随着人工智能能力的边界不断拓展，高校正面临如何应对挑战与把握机遇的双重考题。麻省理工学院统计与数据科学中心主任、社会数据系统杰出教授萨沙·拉赫林（Sasha Rakhlin）在新发表的文章中指出，学术界——尤其是数学、统计学、机器学习及工程学领域——必须重新审视与AI的协作模式，为AI在多数智力工作中超越人类的近未来做好准备。
科研范式加速演变：从解题到提问
数学领域的进展直观反映了AI能力的跃升。继去年AI模型在国际数学奥林匹克竞赛中达到金牌水平后，仅一年时间，模型已能产出包括千禧年大奖难题潜在解决方案在内的新研究成果。这种加速进步的核心驱动力在于验证的速度与可靠性：形式化证明可自动检查，代码可运行测试，使得系统能快速生成候选方案并从结果中学习改进，形成累积效应。
对研究人员而言，这意味着可以攻克此前因技术门槛过高而难以触及的问题。但同时也凸显了“获得解决方案”与“理解其原理、适用范围及后续方向”之间的区别。拉赫林警告，不应假设抽象思维、判断力或问题表述能力永远处于AI能力范围之外，大学必须正视AI在智力工作上可能全面超越人类的现实。
重构评估体系：超越“完美论文”
在AI辅助下，一篇打磨完美的论文已不再是个人专业能力的强有力信号。院系需重新设计奖励机制，避免简单地将“目前AI无法完成”的工作定义为有价值。提出高质量问题、复现结果、思想综合、具有信息量的阴性结果以及数据集共享等贡献，应获得更多认可。评估体系需明确研究者在AI参与下的智力责任，并将此标准贯穿于招聘、晋升及资金分配中，向现有及未来博士生清晰传达。
在人才培养方面，需警惕将基础训练完全委托给AI的风险。直觉与判断力需在常规演算、编程试错及小发现中磨砺。教育重点应转向区分“不必要的摩擦”与“有助于专业知识发展的工作”，培养学生提出问题、审核模型输出、复现结果及捍卫选择的能力。在此背景下，基础知识的重要性反而可能提升。
构建共享基础设施：捕获隐性知识
拉赫林认为，大学真正的机会在于建设长期追踪问题、公开分享结果并独立评估主张的能力。尽管与工业界合作至关重要，但学术界需保持一定的技术独立性，以确保覆盖商业优先级之外的科学广度。
学术界的核心战略资产是实验室中积累的隐性知识——包括失败的实验、放弃的方向及方法失效的原因。这些未发表的背景信息解释了为何AI目前在实证科学中难以预测某些后果。通过捕获阴性结果及科学家解读，可显著提升模型在科学探索中的表现。
未来，MIT实验室可演变为通过共享AI基础设施连接的“科学有机体”。例如，AI代理可跨学科识别相关进展、连接研究人员、提出基准测试并协助迭代。为实现这一愿景，需在计算能力、安全数据系统及AI模型适配专业知识方面进行大量公共与机构投资。这不仅有助于保留思想谱系、明确贡献归属，更能促进开放合作，利用AI合成多源信息的能力，围绕复杂的科学与工程问题协同创新。