Các công ty AI thu hút nhân tài học thuật hàng đầu, dịch chuyển nghiên cứu khỏi các trường đại học

Sau hai năm giành giải Nobel, gần một phần tư thành viên cốt lõi của nhóm Google AlphaFold đã rời Google, với những người đoạt giải Nobel như John Jumper chuyển sang Anthropic. Ngành AI đang hút cạn nhân tài từ giới học thuật: năm 2022, 70,7% tiến sĩ AI gia nhập doanh nghiệp, chỉ 20% ở lại học thuật. Mức thu nhập hàng năm của các nhà nghiên cứu hàng đầu trong doanh nghiệp đã đạt 1,94 triệu USD, gấp 5 lần so với trong học thuật. Mặc dù các công ty AI có thể thúc đẩy đột phá nghiên cứu và tạo ra những thành tựu thay đổi lịch sử khoa học, nhưng sau khi chuyển lâu dài sang doanh nghiệp, sản lượng bài báo trung bình giảm 65%, kết quả nghiên cứu dần chuyển từ bài báo sang bằng sáng chế và bí mật thương mại. Nguy hiểm hơn, doanh nghiệp thiếu động lực đào tạo thế hệ nhà khoa học mới, nghiên cứu cơ bản đang bị đẩy vào thế bị lãng quên. Khoa học đang nhanh chóng rời xa các trường đại học.

Tác giả bài viết, nguồn: APPSO

Hai năm sau khi giành giải Nobel, đội ngũ gốc của Google AlphaFold đã bị chia tách.

Trong năm qua, phần lớn các tác giả gốc của bài báo AlphaFold đã được điều chuyển, trong đó gần một phần tư các tác giả cốt lõi toàn thời gian đã hoàn toàn rời bỏ Google.

Những người còn lại cũng chuyển sang các lĩnh vực như Gemini Research Agent, thiết kế enzyme, sinh học gen và nhiệt hạch, hoặc một số người trực tiếp đến Isomorphic Labs, công ty nghiên cứu dược phẩm thuộc Alphabet.

Ngay cả các nhà khoa học đoạt giải Nobel John Jumper và Jonas Adler cũng từng được điều chuyển vào đội Code Strike để tập trung phát triển khả năng AI coding. Nhưng câu chuyện sau đó thì chúng ta đều đã biết, hai chuyên gia này cuối cùng đã chuyển sang Anthropic.

Bên trái là CEO của Google DeepMind, Demis Hassabis, bên phải là John Jumper, liên kết bài báo gốc https://www.ft.com/content/61b2953d-ee0d-45de-af6e-a9c1cf524b33?utm_source=chatgpt.com&syn-25a6b1a6=1

Đối với bài báo này, Pushmeet Kohli, Phó chủ tịch nghiên cứu phụ trách AI for Science của Google, đã phản hồi rằng đội ngũ khoa học của DeepMind không thay đổi hướng đi, mà chỉ mở rộng phạm vi công việc, vẫn đang thúc đẩy thiết kế protein, bộ gen và enzyme, đồng thời tận dụng Gemini để tăng tốc nghiên cứu khoa học.

AlphaFold từng đại diện cho một cách tổ chức nghiên cứu tương đối truyền thống: thành lập đội ngũ xung quanh một vấn đề rõ ràng, đầu tư lâu dài, tập trung nguồn lực và cuối cùng giao deliverables.

Hiện nay, các đội ngũ tương tự đang dần được thay thế bởi các nền tảng mô hình tổng quát hơn. Các lĩnh vực như protein, toán học, bộ gen, nhiệt hạch và mã nguồn, dù thuộc các ngành khác nhau, nhưng khi bước vào các công ty AI, đều có thể trở thành các mô-đun năng lực của Gemini.

Đồng thời, nhân tài khoa học, nguồn lực tính toán và quyền chủ đạo các vấn đề ngày càng tập trung vào một số ít công ty AI.

Trong vài năm qua, ngày càng nhiều giáo sư toán học, vật lý, sinh học và khoa học máy tính gia nhập ngành AI.

Ví dụ, Anthropic liên tục tuyển dụng các nhà vật lý, nhà kinh tế học và nhà triết học; OpenAI thu hút những người nghiên cứu về lỗ đen, lý thuyết dây và toán học thuần túy; DeepMind cũng tập hợp các chuyên gia về sinh học và nhiệt hạch.

Gần đây, giáo sư Subbarao Kambhampati của Đại học bang Arizona đã đùa rằng cộng đồng học thuật vừa xuất hiện một trend mới: “Tôi muốn gia nhập Anthropic.”

The Atlantic ước tính thô, chỉ bốn công ty AI hàng đầu đã thu hút ít nhất 80 giáo sư hiện tại hoặc cựu giáo sư.

Hướng di chuyển nhân tài cũng ngày càng đơn điệu hơn.

The Stanford University AI Index Report shows that in 2011, the proportion of AI PhD graduates entering industry and academia was roughly equal, at 40.9% and 41.6% respectively. By 2022, the proportion entering industry rose to 70.7%, while the proportion entering academia fell to 20%.

Một bài luận công tác của NBER năm 2026 đã theo dõi khoảng 42.000 nhà nghiên cứu AI tại Hoa Kỳ. Khả năng các nhà nghiên cứu dưới 40 tuổi rời khỏi đại học cao gấp sáu lần so với nhóm trên 40 tuổi; khoảng 70% những người chuyển việc vẫn ở lại công ty sau năm năm.

Tiền tất nhiên rất quan trọng. Lương hàng năm của 1% nhà nghiên cứu AI hàng đầu trong doanh nghiệp tăng từ 595.000 USD lên 1,94 triệu USD; trong khi cùng nhóm này tại các trường đại học chỉ tăng từ 301.000 USD lên 392.000 USD. Khoảng cách giữa hai bên mở rộng lên khoảng 1,5 triệu USD.

Khó từ chối hơn là điều kiện nghiên cứu.

Đầu những năm 2010, khoảng 65% các mô hình học máy quy mô lớn được các phòng thí nghiệm học thuật phát triển độc lập. Sang những năm 2020, tỷ lệ này giảm xuống dưới 10%. Đến năm 2022, khoảng 81% các mô hình tiên tiến đã được các doanh nghiệp phát triển độc lập.

Khi giáo sư Anca Dragan từ Đại học California, Berkeley gia nhập DeepMind, bà đã rõ ràng về yêu cầu của mình: cần có “dữ liệu, sức mạnh tính toán và ngân sách” cần thiết cho một viện nghiên cứu an toàn tiên tiến.

So sánh với việc một nghiên cứu tại trường đại học cần phải xin kinh phí, mua thiết bị, tuyển dụng nhân sự kỹ thuật, rồi chờ xếp lịch sử dụng tài nguyên tính toán; sau khi gia nhập một công ty AI, cùng một nhà nghiên cứu có thể trực tiếp truy cập vào các mô hình lớn, dữ liệu độc quyền, năng lực tính toán phân tán và hệ thống kỹ thuật gồm hàng trăm người.

Tuy nhiên, khi một giáo sư hàng đầu rời khỏi trường đại học, tổn thất không chỉ dừng lại ở vài bài báo khoa học. Trường đại học đồng thời mất đi một người hướng dẫn, một nhóm nghiên cứu, một chuỗi đào tạo tiến sĩ, cũng như các hướng nghiên cứu có thể hình thành trong vài thập kỷ tới.

Trước đây, các công ty công nghệ mua nghiên cứu từ các trường đại học. Bây giờ, họ bắt đầu mua trực tiếp những người tạo ra các nghiên cứu đó. Doanh nghiệp nhận được một cá nhân, trong khi trường đại học có thể mất đi một thế hệ.

Tất nhiên, việc quy toàn bộ sự di chuyển nhân tài về sự suy giảm của giới học thuật cũng sẽ đánh giá thấp giá trị mà nghiên cứu doanh nghiệp đang tạo ra.

AlphaFold đã chứng minh rằng các doanh nghiệp có thể tạo ra những thành tựu thay đổi lịch sử khoa học. Hơn 200 triệu dự đoán cấu trúc protein đã giúp hàng loạt nhà sinh học tiết kiệm hàng tháng乃至 hàng năm công sức.

Bell Labs đã chứng minh rằng các viện nghiên cứu doanh nghiệp cũng có thể thay đổi khoa học. Trong thời kỳ huy hoàng nhất, nó sở hữu khoảng 1.200 tiến sĩ và tạo ra ít nhất 10 giải Nobel. Demis Hassabis nhiều lần lấy nó làm hình mẫu cho DeepMind.

Các công ty AI thực sự ngày càng giống như một viện nghiên cứu mới, bao trùm nhiều lĩnh vực, có năng lực kỹ thuật mạnh mẽ và khả năng thương mại hóa.

DeepMind tích hợp Gemini vào toán học, bộ gen và nhiệt hạch; Isomorphic Labs hợp tác với các công ty dược phẩm để phát triển thuốc mới; Anthropic ra mắt Claude Science; OpenAI tích hợp ChatGPT và Codex vào quy trình nghiên cứu khoa học.

Các kết quả liên quan đã xuất hiện. Các nhà vật lý Rogerio Jorge đã sử dụng AI để phát triển phần mềm tổng hợp hạt nhân mã nguồn mở, trong khi các nhà khoa học máy tính lý thuyết như Barna Saha đã sử dụng GPT-5.5 Pro để hỗ trợ chứng minh hình học chiều cao.

OpenAI cho biết, mỗi tuần có khoảng 1,3 triệu người sử dụng ChatGPT để xử lý các nhiệm vụ khoa học và toán học nâng cao, và dự định cung cấp miễn phí các mô hình tiên tiến và Codex cho 100.000 nhà nghiên cứu tại các trường đại học.

Về mặt ảnh hưởng cá nhân, khi một nhà khoa học gia nhập doanh nghiệp, vai trò của họ thậm chí có thể được khuếch đại. Như đã nêu trên, tại trường đại học, ông ấy có thể dẫn dắt vài chục sinh viên, nhưng tại một công ty AI, ông ấy có thể huy động hàng trăm kỹ sư, nguồn tài nguyên tính toán khổng lồ và nền tảng dữ liệu toàn cầu. Những phương pháp từng chỉ dừng lại ở các bài báo khoa học cũng dễ dàng được áp dụng vào thuốc, phần mềm, thiết bị thí nghiệm và hệ thống công nghiệp.

But the cost is obvious.

NBER nghiên cứu phát hiện rằng, sau khi các học giả AI chuyển lâu dài sang doanh nghiệp, sản lượng bài báo của họ trung bình giảm 65%. Từ năm 2000 đến 2019, tỷ lệ nhà nghiên cứu AI được doanh nghiệp tuyển dụng tăng từ 48% lên 68%, tỷ lệ bài báo chỉ tăng từ 27% lên 32%, trong khi tỷ lệ bằng sáng chế tăng từ 86% lên 95%.

Con người vẫn đang nghiên cứu, nhưng thành quả lại tràn ra khỏi các bài báo khoa học sang các bằng sáng chế, mô hình nội bộ và bí mật thương mại. Ngày xưa, Google công khai Transformer và nuôi lớn cả ngành công nghiệp. Hôm nay, dữ liệu huấn luyện, trọng số mô hình và hồ sơ thất bại ngày càng khó rời khỏi máy chủ của doanh nghiệp.

Khoa học vẫn đang tăng tốc, nhưng khoa học mở có thể đang phanh lại.

Các công ty AI có thể trở thành viện nghiên cứu, nhưng rất khó trở thành đại học.

Đại học đảm nhận một công việc thường bị bỏ qua. Nó cần đào tạo một lượng lớn sinh viên chưa từng chứng minh được bản thân, đồng thời lưu giữ lâu dài những vấn đề tạm thời chưa có ứng dụng, không thể định giá, thậm chí có thể chỉ hiển thị giá trị sau vài chục năm.

Tuy nhiên, các công ty AI thích những giáo sư và nhà nghiên cứu kỳ cựu đã chứng minh được năng lực, và ít kiên nhẫn trong việc đào tạo người mới. Dữ liệu từ SignalFire cho thấy, năm 2024, sinh viên mới tốt nghiệp chỉ chiếm 7% trong tổng số nhân sự được tuyển dụng bởi các công ty công nghệ lớn, giảm hơn một nửa so với năm 2019.

🔗 https://www.signalfire.com/blog/signalfire-state-of-talent-report-2025

Các doanh nghiệp vừa thu hút các giáo sư hàng đầu và nhà nghiên cứu am hiểu từ các trường đại học, vừa giảm bớt các vị trí cấp sơ cấp và đầu tư vào đào tạo. Họ có thể tập hợp một nhóm các nhà khoa học hàng đầu, nhưng chưa chắc đã gánh vác trách nhiệm đào tạo thế hệ nhà khoa học tiếp theo.

Ảnh hưởng liên quan đã xuất hiện trong các lớp học đại học. Sinh viên được tạp chí The Atlantic phỏng vấn phát hiện một số khóa học đột ngột bị hủy, với lý do thực tế là giảng viên đi “nghỉ phép” đến các công ty AI.

Đồng thời, sau khi giáo sư nổi tiếng rời đi, sinh viên tiến sĩ không chỉ mất một môn học, mà còn mất các nguồn tài nguyên giới thiệu, mạng lưới nghiên cứu, khả năng tổ chức đề tài và cơ hội tiếp cận các vấn đề tiên tiến.

Sự thay đổi tinh vi hơn xảy ra ở các chủ đề nghiên cứu.

Thiết kế thuốc, lập trình, suy luận toán học và phát hiện vật liệu có thể tăng cường mô hình và tạo ra sản phẩm, do đó dễ dàng nhận được sự hỗ trợ về nguồn lực. Các chủ đề như nghiên cứu thực địa lâu dài, bảo tồn sinh thái thường rơi vào tình thế khó xử.

Tuy nhiên, lịch sử lại thích đùa với lợi nhuận ngắn hạn.

Lý thuyết số từng được coi là ngành toán học thuần túy nhất và ít giá trị thực tiễn nhất, nhưng sau này đã trở thành nền tảng của mật mã học hiện đại. Khi laser vừa ra đời, nó từng bị gọi là “một giải pháp đang tìm kiếm vấn đề”. Tương tự, internet trong những ngày đầu cũng khó có thể đo lường bằng các mô hình kinh doanh.

Ý nghĩa của hệ thống nghiên cứu công cộng nằm ở chỗ nó cho phép con người nghiên cứu những vấn đề mà giá trị của chúng chưa thể được giải thích trong thời điểm hiện tại.

Và hôm nay, các công ty AI đang cạnh tranh khốc liệt về hiệu suất mô hình, việc ra mắt sản phẩm và đầu tư vốn. Ngay cả khi họ sẵn sàng đầu tư vào khoa học cơ bản, nguồn lực cũng có xu hướng chảy vào các hướng có thể tăng cường mô hình, hỗ trợ sản phẩm hoặc tạo ra bằng sáng chế.

Sẽ rất có thể xuất hiện một sự thịnh vượng kỳ quặc trong tương lai.

Con người nhanh chóng tìm ra thuốc mới, chứng minh định lý và phát hiện vật liệu mới, những nhà khoa học xuất sắc nhất cũng sở hữu những công cụ mạnh mẽ nhất trong lịch sử. Đồng thời, ai sẽ quyết định nghiên cứu điều gì, ai sẽ đào tạo thế hệ nhà khoa học tiếp theo, và ai sẵn sàng tiếp tục thực hiện những nghiên cứu không ai trả tiền, đều trở thành những vấn đề.

Các nhà khoa học không rời bỏ khoa học. Chỉ là khoa học đang tăng tốc rời khỏi các trường đại học.

Đôi khi tôi nghĩ đến đại học và các công ty AI như hai đầu của một con sông. Đại học giống như thượng lưu. Dòng nước chảy rất chậm, nhiều bùn đất, và vô số nhánh sông dường như không có ích gì. Ở đó, có người đo lường, ghi chép, tranh luận, và cũng có người dành cả đời để nghiên cứu một con suối cuối cùng không chảy về thành phố.

Các công ty AI giống như các nhà máy thủy điện ở hạ lưu. Chúng có thể tập trung dòng nước, vận hành máy móc và tạo ra năng lượng khổng lồ, đưa khoa học nhanh chóng vào thuốc men, phần mềm và ngành công nghiệp.

Thủy điện đương nhiên rất quan trọng. Không có nó, dòng sông chỉ chảy qua.

Nhưng nếu tất cả mọi người đều đổ xô đi phát điện ở hạ lưu, nguồn nước ở thượng lưu sẽ dần cạn kiệt, vài năm sau, mọi người chỉ còn biết ngồi trong phòng máy chờ một con sông đã không còn chảy đến.

Khi các nhà toán học đang bận rộn cải tiến mô hình, các nhà sinh học đang bận rộn huấn luyện Agent, và các nhà vật lý đang bận rộn mở rộng ranh giới tính toán, con người có thể sẽ có được AI mạnh mẽ hơn. Những vấn đề bị bỏ lại phía sau, không có lộ trình sản phẩm, không có lợi tức đầu tư, và tạm thời không thể giải thích mục đích sử dụng.

Chúng rất yên lặng. Yên lặng đến mức dễ khiến người ta lầm tưởng rằng chúng không quan trọng.