编辑 | 泽南
今年的菲尔兹奖被视作「最后一届纯血」—— 未来的突破性研究或将以 AI 为依托来完成。
转变的步伐或许超出预期：在菲尔兹奖的发布会现场，有媒体提问获奖者之一的加拿大数学家 Jacob Tsimerman 未来动向，他坦言已着手 AI 安全研究，即将加入 OpenAI 安全部门。
对此，OpenAI 首席研究主管 Mark Chen 立刻表示欢迎。
顶尖的学者们已将顶尖 AI 公司看作实现抱负的舞台。近来，包括数学家、物理学家、生物学家在内的卓越科学家纷纷加盟头部大模型企业。仅今年上半年，诺贝尔化学奖得主 John Jumper、经济学家 Chad Jones、哲学家 Harvey Lederman 先后加入 Anthropic。
在这背后，领先的 AI 公司不约而同地将视线投向了同一个领域：它们竞相邀请科学家们参与 AI 研发。AI 与尖端科学的深度结合，正从可选方案转变为必需品。
中国的 AI 领军企业也在跟进步伐。本周四，字节跳动 Seed Edge 团队启动 Seed STEM 科学家计划，开放 100 个合作机会，招募数学、物理、化学、生物等前沿科学领域的科学家及博士生，共同探索基础科学的未知领域。据公开信息，这是国内首个大规模投入 AI 加速基础科学探索的举措。
大模型发展的下半场，竞争的核心已非跑分
在以天计算的 AI 快速迭代中，专注长期基础研究或许不如提升代码能力、提升评测指标那样直接：后者的成果能迅速转化为产品体验与商业回报，而基础研究、AI 加速科学发现的效果显现周期要长得多，探索过程也充满未知。
然而，一旦这条路上取得实质性进展，其带来的范式价值，将超越常规的产品升级。
姚顺雨曾和团队探讨过，大模型训练并无捷径。真正的难点在于把最基础、最确定能做对的工作做精。这一看法也与 Anthropic CEO 达里奥始终坚守的观点不谋而合——推动 AI 进步的关键要素始终是算力、数据质量与规模、训练时长及可扩展的目标函数，「所有精妙的技巧，其实并不那么重要」。
回过头看 Claude、Seedance 这些真正的 SOTA 模型，背后皆无捷径可走，核心无外乎早早锁定方向，并在数据质量、底层架构上投入大量基础工作。
Anthropic 将资源高度集中于提升模型代码能力，通过强化学习训练，让模型能反复试验，自主理解并编写优质代码，并借由用户反馈形成自我加速的进化闭环。
在多数大厂难以持久投入的视频生成领域，Seedance 则凭借创新的模型设计、精细的数据处理，将 AI 视频生成从「抽卡」式的实验，转变为更可控、更具创造力的工业化生产手段。
可见，决定模型能力上限的，从来不是技巧的叠加，而是将数据夯实、将基础结构稳固，同时将目标放长远，保持战略定力与足够的耐心。
在当前环境下，这并非易事。但在中国大模型赛道上，我们看到越来越多的企业愿意踏踏实实地走这样艰难却正确的道路。
今年，DeepSeek 发布的 mHC（流形约束超连接） 架构，被视为大模型基础架构领域的一项创举。它也是 DeepSeek V4 的关键架构升级，取代了传统的残差连接，并贯穿整个模型设计。值得一提的是，mHC 的研究参考了字节跳动 Seed 团队提出的 Hyper-Connections（HC）。
网友评论