随着人工智能能力的快速提升，大学面临着如何应对日益增多的挑战与机遇的紧迫问题。MIT 最近的报告和 Sasha Rakhlin 的文章指出，AI 正在深刻改变数学、统计、机器学习和工程等学科，尤其体现在研究和研究生教育上。
在研究层面，AI 的进展速度与验证的快慢密切相关。数学领域的例子表明，模型已经能够在国际数学奥林匹克获得金牌，并在一年内提出千禧年奖问题的潜在解答。形式化的证明和可重复的实验可以被自动检查，这让系统能够快速生成候选方案、学习结果并迭代改进，从而形成加速的循环。对经验丰富的研究者而言，这意味着可以攻克以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原理、可推广性以及后续研究方向的重要性。
在学术信用和研究生培养方面，传统的论文发表已不再是衡量个人能力的唯一信号。部门需要重新定义奖励机制，重视提问质量、结果复现、负面结果的报告以及共享数据集等贡献。评估应明确研究者在使用 AI 完成工作时的实际贡献和责任，这将影响招聘、晋升和经费分配。培养方面，学生的“智力肌肉”来自于重复的计算、编码、失败和小发现。完全交给 AI 可能剥夺这些关键的成长经历，因而需要在保持必要的练习与利用 AI 提升项目规模之间找到平衡。学生应学会提出问题、审查模型输出、复现结果并为自己的选择辩护，基础知识因此变得更为重要。
对于大学的建设性行动，Rakhlin 认为应打造一个跨实验室、共享 AI 基础设施的生态系统，使科研能够在长期视角下独立评估并公开共享成果。虽然与产业合作必不可少，但学术界仍需保持一定的技术独立性，以免商业目标偏离科学需求。实验室内部大量未发表的失败实验和隐性知识是模型提升的关键，这些负面结果和专家解释的捕获可以显著增强 AI 在科学探索中的表现。设想一个由 AI 代理连接的“活体”科研网络：当神经科学实验室需要改进显微图像分割时，AI 能自动发现计算机视觉组的最新进展、搭建基准、推动迭代，并把未解问题和经验教训传播给其他实验室。实现这一目标需要在计算资源、安全数据系统以及 AI 模型的适配与后训练方面进行大规模公共和机构投资，同时建立明确的同意与署名规则，以保障贡献者的权益。
总之，利用 AI 的信息整合与跨领域连接能力，大学可以在更大范围内协同攻克硬核科学与工程难题。现在的投入将决定未来科研组织的形态与效率。
点评