今年的菲爾茲獎被認為是「最後一屆純血」—— 未來的突破性研究，可能都會與 AI 結合完成。
這個轉變的過程或許比我們想像得還要快：就在菲爾茲獎的新聞發布會上，有人問及獲獎者之一的加拿大數學家 Jacob Tsimerman 未來的工作是什麼，他表示自己已開始轉向 AI 安全研究，很快就要去 OpenAI 安全部門上任。
另一方面，OpenAI 的首席研究主管 Mark Chen 立即表示歡迎。
站在最前沿的學者，已將頂尖 AI 公司視為能夠展現自己抱負的平台。最近一段時間，越來越多的頂尖科學家，包括數學家、物理學家、生物學家等，正流向頭部大模型公司。僅今年上半年，就有諾貝爾化學獎得主 John Jumper、經濟學家 Chad Jones、哲學家 Harvey Lederman 等人紛紛加入 Anthropic。
在這背後，頂尖 AI 公司們也不約而同地將目光投向同一方向：他們紛紛將科學家請到 AI 研發的現場。AI 與前沿科學的深度融合，正從可選項變成必選項。
國內的 AI 大廠也在跟進，就在本周四，字節的 Seed Edge 團隊發布了 Seed STEM 科學家計劃，開放 100 個合作席位，面向數學、物理、化學、生物等前沿科學領域的科學家和博士生，邀請他們與 Seed 一起探索基礎科學中的未知問題。從公開資訊來看，這是國內第一個大規模投入 AI 加速前沿科學發現的計劃。
大模型下半場，比拼的早已不是跑分
在當下 AI 領域以天為單位的快節奏競爭中，深耕長期基礎 AI 研究，可能遠不如打磨程式碼能力、刷高評測跑分來得直觀：後者的能力提升可以快速轉化為產品體驗與商業收入，而基礎研究、AI 加速科學發現的回饋週期要漫長得多，探索路徑也充滿不確定性。
但從反面來看，一旦在這條路上取得真正的突破，其所帶來的範式級價值，也將遠超普通產品的迭代。
姚順雨之前曾與團隊提到一個觀點：大模型訓練沒有魔法。真正的挑戰在於把最基礎、確定能做對的事情做對。這一判斷也與 Anthropic 執行長達里奧長期持有的觀點形成呼應——驅動 AI 進步的核心要素始終是算力、數據質量與規模、訓練時長以及可擴展的目標函數，「所有聰明的方法和技巧，其實並沒有那麼重要」。
回看 Claude、Seedance 這些真正的 SOTA 模型，背後都無捷徑可言，核心無不是早早錨定方向後，在數據質量、底層架構上做了大量基礎工作。
Anthropic 將資源高度聚焦於提升模型的代碼能力方向，通過強化學習訓練，讓模型能透過反覆試驗，自主理解並生成高質量代碼，並基於用戶反饋形成自我加速的進化飛輪。
在許多大廠都難以持續推動的視頻生成領域，Seedance 透過創新的模型架構與精密的數據工作，將 AI 視頻生成從「抽卡」式的實驗，轉變為更可控、更具創造性的工業級生產工具。
可以看出，真正決定模型能力上限的，從來不是技巧的堆砌，而是把數據做紮實、把基礎結構做穩，同時把目標放長遠，保持戰略定力與足夠的耐心。
這在當今的環境中並非易事，但我們可以看到，在國內大模型賽道上，越來越多的公司願意沉下心來走這條艱難而正確的路。
今年， DeepSeek 推出的 mHC（manifold-constrained hyperconnection）架構，被認為是大模型基礎架構領域的一項突破。它也是 DeepSeek V4 的一項重要架構升級，取代了傳統的殘差連接，貫穿於整個模型的設計之中。值得一提的是，mHC 研究引用了字節跳動 Seed 團隊提出的 Hyper-Connections（HC）。
在此之前，殘差連接作為 Transformer 的基礎架構，被業界普遍視為默認配置，HC 率先打破了這一單流範式，在幾乎不增加計算量的前提下大幅提升了模型的特徵表達能力。從 HC 的開創性提出到 mHC 的工程化落地，成為了中國 AI 團隊在底層架構領域技術創新的縮影，這在過去的大模型技術發展中並不常見。
去年初，字節 Seed 專門成立了一個名為 Edge 的團隊，希望從事一類確定性較低、短期內未必能看到成果的研究課題。為了讓研究者擁有穩定的環境，他們甚至調整了績效考核週期——中間不設考核機制，有成果時再統一考核。
該團隊成立後一直較為低調，前不久看到他們在 X 上發布了超長程評測集 EdgeBench，首次在業界系統性地定義了真實環境下 Agent 的學習規律，發現了環境學習維度的新 Scaling 定律，並引發了眾多業界大佬的討論。
據說，OpenAI 也正在接入這個評測集測試自家模型的長程能力。
在 AI 領域內，大家往往把目光聚焦在大模型本身，構建 Benchmark 其實需要投入很長的週期及大量人力，為先進的 AI 能力設計並開源基準測試，不僅是為了衡量自身進展，更是通過確立行業標準、暴露模型弱點，來引導整個領域向着更透明、更可靠的方向發展。頂尖 AI 實驗室對於構建基準的投入巨大。
OpenAI 開源了 Evals 框架，成為業界評估大語言模型和基於 LLM 的系統的標準化工具。其中針對特定前沿能力，OpenAI 還設計了一系列專用基準，包括 SimpleQA、BrowseComp、MLE-bench 等。
Anthropic 在 SWE-bench 上做了大量工作，明確突出了 Claude 的代碼能力優勢；他們還發布了 Terminal-Bench，用於衡量 Agent 在真實命令行環境中完成長鏈任務的能力。
這些評測工作與各模型能力長板之間的關係，並非偶然。
可以看出，前沿 AI 團隊對於 AI 發展路徑的判斷已開始發生轉變，大模型的能力進化已走出單純依賴參數與數據堆疊的預訓練紅利期，下一階段的核心增長動力，必然來自模型在真實開放環境中的持續交互、反饋與自主進化。
基礎科學的前沿，正是開放未知場景的最高形態。而字節剛發的 Seed STEM 科學家計劃，就是為了和科學家一起識別和突破研究級問題，探索 AI 加速科學發現的可能性。科學家提供的不只是題目，更是問題意識、判斷標準和反饋方式。
為什麼頂尖 AI 公司
都在搶領域科學家？
為什麼要與科學家合作？答案是，目前剩下的「問題」對大模型來說已經不夠難了。
目前主流的模型評估體系，大多圍繞具有標準答案的封閉式任務展開。題目有確定解，評估有固定標準，模型能力的提升路徑清晰。但真實的科學研究完全是另一套邏輯：它沒有清晰的解題路徑，需要研究者自主提出假設、設計驗證方案、處理異常與噪聲數據、推導底層機制，全程充滿試錯、反覆與不確定性。
真實世界的任務才是檢驗 AI 模型能力的最終標準。繼預訓練 Scaling、測試時 Scaling 之後，行業普遍在尋找下一個 Scaling 方向，「在真實開放環境中持續交互學習」正是最被看好的路徑之一。
Therefore, when developing cutting-edge models, top global AI teams no longer rely solely on AI teams working in isolation to refine models, but instead bring in top researchers from various disciplines, allowing real-world domain problems to drive the evolution of model capabilities.
在北美，近期有許多高校研究人員陸續加入大模型公司。7 月初，柏克利 EECS 系主任 Jelani Nelson 宣布學術休假並加入 Anthropic。今年以來，至少有 22 名教授和研究人員暫時離開或減少在史丹佛、柏克利、哈佛等高校的工作，轉入 OpenAI、Anthropic、DeepMind 和 Meta。這四家公司目前至少聚集了 80 多名現任或前任大學教授。
在大牛陸續加入的背後，還有體系化的項目。
在 OpenAI，Residency 項目已成為 OpenAI 每年常態化吸收高端人才的通道，明確面向「目前不以 AI 為主要研究方向」的人才，讓參與者從第一天起便直接加入 OpenAI 的前沿應用與研究團隊，進行實戰合作。該項目相當於「加速版博士訓練」，能幫助跨領域專家快速實現學科融合。在 ImageGPT、Codex 等多個里程碑式項目中，均有駐場研究員的深度參與。而 GPT 系列模型在數學推理、生物機制推導上的科研能力突破，也離不開此類跨學科人才的持續輸入。
在 Anthropic，專門針對科學、技術、工程和數學領域專家的 STEM Fellows Program 於 2026 年進行了系統化和大規模擴充。該項目為期數個月，專門邀請物理學家、生物學家、數學家、經濟學家等非 AI 領域頂尖專家進入 Anthropic 內部。他們可以帶著自己領域的未解難題或複雜工作流，直接使用尚未公開發布的 Claude 模型和內部評估工具。
在這類項目中，材料科學家為 Claude 建立了專屬的相穩定性推理評測流程，氣候科學家則將專業的大氣建模工具與模型深度整合。在駐場期間，超過 80% 的研究員都產出了高質量的學術成果，這些來自真實學科的反饋直接成為模型迭代的訓練信號，並推動了 Claude 在科研推理和複雜工具調用方面的進化。
The value of such projects has long surpassed scientific research itself, with top AI companies placing equal importance on competing for domain scientists as they do on securing computing power.
當然，對科學界而言，合作同樣具有巨大的價值。大模型正成為新的科研基礎設施：從公式推導、數值模擬到海量文獻與實驗數據的分析，AI 正在重塑科研範式，使過去受限於人力與算力而難以推進的課題成為可能。
受邀加入大模型團隊參與駐場研究，其意義不亞於天文學家獲得下一代超級太空望遠鏡的獨家使用權。此類項目能為科學家帶來諸多優勢，不僅能獲取大量 AI 計算力與前沿模型的體驗，還可利用 AI 作為「外腦」，將精力轉向定義問題本身。
對於這些湧入 Anthropic 和 OpenAI 的科學家來說，這種深度協作既是科研效率的放大器，也是撬動新發現的槓桿。而此刻把視野轉回國內，我們發現 AI 與基礎科研交叉領域的空白，正在由字節 Seed 率先補齊。
The End of AI
拼的是長期主義
當菲爾茲獎得主決定加入 OpenAI，當越來越多的 STEM 科學家開始與模型團隊走到一起，AI 的下一階段競爭，正在從短期產品迭代、榜單跑分和單點任務突破，轉向更長期、更複雜、更前沿的基礎命題。
科學研究之所以關鍵，是因為它本身站在人類知識的最前沿。如果能在這類高複雜度的開放環境中站穩腳跟，就意味著下一代的 AI 真正具備參與真實複雜任務的能力。
這條路很難迅速交出亮眼的成績單，也難以在短期內形成清晰的商業閉環。它緩慢、沉重且充滿不確定性。但也正因如此，它最能檢驗一個團隊是否願意真正沉下心來投入基礎與前沿。
大模型最終要交出的答卷，是能不能和人類一起推進那些尚未被解決的問題。
科學的進展需要長期主義，AGI 的實現也是如此。
本文來自微信公眾號「機器之心」（ID：almosthuman2014），作者：澤南