應用數學，包括統計、計算數學、優化，也包括作為AI基礎的機器學習，強調問題的來源要跟實際結合，以及理論能否反哺真實系統。想做的事情是通過數學建模，把觀測到的數據、觀察到的現象和理論結合起來。
現象和理論這兩者之間是有差距的，理論建模總要做簡化，跟真實問題會有一些差距。這個差距能不能縮小，中間需要一些直覺和技巧，儘可能讓理論和實際連貫起來。應用數學一般不太可能做到完美，因為受實際條件所限，數據會缺失，我們儘可能在已有條件下達到局部最優，這往往是我們追求的目標。
我前幾天正好在費城參加國際數學家大會，跟做純數學研究的同學聚了聚，我相信」優美、深刻、本質」這三個詞他們都會認同，描述純數學比較合適。而應用數學除了數學本身，還需要體現兩點：一是數學理論能指導實際能用的東西。二是能提高實際的生產力：比如大模型訓練方式的改進能把成本降下來，產生實際的經濟效益。
《知識分子》：您獲獎時感謝了北大的培養。當時的氛圍對您有什麼影響？
蘇煒傑：影響非常大。首先非常感謝北大給予我的一切。一方面是知識上的收穫，有這麼好的平台可以學到很多東西。另一方面是有非常好的同輩共同體：大一剛入學，就能感覺到同學們對知識、對學術的那種渴求非常明顯，是發自內心的好奇心驅使，而不只是為了考一個好成績。還有一點，我大學期間一直拿助學金，再加上獎學金，兩者結合經濟上就消除了我的後顧之憂。
《知識分子》：考普斯獎獲獎介紹里把您的研究分成了幾個方向，如果只選一項，您覺得哪個比較有代表性？
蘇煒傑：我自己覺得比較有意義、又有實際價值的，大概有四項。
第一項，是通過連續的微分方程，來解釋優化中的加速現象，這可以幫助我們更好地理解和設計機器學習中的優化演算法。
第二項，是差分隱私，尤其是從統計視角研究差分隱私機制，希望在保護用戶隱私的同時提高統計效率。
第三項，是高維統計推斷中的錯誤發現率（false discovery rate, FDR）控制問題，我們設計了一些新的方法，在保證估計準確性的同時控制假陽性率。
第四項，是針對機器學習會議同行評審提出的保序機制（Isotonic Mechanism），通過讓作者提供關於自身論文質量的信息，再通過統計方式更好地估計論文質量，這裏面還涉及博弈論的思想。這個方法今年在ICML上得到了實際應用。
《知識分子》：您的研究里怎麼找問題的，是先有一個已經呈現出來的難題，還是先有一套擅長的方法，再去找適合的問題？
蘇煒傑：我認為，問題首先要有實際的重要性，而不是先拿一個理論框架去套。比如差分隱私，背後對應的是一個非常現實的問題：如果直接使用用戶數據訓練各種模型，用戶隱私可能會暴露。再比如審稿質量下降，近年來人工智慧會議的投稿量快速增長，同行評審面臨越來越大的壓力，論文能否被接收有時已經不完全取決於論文本身的質量。
找到這樣的問題之後，下一步是挖掘它背後是否存在某種機制上的、統計上的或者數學上的結構，並嘗試建立理論模型。
02
AI還沒有「物理學」，
數學家正在尋找底層規律
《知識分子》：ChatGPT出來之後，您的研究是不是更多轉向了AI方面？
蘇煒傑：大概是從三年半前開始的。其實我們組一直在關注機器學習的統計基礎，2022年底ChatGPT出現后，我們意識到這不僅是技術突破，更是驗證理論的絕佳場景，因此將主要精力集中在了大語言模型方向，主要集中在它的統計和優化這兩個維度。
《知識分子》：在AI時代，應用數學能給大模型帶來什麼？
蘇煒傑：大模型的訓練大概可以分為兩個環節：預訓練（pre-training）和后訓練（post-training）。預訓練主要是讓模型從海量數據中學習，這個過程中數學里的優化發揮了非常重要的作用。用數學語言來說，就是不斷最小化一個損失函數，通過梯度迭代讓損失函數逐漸降低。所以預訓練階段，本質上對應的是一個優化問題，這也是應用數學中的優化理論能夠發揮作用的地方。
后訓練階段則更多體現了統計學的作用。這個階段主要是讓模型更好地符合人類指令和社會規範，把預訓練階段獲得的能力進一步發揮出來。這個過程很多時候需要用概率語言來描述，比如在對齊（alignment）過程中，我們希望模型對不同選項的偏好符合某種預期的概率分佈，這就涉及如何更好地估計和逼近真實分佈的問題。同時，實際數據中往往存在大量雜訊，如何從雜訊中找到真正的信號，也是統計學一直試圖解決的問題。
《知識分子》：現在的大模型研究很大程度上依賴工程經驗和實驗迭代，應用數學能提供的獨特貢獻在於什麼？
蘇煒傑：當然，一個研究優化或者統計的學者如果要訓練大模型，也需要掌握一定的工程能力。比如通過實驗調整模型、改進訓練流程。但工程方法更多依賴經驗和試錯，而應用數學關注的是如何從複雜現象中抽象出問題背後的結構。
隨著編程智能體（coding agent）等工具的發展，工程實現的門檻正在降低，這個時候，數學建模能力的重要性反而更加凸顯。
數學家的獨特之處在於，他們往往更容易抓住問題的數學本質。數學建模的過程，就是把一個複雜問題去粗取精，提煉出最核心的因素，弄清楚這些因素之間在數學上、定量上的關係，從而更好地刻畫它們之間的依賴關係，並尋找更優的解決方案。
單純從工程角度出發，很多問題當然也可以解決，但這種解決方案可能只是針對某個具體場景的經驗性方案（ad hoc），換一個條件就未必適用；同時，它也未必是最優的，因為它沒有真正揭示問題背後的結構。
《知識分子》：數學對理解AI本身有幫助嗎？您之前提到過，AI現在還沒有發現一個像物理學那樣大家都認同的底層規律。
蘇煒傑：這需要分兩方面來看。一方面，AI最底層的數學原理確實還沒有被發現。現在的模型規模越來越大，架構也越來越複雜，想從純理論上理解這些系統背後的基本規律，難度非常高，可能需要新的數學突破。我也和一些做純數學研究的同學交流過，他們對此都很感興趣，但目前還不知道具體應該從哪裡入手。
另一方面，這並不意味著定量的應用數學方法現在無法發揮作用。以優化為例，簡單來說，我們要做的是最小化一個函數。通過梯度方法，我們並不需要知道這個函數完整的形狀，只需要知道梯度，然後沿著梯度下降的方向不斷迭代。就像一個人在山上尋找下山的路徑，他只需要知道周圍哪個方向更低，然後一步步走下去。
也就是說，即使不知道一個系統最底層的機制，我們仍然可以通過數學方法有效地解決問題。統計學更是如此。我們不一定需要知道系統內部所有的因果機制，只要能夠觀察到數據，就可以對隨機性進行建模，從中識別真正的信號。生物統計和神經科學中很多問題也是這樣，雖然我們對生命系統的底層機制仍然沒有完全理解，但統計方法依然能夠幫助我們發現規律、做出預測。
《知識分子》：AI研究有沒有可能形成一套類似物理學的底層理論，還是說它可能會一直處於不同問題對應不同理論的狀態？
蘇煒傑：這是個好問題。學界現在明確的一點是，目前還沒有一個完善的數學底層理論來解釋AI的運作。至於未來會不會有，學界兩種觀點都有：一種認為未來還是會有一個AI的數學理論，人工智慧最終變成了一種」物理學」，我們能發現它的」相對論」」量子力學」。另一種認為，隨著AI系統複雜度越來越高，最底層的數學理論可能永遠無法建立。據我的觀察，學界目前還不清楚到底哪種是對的。
我覺得其中一個關鍵問題在於，AI不是一個靜態的研究對象。物理學面對的是相對穩定的自然規律，我們可以不斷逼近這些規律。但AI系統本身一直在變化，模型架構、訓練方法都在不斷演進。比如，如果Transformer被新的架構取代，那麼針對上一代模型建立的理論，可能未必能夠直接解釋下一代模型。這個追趕過程是非常動態的，理論就一直沒辦法逼近，可能永遠存在代差。
《知識分子》：AI相關的問題中，從數學的角度上看哪些最值得關注？
蘇煒傑：有一個非常重要的問題：現在模型參數規模已經達到萬億級別，在做反向傳播、梯度下降過程中，參數的變化到底和模型最終表現出來的宏觀能力之間是什麼關係？這是理論上非常重要的問題。
另一個相關問題是它和「過參數化」（overparameterization）的關係。因為模型參數非常多，要達到某個目標的解往往不是唯一的，而是存在無窮多個解。那麼，在梯度下降過程中，為什麼模型最終會找到某些解，而不是另外一些解？背後是什麼機制導致了這種偏好？
這些問題和傳統數學問題有一點不同：我們現在還很難把它們寫成一個非常清晰、定義良好的問題。很多現象已經被觀察到了，但我們對它們的描述還比較定性，缺少精確的定量刻畫。這正是應用數學面臨的困難，也是有機會突破的地方。
舉個例子，現在大模型的長程任務（long horizon）能力越來越強。要完成這樣的工作，模型需要調用各種工具，並與用戶多輪交互。這是一個非常長的過程，通常來說，模型參數規模越大，基礎模型的能力越強，也越有可能支撐這類複雜任務。但這種能力和模型規模、訓練方式之間到底是什麼關係，目前還沒有完整的理論解釋。
我們知道，隨著模型規模擴大、架構不斷變化，模型會展現出一些新的能力，但這些能力為什麼出現，以及它們和參數規模、訓練過程之間有什麼定量關係，目前仍然缺少理論描述。甚至連經驗性的擴展定律（scaling law）在這些更複雜能力上的適用範圍，都還沒有完全弄清楚。
蘇煒傑在蘇黎世聯邦理工學院愛因斯坦的儲物櫃前。
《知識分子》：這次國際數學家大會上，有沒有哪些報告讓您看到，應用數學能夠為理解AI提供新的思路？
蘇煒傑：這次大會上，各個方向都有很多精彩的工作。給我印象比較深的是Peter Bartlett的報告。他是伯克利教授，同時也在Google DeepMind擔任相關研究職位。他講了一些利用簡單模型去理解神經網路訓練中一些奇妙現象的工作。深度學習中有很多現象其實還沒有完全被理論解釋，比如為什麼規模巨大的神經網路能夠有效泛化，為什麼簡單的優化方法能夠訓練如此複雜的模型，這些都是非常值得研究的問題。
另外，
Stephen Wright
關於優化的報告也讓我印象深刻。他回顧了優化領域的發展歷程，討論了優化理論與實際應用之間不斷相互推動的關係。很多優化演算法的發展，都是理論分析和實際需求共同作用的結果：實際問題為理論研究提供了動力，而理論上的新理解又會反過來推動演算法的發展。我覺得這也是
AI
時代數學發展的一個重要特點
——
理論和應用需要齊頭並進，誰都缺不了誰。
03
學術休假期加入OpenAI，
他想尋找AI背後的數學規律
《知識分子》：您這次是在學術休假期間加入OpenAI。您希望從這段經歷中獲得什麼？
蘇煒傑：一方面，我很好奇真實世界里他們是怎麼訓練GPT-5這樣的模型的，也想了解AI實際運作過程中出現的一些奇妙現象。但我最終的目標，還是希望從應用數學的角度去理解AI的機制。
短期來看，我希望能為統計和優化設計更好的演算法。長期來看，我希望能夠嘗試建立一個AI的數學理論，這是我的夢想。當然，學界也有一部分觀點認為，這樣的理論可能永遠無法建立，但我還是希望把它作為一個重要方向去探索。
另一方面，公司內部有更充足的算力和實驗條件，很多在學校環境下難以開展的實驗，在那裡可以更容易實現。這些一線經驗，也會幫助我未來更好地設計統計和優化方法，推動對AI理論的研究。
《知識分子》：現在AI研究越來越依賴算力和工程資源，高校在這一領域面臨怎樣的挑戰？
蘇煒傑：我不覺得未來會有改變。學校畢竟是科研、教育單位，不可能在商業化過程中跟AI的前沿實驗室去比，這個資源差距永遠會存在，甚至有擴大的可能。
但這不表示學術界就不能做AI研究了。一方面，小模型的研究對大模型性質的研究還是有一些指導意義的，至少在優化、統計方面。比較難的是架構（architecture）這一塊，可能需要非常大的模型規模才能真正知道效果。
另一方面，學術界可以研究大模型的合規問題，包括隱私、可信機制，往大了說是安全性。未來隨著模型能力上升，它對社會在公平性、隱私保護和安全方面的挑戰會越來越大，緩解這些壓力很難靠公司主動去做，因為公司畢竟是商業驅動的。這個時候，學校其實承擔了一個社會責任人的角色，去為大模型建立一套合規框架，可以說是給模型做」審計」，這是學術界應該承擔的責任，也是機會。
《知識分子》：過去很多基礎研究主要由高校完成，再通過產業轉化落地。但現在大模型能力的提升高度依賴算力、數據和工程投入，這些工作越來越集中在企業中。您覺得這會改變高校和產業之間原有的關係嗎？
蘇煒傑：一定程度上這不可避免，但不是說學校完全做不了任何事情。大模型前沿能力這一塊，不光是北美，國內也是一樣，基本上領導者都是商業公司。
商業化的本質是要把規模成本打下去，需要大量的試錯和資本投入，學校是非營利機構，不可能有公司這麼強的競爭力，這就跟很多學校有航空航天專業，但沒見過哪個學校真正造出一架大飛機一樣，到一定程度就要交給市場化過程去完成。
但學校可以做的事情還有很多。除了前面說過的研究方向，還有大模型人才培養，這還是需要學校來完成的。
大模型能力越來越強，就像一把劍越來越鋒利，我們也需要打造一面更好的盾來保護自己。某種意義上，提升模型能力和提升安全能力是同樣重要的課題。
《知識分子》：在AI時代，學校應該如何培養下一代AI人才？
蘇煒傑：理論培養和實際操作應該并行，但理論基礎可能要稍微打得靠前一點，實際應用能力也需要不斷提升。
同時，也不能光喊口號。國內也好，美國也好，其實大家都還沒有真正普遍地在學校層面開設AI倫理課程，讓本科生、研究生在進入社會開發AI之前，先認真討論這些問題：當AI能力達到一定程度以後，我們應該怎麼看待它？邊界在哪裡？怎麼樣才能保證即使未來AI能力超過人類，依然保持人的主體性：人是主體，AI仍然是工具或者輔助角色。
我覺得這是非常重要的。如果價值觀不夠堅定，未來出現嚴重的安全事故並不是完全不可能。技術能力越強，越需要有相應的責任意識和安全意識。
04
未來還需要論文這種形式嗎？
《知識分子》：您也參与機器學習頂會的審稿工作。在論文數量快速增長、AI生成內容不斷增加的背景下，未來同行評審會發生怎樣的變化？
蘇煒傑：AI參与審稿是一個必然趨勢，完全依靠人工審稿已經很難支撐下去了。現在寫論文的門檻和成本大幅下降，大量AI輔助生成的低質量論文湧入，如果不仔細看，很多並不容易識別。這些論文大量進入ICML這樣的頂會，投稿量比去年增長了大約百分之六七十，而且這個增長速度本身還在不斷加快。
在這種情況下，如果AI不參与，未來學術共同體可能很難維持。但同時，也不能完全讓AI替代人來審稿。人仍然需要參与，尤其是在整體方向判斷和價值觀把握上。我更希望未來形成一種模式：人佔主導，AI作為輔助工具。具體怎麼設計這樣的機制，我覺得還存在不少挑戰。
再往大了講，未來我們還需要論文這種形式嗎？這可能也是一個值得思考的問題。現在很多人已經不是直接閱讀論文，而是先讓AI幫助總結和提煉。未來，論文或者說知識本身，可能會變成一個更大的知識庫，知識的獲取、加工、存儲和整合都會通過AI完成。
現在論文有標題、摘要、引言等結構，本質上都是為人類閱讀設計的。但對AI來說，論文可能就是一個序列（sequence），它並不需要標題這樣的結構，很快就可以處理完整篇內容。
所以未來，大部分科研成果可能未必還會以現在這種PDF論文的形式存在，而可能會變成某種知識庫或資料庫。當然，一些非常重要的知識總結，可能仍然需要人主動提煉出來，因為教育下一代仍然需要人能夠理解和學習的形式，比如論文或教科書。
《知識分子》：如果未來科研越來越多地藉助AI完成，我們應該如何評價一個人的科研貢獻？
蘇煒傑：這個問題我也沒有一個很好的答案，但我覺得未來肯定會變得非常複雜。
以後一個人的科研成果本身可能也是在AI輔助下產生的，然後又可能被集成到另外一個更大的AI系統中。這樣一來，個人成果的作用有點像變成了某個模型預訓練的數據。
但「某一部分數據到底對模型貢獻了多少」，本身就是一個非常基礎的問題。比如，用一部分文本做預訓練，這部分文本究竟貢獻了多少，很難直接衡量。當然，可以訓練兩個模型進行比較，一個使用這部分數據，一個不使用，然後看兩者之間的差異。但這種方法不可擴展（scalable）：如果數據規模非常大，需要訓練無數個模型去做比較，成本是無法承受的。
這個問題和經濟學里的沙普利值（Shapley value）有一些類似，核心思想是通過比較「有」和「沒有某個因素」時結果的變化，來衡量它的重要性。這個方向的工作獲得過諾貝爾經濟學獎。未來評價個人科研貢獻時，可能也會面臨類似的問題：貢獻如何分解、如何量化，會成為一個重要難點。
《知識分子》：如果未來知識越來越多通過AI被獲取和使用，您覺得科研評價體系會不會出現新的指標？比如用一項研究被AI調用的次數，來衡量它的影響力。
蘇煒傑：未來「被AI調用」確實可能會成為一種新的「引用率」形式。但這裏也要注意，一方面，它確實能夠體現比較直接的影響力。另一方面，它也可能和現在的引用率一樣，在一定程度上掩蓋真正的價值。
有些知識本身並不一定特別深刻，也不一定特別重要，但因為應用場景廣、使用頻率高，可能會被大量調用。反過來，有些非常重要的研究，可能並不是最熱門的，但它的價值需要經過更長時間才能體現。引用次數本身也是一種影響力指標，但並不能完全等同於科研價值。
所以，未來我們可能需要在一定程度上挖掘真正有價值的貢獻，而不能只停留在表面的調用次數上。
05
AI完成了很多數學猜想，
在應用數學也會有巨大前景
《知識分子》：AI會怎樣改變應用數學的研究方式？
蘇煒傑：兩個層面。一個層面是，AI帶來了新的問題。過去一些傳統方法無法處理的問題，現在因為AI的發展變得可以處理了，這本身就會產生很多新的研究方向。
另一個層面是，AI可能會讓應用數學中很多模塊化的環節變得更加高效。應用數學和純數學有一個比較大的區別：應用數學通常是模塊化的。一個實際問題，首先需要根據背景建立數學模型，然後利用統計、優化、計算等方法，在實際數據上進行訓練和擬合，再根據結果調整參數，甚至反過來修改最初的模型。不同模塊之間彼此關聯，但並沒有完全融合，所以整個過程往往需要花很多時間。
AI現在比較擅長的是在單個模塊內部發揮作用。比如訓練一個小型神經網路，或者求解一個具體的數值微分方程，AI都可以做得很好。
《知識分子》：現在AI已經證出了很多純數學的猜想，那它在應用數學方面有類似的突破嗎？
蘇煒傑：AI在純數學領域的突破更引人注目，這是因為純數學問題具有清晰的結構和明確的驗證標準，這對AI學習非常高效。而應用數學有模塊化的特點， AI在這個模塊做得很好，另一個模塊也做得很好，但轉變過程中經常會出問題。所以，AI在應用數學這邊的進展是漸進的，不是一蹴而就的。
純數學之所以不一樣，本質原因是它是context-free的。一個數學命題的證明，對AI來說是一個非常明確、不依賴具體上下文的問題，沒有太多模糊性，可以通過強化學習不斷加強。證明正確了，獎勵就是1。錯誤了，就是0，然後不斷迭代。
所以數學證明這方面，從去年這個時候它還只能做IMO金牌題，到現在已經可以做科研級別的數學證明了，前後也就過了一年時間，這個變化非常驚人。
純數學的性質也決定了它比較適合作為AI訓練的基準測試（benchmark），它天然是一個非常適合強化學習的問題。問題明確、獎勵明確，可以不停迭代參數，這跟下圍棋、跟編程有點類似，都是相對沒有歧義的問題。這三個方向，也是相對來講很適合強化學習這種場景的三個例子。
《知識分子》：現在很多AI大廠都在招聘應用數學人才。應用數學研究者能夠為AI發展解決哪些關鍵問題？
蘇煒傑：預訓練這方面，需要更多做優化、做計算數學的學者。這次國際數學家大會上，優化方向就有兩個一小時報告，一個是拿了高斯獎的Yurii Nesterov，還有一個是Stephen Wright，比例相當高。
后訓練這方面，需要大量統計學家。因為這一階段涉及很多數據分析、概率建模和不確定性處理。
但如果問有沒有某一個問題，解決了之後整個局面就會徹底打開，我倒不覺得存在這種情況。現在更多是一個系統性工程。在每一個環節上提高哪怕1%，最後整體疊加起來，可能都會帶來非常大的提升。
其中，如果一定要說一個比較核心的問題，我覺得可能是架構。我不確定Transformer是不是現在應該把所有資源都投入進去的架構。從直覺上講，應該不會不存在比它更好的架構，只是現在大量成本已經投入到Transformer上，並且圍繞它進行了各種優化。
未來會不會出現一個更好的架構？這個架構能不能被大家認可？我覺得這些都還是未知的。
《知識分子》：您之前說過，如果有一個平行世界，希望AI沒有出現，哪怕發展慢一些。這個說法的考慮是什麼？
蘇煒傑：如果有一個平行世界，從純粹風險規避的角度，我是希望AI不要出現的。AI不出現，我們的發展會慢一些，但相對來講，每一步都是比較可靠的。
今年獲得菲爾茲獎的Jacob Tsimerman，去年曾和Andrew Critch合作寫過一篇討論AI可能導致人類毀滅情景的論文。按照他們的觀點，AI的出現使人類面臨極端風險的概率增加了，雖然我們不知道具體概率是多少。
這就像一場賭博。沒有AI，我們不會因為AI而面臨這種風險，但發展速度可能會慢一些。有了AI，也許很大概率我們會快速發展，躍升到一個新的階段，但也存在小概率出現非常嚴重後果的可能。
對於一個比較謹慎、希望未來更確定的人來說，可能沒有AI會更好。人的智能本身其實還有很大的發展空間，只是沒有AI這種快速集成和放大的能力。
但另一方面，AI的出現不會以任何個人、任何國家的意志為轉移，它已經成為一個全球性的競爭問題。到了這個階段，無論喜歡還是不喜歡，我們都需要接受現實，更重要的是思考AI會對自己所在的行業、領域產生什麼影響，以及應該如何應對。
*以上內容系網友澳洲一點通自行轉載自知識分子，該文僅代表原作者觀點和態度。yeeyi號系信息發布平台，僅提供信息存儲空間服務，不代表贊同其觀點和對其真實性負責。如果對文章或圖片/視頻版權有異議，請郵件至我們反饋，平台將會及時處理。