北大博士预测：学术会议一定会消失
“假如你吃了个鸡蛋觉得不错，何必认识那只下蛋的母鸡呢？”钱钟书这句话，在今年外滩大会有了一个AI版本：当你读到一篇好文章，解决了疑问，也学到了东西，它究竟是人写的还是AI写的，还重要吗？提出这个问题的，是拿过ACL最佳论文的北京大学博士生吉嘉铭，也是上届蚂蚁InTech奖得主。他还做了一个更激进的预测：学术Conference一定会消失。
就在几十分钟前，同一个舞台上，美国科学院、工程院、艺术与科学院三院院士Michael I. Jordan也聊到了学术会议。不过他的视角有点不同。Jordan说，今天的会议和论文确实越来越多，但不必要求篇篇都顶尖。就像高中管弦乐队，演奏得不够完美，也不妨碍练习本身有价值。
至于AI，他照例泼了一点冷水：要真正像人类一样理解世界，还差得很远，其中一个重要问题，就是怎么处理不确定性。
一场论坛，三代科研人
这些，不过是2026年“科学向前，人才向新——InTech青年先锋论坛暨蚂蚁InTech奖颁奖典礼”的一小部分切片。
作为第三次亮相外滩大会的重头戏，今年的蚂蚁InTech奖收到了来自全球10个国家和地区、50余所高校的青年学者的申报，数量较首届激增了近四倍。
比奖金更重要的是，获奖者们也让“青年科学家”这个词，变得具象起来。他们中，有人还没拿到长聘，就开始创业；有人以“90后”身份成为Nature论文独立第一作者；有人做出的开源项目，已经跑在数十万张GPU上。
一些拿过顶会Best Paper的蚂蚁InTech奖往届获奖者，以及论文刚被ICML 2026接收的高中生，也来到现场。在这场极具张力的代际碰撞中，院士泰斗与学术新星们直面了一批关于AI时代科研命运与青年选择的深层拷问。
走出实验室的科学家们
和上一轮AI浪潮相比，生成式AI让产业界与学术界的边界变得更加模糊。今年InTech科技奖获奖名单里，就有一批典型的Researcher Founder。
香港大学助理教授李弘扬创办源策未来，希望给人形机器人造一个具身大脑：把环境理解、任务规划和全身运动控制连接起来，最终指向Physical AGI。
南洋理工大学副教授刘子纬创办Roepedia，瞄准具身数据和基础设施。AI要进入物理世界，数据从哪里来、怎么采、怎么组织，首先得有人把底座搭起来。
清华大学副教授章明星参与孵化趋境科技，关注的是另一块基础设施：训练和推理成本。
三人创业方向不同，却有一个共同点：他们做的，都是AI下一阶段绕不过去的底层问题。而越来越多问题，只靠实验室已经很难解决。
李弘扬提到，今天做预训练，数据、算力和工程资源的需求，可能已经达到过去的几十倍甚至上百倍。公司能够把这些资源，以及不同背景的人才快速组织起来。
章明星在以顾问身份参与月之暗面创业时也发现，传统科研项目从申请、评审到经费到账，节奏很难跟上大模型迭代。
到了具身智能，情况更直接。刘子纬说，物理世界的数据不能坐在实验室里下载。保洁、分拣、工业装配，这些真实场景的数据，都需要研究者走进产业，组织人、设备和流程持续采集。
研究本身，正在变成一项大型工程。一些过去由高校完成的开放研究，开始自然地向公司迁移。
但这不意味着学校失去了价值。李弘扬和刘子纬的判断都比较接近：小而精、资源需求有限的问题，以及技术路线还没有收敛的长期探索，依然适合留在高校。一旦进入大规模数据、算力和工程验证阶段，公司更有优势。
创业的代价，比想象中具体
研究可以分工，人的选择却没那么容易。想同时做教授和创业者，代价非常具体。
在院士对谈环节，美国国家工程院外籍院士张宏江说，如果一个研究者告诉他想创业，他首先会问：你准备好离开现在的学术岗位，全身心投入了吗？
创业失败最常见的原因之一，就是研究者容易低估市场挑战、高估技术本身的优势。技术之外，还有产品、销售、组织和市场。
李弘扬对此深有体会。同时兼顾教学、研究和创业，对他是巨大的挑战。外界看到的是融资和公司进展，却很少看到，为了创业，他在学校里放弃了什么。
所以他的建议反而很克制。刚进高校的年轻老师，不必急着创业。先做几年科研，积累行业经验，再决定自己到底想做什么，也完全来得及。
刘子炜则提醒大家，别把今天的热闹当成常态。他经历过上一轮计算机视觉创业潮，从最火热一直看到市场降温。融资好拿、人才好招的时候，最容易忽略的问题恰恰是下半场怎么办？
Michael I. Jordan在院士对谈中，给“成功”补充了另一个衡量维度：你在这个过程中学到了多少？即使公司最终没有成功，理解了市场、学会了经营企业，这段经历仍然有价值。第一次尝试之后，研究者可能更清楚自己适合什么、还缺什么，而这些经验，也会成为下一次出发的基础。
当知识的权威被AI消解
科研在变，教育也一样。在Michael I. Jordan看来，博士培养的基本模式可能变化不大，本科教育却可能迎来巨变。教师需要重新思考：教什么，怎么教。
年轻的InTech获奖者们，已经把AI用进了日常工作。
复旦大学博士生马炜杰成为Nature论文一作之前，论文前前后后修改了“不下100次”，他也是本届蚂蚁InTech奖学金获得者。他说，AI帮他节省了写作时间，但那些夸张、像推销一样的表述，仍需要自己识别和调整。方法为什么有效、实验能否支撑结论，也需要研究者反复论证。
吉嘉铭用AI调研已有工作，再从中寻找尚未被充分考虑、但可能有效的研究方向。
清华大学自动化系博士生倪赞林形容自己是重度用户。他已经把AI用进了读论文、讨论想法和写代码。读论文时可以不断向AI追问，体验就像在和原作者交流。
现场还有一个更生动的“AI平权”样本。在Lightning Talk环节，香港德瑞国际学校高三学生苏庭灏，分享了自己的科研入门经历。还没进入大学，他就已经在高二时拿到了ICML 2026的论文录用通知。
他的学习路径，很有这一代人的特点：跟着公开课入门，读论文，用开源工具动手，不懂就问AI。从神经网络、强化学习一路学到Transformer，AI像一个全天候的一对一老师，同一个问题可以换不同方式反复解释，直到他听懂。
按苏庭灏自己的估算，约80%的知识来自自学，20%来自学校课堂。再加上按需租用的算力和家庭支持，一个高中生也有机会接触前沿研究，并真正动手做实验。过去，这件事的门槛高得多。
知名学者、书评人徐贲把这种变化概括为：AI正在改变“学科资本的稀缺性”。过去，博闻强记、长期积累之所以珍贵，是因为复制成本极高。现在，文献综述、概念梳理、知识检索、框架应用，正在被AI迅速变成一种低成本的“认知基础设施”。
吉嘉铭也分享了一个有意思的细节。最近，北大一次内部交流里，大家讨论怎么快速进入一个新领域。参与者几乎都不再把“直接开始读论文”当作第一步。过去，这件事往往依赖导师、资深研究者或者一篇优秀综述。现在，多了一个入口，先问大模型。
页:
[1]
