随着人工智能能力的持续扩展，大学面临着日益复杂且紧迫的问题，也迎来了新的机遇。MIT 统计与数据科学中心主任 Sasha Rakhlin 在一篇综述中提出了三大关键问题，聚焦于研究与研究生教育的变革。
1. 研究在快速变化，原因何在？ 数学领域展示了 AI 进步的速度：去年，一个模型在国际数学奥林匹克中获得金牌；一年后，同类模型已经提出了解决千禧年难题之一的方案。能够快速、可靠地进行验证是推动进展的核心——形式化证明可以自动检查，程序可以直接运行并测试。评估越快，系统就能生成候选解、学习结果并迭代改进，这同样适用于 AI 本身的模型和训练工具。对资深研究者而言，这意味着可以攻克此前因技术门槛而难以触及的问题，同时也凸显了解决方案背后“为何有效、如何推广、下一步提问”的重要性。
2. 学术信用与研究生培养应如何重新思考？ 在许多领域，精炼的论文已不再是个人专业能力的强信号。部门需要重新定义奖励机制，而不是简单地把价值限定为 AI 目前做不到的工作。提出好问题、复现研究、负面结果的汇报、共享数据集等都应获得更高认可。评估应明确研究者的实际贡献及其对 AI 生成部分的责任，这将影响招聘、晋升和经费分配，并应向在读与新入学的博士生明确说明。培养方面，学生的“智力肌肉”通过重复计算、编码、失败尝试和小发现来锻炼。完全交给 AI 可能剥夺这些形成直觉和判断的过程。我们需要区分不必要的摩擦与真正促进专业成长的工作，让学生学会提出问题、审计模型输出、复现结果并为选择辩护。基础知识在使用 AI 工具时将更为重要。
3. MIT 与其他大学现在应构建什么？ 大学的目标是能够在长期视角下提出问题、开放共享成果并独立验证。与产业的合作必不可少，但不能完全依赖商业优先级来覆盖科学全貌，因而需要一定程度的技术独立性。学术最重要的资产是实验室中累积的隐性知识——失败实验、放弃的方向以及为何不成功的解释往往未被发表。捕获这些负面结果和专家解读可以显著提升模型在科学探索中的表现。想象 MIT 的实验室如同一个活的科学有机体，通过共享的 AI 基础设施互联。例如，神经科学实验室需要更好的神经元分割方法时，AI 代理可以从计算机视觉组中识别相关进展、搭建基准、帮助迭代，并将未解问题推送给学生和教师。实现这一目标需要构建捕获假设、干预、结果、失败和解释的工作流，并通过安全的数据系统和大规模计算资源将这些工作流连接起来。此举还能追溯思想谱系，便于识别包括研究生在内的贡献，在获得同意与署名规则的前提下促进更开放的合作。AI 已能够从比任何单个研究者更多的来源合成信息，未来其连接能力将进一步提升，帮助我们围绕硬核科学与工程问题协同创新。
点评：高校应在技术、制度与文化层面同步布局，既利用 AI 的加速潜力，又保留人类独有的创造性与批判性思维，以实现可持续的学术进步。