Penerima Pingat Fields Bergabung dengan OpenAI, ByteDance Melancarkan Program Saintis STEM

Anugerah Fields tahun ini dianggap sebagai "yang terakhir murni" — kemungkinan besar, penyelidikan berterobosan seterusnya akan dilakukan bersama AI.

Proses peralihan ini mungkin berlaku lebih cepat daripada yang kita bayangkan: semasa sidang akhbar anugerah Fields, seseorang bertanya kepada salah seorang pemenang, ahli matematik Kanada Jacob Tsimerman, mengenai kerja seterusnya beliau, dan beliau menyatakan bahawa beliau telah mula beralih kepada penyelidikan keselamatan AI, dan akan segera bekerja di bahagian keselamatan OpenAI.

Di sisi lain, Ketua Penyelidik OpenAI, Mark Chen, segera menyambut baik.

Ahli-ahli terkemuka kini memandang syarikat AI terkemuka sebagai platform untuk mewujudkan ambisi mereka. Dalam tempoh terkini, semakin ramai saintis terkemuka, termasuk ahli matematik, ahli fizik, dan ahli biologi, sedang berpindah ke syarikat-syarikat model besar terkemuka. Hanya pada separuh pertama tahun ini, penerima Hadiah Nobel Kimia John Jumper, ekonom Chad Jones, dan falsafah Harvey Lederman telah menyertai Anthropic.

Di sebaliknya, syarikat-syarikat AI terkemuka juga secara serentak memfokuskan perhatian mereka pada arah yang sama: mereka semuanya mengundang para saintis ke tapak pembangunan AI. Penggabungan mendalam antara AI dan sains canggih sedang berubah daripada pilihan kepada keperluan mutlak.

Kilang AI tempatan juga sedang mengikuti langkah ini; pada hari Kamis minggu ini, pasukan Seed Edge dari ByteDance melancarkan Rancangan Ilmuwan Seed STEM, membuka 100 tempat kerjasama kepada ilmuwan dan pelajar doktoral di bidang sains canggih seperti matematik, fizik, kimia, dan biologi, serta mengajak mereka bersama Seed mengkaji masalah-masalah tidak diketahui dalam sains asas. Berdasarkan maklumat awam, ini merupakan rancangan pertama di negara ini yang secara besar-besaran melibatkan AI untuk mempercepat penemuan sains canggih.

Dalam persaingan pantas berdasarkan hari di bidang AI semasa ini, mendalami penyelidikan AI asas jangka panjang mungkin kurang langsung berbanding memperbaiki kemampuan pengkodean atau meningkatkan skor ujian: peningkatan kemampuan yang terakhir boleh diubah dengan pantas menjadi pengalaman produk dan pendapatan komersial, manakala penyelidikan asas dan AI yang mempercepat penemuan sains mempunyai tempoh maklum balas yang jauh lebih panjang serta laluan eksplorasi yang penuh ketidakpastian.

Namun, sebaliknya, sekiranya tercapai lompatan sejati di jalan ini, nilai paradigmatik yang dihasilkan akan jauh melebihi pengulangan produk biasa.

Yao Shunyu sebelum ini menyebutkan satu pandangan kepada pasukannya: latihan model besar tidak ada sihir. Cabaran sebenarnya terletak pada melaksanakan perkara paling asas dan pasti boleh dilakukan dengan betul. Penilaian ini selari dengan pandangan jangka panjang ketua eksekutif Anthropic, Dario — elemen utama yang mendorong kemajuan AI sentiasa ialah kuasa pengiraan, kualiti dan skala data, tempoh latihan, serta fungsi objektif yang boleh dikembangkan, “semua kaedah dan teknik pintar sebenarnya tidak begitu penting”.

Melihat semula model SOTA sebenar seperti Claude dan Seedance, tiada jalan pintas di belakangnya; intinya ialah mereka telah menetapkan arah yang jelas sejak awal dan melakukan banyak kerja asas dalam kualiti data dan arsitektur dasar.

Anthropic sangat memfokuskan sumber daya pada peningkatan kemampuan kod model, melalui pembelajaran berpenguatan yang membolehkan model memahami dan menghasilkan kod berkualiti tinggi melalui percubaan berulang, serta membentuk roda evolusi berpusat pada umpan balik pengguna.

Di bidang penghasilan video yang sukar dipertahankan oleh banyak syarikat besar, Seedance telah mengubah penghasilan video AI daripada eksperimen seperti "mengambil kad" menjadi alat penghasilan perindustrian yang lebih boleh dikawal dan lebih kreatif melalui arsitektur model inovatif dan kerja data yang teliti.

Jelaslah bahawa yang benar-benar menentukan had kapasiti model bukanlah penumpukan teknik, tetapi ketepatan data, kestabilan struktur asas, serta pemfokusan jangka panjang dengan ketahanan strategik dan kesabaran yang mencukupi.

Ini bukan perkara mudah dalam persekitaran sekarang, tetapi kita dapat melihat semakin banyak syarikat di pasaran model besar domestik bersedia untuk bersabar dan mengambil jalan yang sukar tetapi betul.

Tahun ini, DeepSeek Arsitektur mHC (manifold-constrained hyperconnection) yang dilancarkan dianggap sebagai lompatan besar dalam bidang arsitektur asas model besar. Ia juga DeepSeek Salah satu peningkatan arsitektur penting V4, yang menggantikan sambungan sisa tradisional, merangkumi keseluruhan reka bentuk model. Perlu ditekankan bahawa kajian mHC merujuk kepada Hyper-Connections (HC) yang dicadangkan oleh pasukan Seed ByteDance.

Sebelum ini, sambungan sisa sebagai kerangka dasar Transformer dianggap sebagai konfigurasi lalai oleh industri, dan HC menjadi yang pertama memecahkan paradigma aliran tunggal ini, meningkatkan secara besar-besaran kemampuan ekspresi ciri model tanpa menambahkan beban pengiraan yang signifikan. Dari penciptaan inovatif HC hingga pelaksanaan teknikal mHC, ia menjadi cerminan inovasi teknikal pasukan AI China di bidang arkaitektur asas—sesuatu yang jarang berlaku dalam perkembangan teknologi model besar sebelum ini.

Pada awal tahun lalu, Byte Seed membentuk sebuah pasukan khas bernama Edge, yang bertujuan untuk menjalankan projek penyelidikan yang memiliki kepastian lebih rendah dan mungkin tidak menunjukkan hasil dalam jangka pendek. Untuk memberikan persekitaran yang stabil kepada penyelidik, mereka bahkan menyesuaikan tempoh penilaian prestasi — tanpa mekanisme penilaian di tengah jalan, dan hanya menilai secara serentak apabila hasil diperoleh.

Selepas pasukan ini ditubuhkan, ia tetap rendah hati, tetapi baru-baru ini mereka memperkenalkan set penilaian jangka panjang EdgeBench di X, yang pertama kali dalam industri ini secara sistem mentakrifkan pola pembelajaran Agent dalam persekitaran sebenar, menemui hukum Scaling baru dalam dimensi pembelajaran persekitaran, dan memicu perbincangan daripada banyak tokoh utama dalam industri.

Dikatakan bahawa OpenAI juga sedang mengintegrasikan set penilaian ini untuk menguji kemampuan jangka panjang model mereka.

Dalam bidang AI, orang sering memfokuskan perhatian pada model besar itu sendiri, tetapi membina Benchmark sebenarnya memerlukan tempoh yang panjang dan sumber manusia yang banyak. Mereka merancang dan membuka sumber ujian piawai untuk kemampuan AI canggih bukan hanya untuk mengukur kemajuan sendiri, tetapi juga untuk memandu seluruh bidang ini ke arah yang lebih telus dan boleh dipercayai melalui penentuan piawaian industri dan pengungkapan kelemahan model. Makmal AI terkemuka memberikan pelaburan yang besar dalam pembinaan benchmark.

OpenAI telah melepaskan kerangka Evals sebagai alat piawai industri untuk menilai model bahasa besar dan sistem berdasarkan LLM. Untuk kemampuan terkini tertentu, OpenAI juga telah mereka serangkaian tolok khusus, termasuk SimpleQA, BrowseComp, dan MLE-bench.

Anthropic telah melakukan banyak kerja sekitar SWE-bench, dengan jelas menonjolkan kekuatan kod Claude mereka; mereka juga telah melancarkan Terminal-Bench untuk mengukur kemampuan Agen dalam menyelesaikan tugas rantai panjang dalam persekitaran baris arahan sebenar.

Kajian-kajian ini, dan hubungannya dengan kekuatan utama setiap model, bukanlah kebetulan.

Dapat dilihat bahawa penilaian pasukan AI terkini terhadap lintasan perkembangan AI sedang berubah; evolusi kemampuan model besar telah keluar daripada fasa keuntungan pra-pelatihan yang hanya bergantung pada penambahan parameter dan data, dan daya pendorong pertumbuhan seterusnya pasti datang daripada interaksi, umpan balik, dan evolusi kendiri model dalam persekitaran terbuka yang sebenar.

Perbatasan ilmu dasar adalah bentuk tertinggi dalam membuka skenario yang belum diketahui. Rancangan Ilmuwan Seed STEM yang baru dilancarkan oleh ByteDance bertujuan untuk bekerja sama dengan para ilmuwan dalam mengenal dan menerobos masalah tingkat penyelidikan, serta mengeksplorasi kemungkinan AI mempercepat penemuan ilmiah. Para ilmuwan tidak hanya menyediakan topik, tetapi juga kesadaran masalah, standard penilaian, dan cara umpan balik.

Mengapa perlu bekerjasama dengan para saintis? Jawapannya ialah soalan-soalan yang tinggal sekarang sudah tidak cukup sukar untuk model besar.

Sistem penilaian model arus utama semasa ini kebanyakan berpusat pada tugas tertutup dengan jawapan standard. Soalan mempunyai penyelesaian pasti, penilaian mempunyai piawaian tetap, dan jalan peningkatan kemampuan model adalah jelas. Namun, penyelidikan saintifik yang sebenar mengikuti logik yang sama sekali berbeza: ia tidak mempunyai jalan penyelesaian yang jelas, memerlukan penyelidik untuk mengemukakan hipotesis secara kendiri, mereka bentuk rancangan pengesahan, mengendalikan data aneh dan gangguan, serta menurunkan mekanisme asas—keseluruhan proses penuh dengan percubaan, pengulangan, dan ketidakpastian.

Tugas dunia nyata adalah ukuran akhir bagi kemampuan model AI. Selepas Scaling pra-pelatihan dan Scaling semasa ujian, industri secara umum sedang mencari arah Scaling seterusnya, dan “pembelajaran interaktif berterusan dalam persekitaran terbuka nyata” merupakan salah satu laluan yang paling diharapkan.

Oleh itu, apabila pasukan AI terkemuka di seluruh dunia membangun model mutakhir, mereka tidak lagi bergantung semata-mata pada pasukan AI untuk menghaluskan model secara tertutup, tetapi memperkenalkan penyelidik terkemuka dari pelbagai disiplin ilmu, menjadikan masalah nyata dalam bidang tersebut sebagai kekuatan pendorong kepada perkembangan kemampuan model.

Di Amerika Utara, baru-baru ini ramai penyelidik universiti telah menyertai syarikat model besar. Pada awal Julai, ketua jabatan EECS di Berkeley, Jelani Nelson, mengumumkan cuti akademik dan menyertai Anthropic. Sejak awal tahun ini, sekurang-kurangnya 22 profesor dan penyelidik sementara meninggalkan atau mengurangkan kerja mereka di universiti-universiti seperti Stanford, Berkeley, dan Harvard, untuk berpindah ke OpenAI, Anthropic, DeepMind, dan Meta. Keempat-empat syarikat ini kini sekurang-kurangnya telah mengumpulkan lebih daripada 80 profesor universiti semasa atau bekas.

Di sebalik masuknya pelaku besar secara berturut-turut, terdapat projek yang tersusun secara sistematik.

Di OpenAI, program Residency telah menjadi saluran tetap tahunan untuk menarik bakat tingkat tinggi, secara khusus ditujukan kepada individu yang saat ini tidak fokus pada AI sebagai bidang utama penyelidikan mereka, membolehkan peserta terlibat secara langsung dalam pasukan aplikasi dan penyelidikan terkini OpenAI sejak hari pertama. Program ini setara dengan "latihan doktor yang dipercepat", membantu pakar lintas bidang untuk dengan cepat mencapai integrasi disiplin. Banyak projek penting seperti ImageGPT dan Codex melibatkan penyelidik tetap secara mendalam. Pencapaian ilmiah model GPT dalam penalaran matematik dan penurunan mekanisme biologi juga tidak lepas daripada sumbangan berterusan daripada bakat lintas disiplin ini.

Di Anthropic, Program STEM Fellows yang khusus ditujukan kepada pakar di bidang sains, teknologi, kejuruteraan, dan matematik telah diperluaskan secara sistematik dan berskala besar pada tahun 2026. Program ini berlangsung selama beberapa bulan dan secara khusus mengundang pakar terkemuka di luar bidang AI, seperti fisikawan, biolog, ahli matematik, dan ahli ekonomi, untuk masuk ke dalam Anthropic. Mereka boleh membawa masalah yang belum terpecahkan atau alur kerja kompleks dari bidang mereka sendiri dan secara langsung menggunakan model Claude yang belum diumumkan serta alat penilaian dalaman.

Dalam projek semacam ini, ahli bahan membina proses penilaian khusus untuk Claude bagi menarik kesimpulan kestabilan fasa, manakala ahli iklim mengintegrasikan alat pemodelan atmosfera profesional secara mendalam dengan model. Semasa tempoh penempatan, lebih daripada 80% penyelidik menghasilkan pencapaian akademik berkualiti tinggi, dan umpan balik dari disiplin sebenar ini secara langsung menjadi isyarat latihan untuk peningkatan model, serta mendorong perkembangan Claude dalam penarikan kesimpulan saintifik dan penggunaan alat kompleks.

Nilai projek semacam ini sudah melebihi aspek saintifik semata, dengan syarikat AI terkemuka menjadikan perebutan saintis bidang ini setara pentingnya dengan perebutan kuasa pengiraan.

Tentu saja, kerjasama juga memiliki nilai besar bagi komunitas saintifik. Model besar sedang menjadi infrastruktur saintifik baru: dari penurunan formula, simulasi nombor hingga analisis literatur dan data eksperimen dalam jumlah besar, AI sedang membentuk semula paradigma penyelidikan, menjadikan topik yang sebelumnya terhad oleh tenaga manusia dan kuasa pengiraan menjadi mungkin.

Dijemput masuk ke pasukan model besar untuk menyertai penyelidikan di tempat, maknanya tidak kurang daripada seorang ahli astronomi mendapat keistimewaan penggunaan teleskop angkasa super generasi seterusnya. Projek semacam ini memberikan banyak kelebihan kepada saintis, bukan sahaja mendapat akses kepada kuasa AI yang besar dan pengalaman model terkini, tetapi juga boleh menggunakan AI sebagai “otak luar”, memindahkan tenaga kepada penentuan masalah itu sendiri.

Bagi para saintis yang membanjiri Anthropic dan OpenAI, kerjasama mendalam ini bukan sahaja memperkuat kecekapan ilmiah, tetapi juga menjadi tuil untuk mencapai penemuan baru. Pada masa ini, apabila kita memandang semula ke dalam negara, kita mendapati ruang kosong di bidang persilangan AI dan penyelidikan asas sedang diisi terlebih dahulu oleh ByteDance Seed.

Apabila penerima Anugerah Fields memutuskan untuk menyertai OpenAI, dan semakin ramai saintis STEM bermula bekerjasama dengan pasukan model, persaingan peringkat seterusnya dalam AI sedang berpindah daripada iterasi produk jangka pendek, penilaian senarai, dan terobosan tugas tunggal kepada soalan asas yang lebih jangka panjang, lebih kompleks, dan lebih terkini.

Penyelidikan ilmiah adalah penting kerana ia berada di garis depan pengetahuan manusia. Jika mampu berdiri kukuh dalam persekitaran terbuka yang sangat kompleks ini, ia bermakna AI generasi seterusnya benar-benar memiliki kemampuan untuk terlibat dalam tugas-tugas kompleks sebenar.

Jalan ini sukar untuk menghasilkan jawapan yang menarik dengan cepat, dan sukar untuk membentuk kitaran perniagaan yang jelas dalam jangka pendek. Ia perlahan, berat, dan penuh ketidakpastian. Tetapi justeru kerana itu, ia paling mampu menguji sama ada pasukan itu bersedia benar-benar bersabar dan berkomitmen kepada asas serta teknologi terkini.

Laporan akhir yang harus diberikan oleh model besar ialah sama ada ia mampu bekerjasama dengan manusia untuk mendorong masalah-masalah yang belum diselesaikan.

Kemajuan ilmiah memerlukan pendekatan jangka panjang, begitu juga dengan pencapaian AGI.

Artikel ini berasal daripada akaun微信公众号 "Machine Heart" (ID: almosthuman2014), penulis: Zeanan