Google Research 负责人 Yossi Matias 谈 GenUI、Earth AI 与 AI Co-Scientist

CSDN 2026-10-05 14:30 福建  AI正在终结“岗位头衔”。 AI 正在终结“岗位头衔”。 整理 | 王启隆 出品丨奇点折射（ID：rgznai100） 过去一年多，大家看 Google，视线几乎全被拽在商业大模型的角斗场里——Gemini 的跑分追上没有、搜索框里的 AI 总结好不好用、工程迭代又拼到了哪一步。但在这些快节奏的产品交锋背后，Google 内部还有一支常年以完全不同时间尺度运作的队伍：**Google Research**。 最近，Google 悄悄上线了官方播客《The Google Research Podcast》，第一期由科技未来学者 Sinéad Bovell 主持，对话掌管 Google Research 全球研发的副总裁 **Yossi Matias**。 他主导的技术对国外的普通人来说非常熟悉：搜索框里的“自动补全（Autocomplete）”、Google 趋势（Google Trends），以及八年前震惊业界的对话式 AI 雏形 Duplex。这位早年拿过理论计算机最高奖“哥德尔奖”、曾服役于空军的技术领头人，如今全面统领着 Google 从基础算法、Willow 量子芯片，到地球科学与医疗前沿的底层探索。  当外界还在讨论暴力堆算力是否撞墙时，Yossi 的反问很干脆：**Transformer 诞生也不过才短短几年，凭什么认定现存方案就是终点？**他们真正在做的，是把大模型推向与严谨物理仿真融合的“世界模型”，并用 AI 直接重写科研方法本身。比如由多 Agent 构成的系统“AI Co-Scientist”——帝国理工团队苦思冥想数年才成型的细菌耐药性假说，这套系统仅用三天就独立推导了出来。 **💡 核心要点速览** > “传统的交互界面是写死的，而生成式 UI（GenUI）会自主判断呈现形态：问算法它现场跑仿真，小孩子问二次方程它直接动态演示投篮抛物线。信息不再是被动僵硬地摆在那里，而是随你的心智和上下文被实时重塑。” > “我们真正需要的是属于整颗星球的宏观中枢（Earth AI）。把卫星遥感、人群流动和气象模型全盘打通后，你可以直接向整颗地球提问——不仅是问飓风何时登陆，而是直接探问‘沿途哪些生命线工程最薄弱、最佳撤离疏散方案是什么’。” > “技术进化正在形成奇妙的自我加速机制：AI 在大幅提速科学研究，而科研突破反过来又在加速 AI 本身的底层演进。这是一种递归式的自我提升（Recursive Self-Improvement），飞轮已经真实地转动起来了。” > “当年 Google 搜索和维基百科普及、省去泡图书馆翻书时，社会也曾哀叹下一代会变懒变笨；但事实证明人类迅速完成了适应，全社会的认知基线反而被大幅拔高。今天 AI 扫平某些数学难题并不是终局，它只是腾出人类的精力去构想更深刻的大问题。” > “实现颠覆性创新最迅猛的路径，看似是个悖论：反而是朝着一个宏大无垠的远景目标，不知疲倦地迈出扎实而紧凑的细分步伐。带团队最考验功力的，是克制住修补细碎日常的惯性，去锚定那些能带来阶跃式质变（step function）的大问题。” 以下为本次访谈全文： ### 预测未来的精髓，不是做线性推演，而是主动创造范式 **主持人**：我想先从这样一个感受聊起：对我来说，Google Research 就像是 Google 内部的一座前沿工坊，很多未来技术在成为大众生活日常之前，都在这里率先成型。如果让你来定义，你会如何描述 Google Research 的职责？ **Yossi Matias**：首先我想说，**我们当下确实正身处科研的黄金时代。** 因为纵观历史，我们从未能像今天这样，以如此迅速的节奏和如此广阔的维度去设想未来，并亲手将它变为现实。 回顾历史，Google 本身就是从一篇学术论文起步的，而 Google Research 一直以来所扮演的角色，就是去直面并解决那些真正关乎重大的核心难题。 很多时候，**我们的工作就是让不可能变成可能。** 我们关注的领域非常广泛，只要能带来深远改变，都在我们的射程之内：从推动机器学习的前沿理论与工程应用，到研发解决复杂问题的新型算法；从设计面向未来的下一代计算架构，到运用 AI 应对医疗、气候变化和教育领域的根本挑战；再到驱动前沿科研、成倍加速科学发现的进程。 与此同时，我们也在深耕生成式 AI 底层基础——大家可以看到，它正在彻底重构我们身边的方方面面。此外，我们还在探索全新的计算范式，比如研发量子计算机。 **主持人**：我看过你的一次演讲，其中有两张幻灯片极具代表性，淋漓尽致地展现了你们工作的跨度。第一张图涵盖了从底层机器学习、基础算法一直延伸到量子计算的完整脉络；而第二张图，则展示了从宏观的地球系统一路深入到微观的生物细胞。可以说，你们的研究覆盖了整个认知光谱。 但你身上有一种非常独特的特质：你不仅能精准洞察未来的发展趋势，更能同时着手把它造出来。而且事实证明，你的预判总是惊人地准确。 比如现在，大家对着 AI 系统自然流畅地打字对话，早已司空见惯；但早在八年前，你就主导打造了 Google Duplex，那是业内最早落地的对话式 AI 系统之一。现代 AI 领域最负盛名的一篇论文《Attention Is All You Need》也诞生在 Google Research，它向世界引介了 Transformer 架构。 你是如何在亲手构建这些系统的同时，预见技术未来走向的？当然，我也必须替大家问一句：**接下来的下一个大突破会是什么？** **Yossi Matias**：这确实很有意思。 当我们思考技术演进时，**核心其实不在于沿袭过去的路径做线性推演，真正的精髓在于主动洞悉未来会发生什么。** 更关键的是，我们在 Google Research 内部做规划时，目光绝不仅仅停留在未来 3 个月、6 个月或 9 个月能做成什么，我们更看重地平线上的远景，看重转角处正在酝酿的范式演变——去寻找那些正在逼近临界点、且依托我们当下的积累有希望由我们亲手促成突破的方向。 我们内部有一种非常良性的动力机制：在任何给定的时间节点，**我们所取得的任何突破与进展，都会立刻化作底层的基石，支撑我们攀登下一座高峰。** 回到你刚才提到的对话式 AI 等技术案例，其实在特定阶段，关键在于看清底层技术流向的趋势，并做出准确的预判：哪怕我们当下还不知道具体的实现路径，但能否判断出哪些能力已经处在爆发的临界边缘？ **主持人**：确实如此。 天天修补细碎日常，换不来阶跃式的技术质变。想要穿透这轮技术周期，你必须看清真实的底层落地路径。 2026 奇点智能技术大会将于 11 月 20—21 日在北京举行，18 大前沿专题、70+ 一线技术嘉宾，拆解 AI Coding、Agent、Infra、多模态等真实落地路径。 📥 扫码免费领取大会 PPT 与 Agent 实战资料👇  ### 足够先进的技术像空气一样无感，你甚至不会意识到它的存在 **Yossi Matias**：举例来说，大约十年前，我清晰地意识到对话式交互的时代即将来临。因为当时我们观察到语音处理能力正在大幅提升，文本转语音（TTS）的早期雏形也开始浮现。 今天大家对这些可能早就习以为常了，但在当时我们明白：**对话式交互是终极的人机界面，因为这正是人类彼此交流最天然的方式。** 自那以后，让我格外兴奋的一个命题就是：我们如何利用 AI、研发怎样的技术，才能真正让这种无缝的对话交互成为现实？Duplex 就是典型的探索实践。 即便是在几年前，我们就曾公开过一组数据：Duplex 代表用户给线下商家致电核实营业时间等信息，由此促成的商家信息浏览量已经突破了 1 万亿次。 不过，这不仅关乎对话式交互，更关乎打破模态之间的壁垒。比如，如何在文字、图像和视频之间自由转换内容？如何实现跨模态、跨语种的顺畅沟通，从而抹平语言鸿沟？以及如何用全新的交互方式去消费信息？ 同样，大家今天对这些也已经习以为常了。在 Google 工作的这些年里，我在搜索业务线上待了十多年。人们早就习惯了有疑问就直接“Google 一下”。 技术往往就是这样，一旦它切实生效并融入生活，人们便会理所当然地认为它本该如此。 我喜欢把这种状态称为“环境智能”（ambient intelligence）——**当智能技术发展到极高水准，它会变得像空气一样无感，你完全不会意识到它的存在，而是直接基于它去探索下一件事情。** 大家常引用那句名言：“任何足够先进的技术，皆与魔法无异。”这话很对；但同样真实的是，**一旦我们体验过几次之后，它就不再是魔法了，我们会直接默认它的存在，默认它就是能够稳定运转。**然后，我们就可以向下一个目标进发了。 **主持人**：对，这话出自阿瑟·克拉克（Arthur C. Clarke）对吧？“任何足够先进的技术，皆与魔法无异。”说得太贴切了。 因为我们今天借助 AI 完成的许多操作，搁在几年前完全称得上不可思议、形同幻想，甚至惊世骇俗，但今天大家用起来就像呼吸一样自然。 顺着你对未来的预判，你刚才提到了两个概念：一是你在今年二月与合作者发表的论文中探讨的“生成式 UI”（Generative UI）；第二就是“环境智能”。 也就是说，我们未来的愿景，很可能就像随时随地接入电网一样无感地调用通用智能，根本不需要多想。**就像插上充电器时，没有人会去怀疑“我的手机到底能不能充上电”一样，你默认它就在那里。** 环境智能的图景，是不是意味着我们可以随时抛出一个极高难度的问题，而完全不必操心背后究竟调用了多么庞大复杂的先进智能在支撑？ **Yossi Matias**：没错。说到底，这关乎探索“可能的艺术”。 而当你去思考何为“可能的艺术”时，它其实是两者的结合：**什么是真正有价值的，以及你在工程技术上究竟能做到什么。** 生成式 UI 就是绝佳的例子。当时有一支非常出色的团队深入探索了一个课题：利用当前的生成式 AI，我们能尝试打造出怎样颠覆以往的全新交互体验？ 他们发现，生成式 UI 不仅能根据你的 prompt 恰如其分地生成内容，更能够自主判断以何种最适合的形式呈现在你面前。 如果你问的是一个视觉相关的问题，它就直接展现图像；如果你问的是某种算法，它可能会现场编写代码并实时跑出仿真模拟给你看；如果你问什么是分形几何， **主持人**：对。 **Yossi Matias**：它就会现场生成分形的代码，直接把可交互的分形图案呈现在屏幕上任你把玩； 如果提问者是个孩子，问的是“二次方程到底是什么”，系统甚至能判断出最好的讲解方式，是呈现一个人投篮的动态画面，直观解释投篮抛物线的角度与二次方程之间的数学联系。这些都是典型的落地形态。 最美妙的是，随着 AI 本身在加速科学研究和产品化落地，我们可以亲眼见证一个概念 Demo，在短时间内迅速转化为 Google 搜索和 Gemini 应用中的实际功能，为用户提供沉浸感强得多的动态交互界面。 **主持人**：这确实是人与数字信息交互范式的一场深刻变革。 **因为信息不再是被动僵硬地摆在那里，而是以完全贴合个人意图、上下文背景乃至当前设备形态的方式，被动态重塑并呈现出来。** 我们刚才私下交流时我也在想：有的人搜餐厅，喜欢阅读文字菜单，他们对美食很有研究，能报出所有菜品的讲究名称；但对另一些人而言，菜品图片才最关键。 最终，这套界面会智能适配用户——如果判断出该用户是视觉导向型，就优先推送精美图集；如果遇到更关注考究菜名的食客，则呈现详实的文字清单。这正是 GenUI 带来的改变，它今天已经初具雏形，而且代表了未来的演化方向。 --- ### 别被“现存方案”框住思维，我们期待的是 100 倍的底层架构颠覆 **Yossi Matias**：是的。同样的底层能力还可以迁移到诸多不同领域。 GenUI 展现出了惊人的效能，仅凭单次 prompt，系统就能动态组装界面，这也是为什么我们能够迅速将其引入搜索。但如果我们把视野放宽，去探讨一个更宏大的命题——我们究竟希望信息以何种形态呈现？界面应当如何自适应用户的意图和使用语境？还有很多极具价值的领域值得深入挖掘。 例如我们一直在探讨：AI 能否彻底重塑教育领域的传统教科书？ 以往我们学习重力概念，通常就是读一段文字配几张插图；而如今，我们能否借助 AI 重新构想这种学习体验，针对不同受众量身定制案例与语言表达？十岁儿童读懂的重力讲解，与十八岁高中生所需的深度必然截然不同。 更进一步，能否结合学习者的兴趣爱好来讲解？如果面对一个喜欢踢足球的十岁女孩，系统能不能直接用足球飞行的弧线作为案例来阐释重力？事实上，我们正在推进一个名为“Learn Your Way”（因材施教）的实验项目，做的正是这件事。 我认为，用技术去颠覆既有模式的探索才刚刚开始。**归根结底，一切依然始于核心问题：我们到底要解决什么痛点？今天的技术能做到什么？而我们又能构建出什么，以便在未来解决得更加彻底？** **主持人**：没错。我们为什么一定要拘泥于僵化死板的交互界面或标准教科书呢？每个人的学习方式本就千差万别，系统理应能够理解并匹配最适合每个人的认知路径。 退一步从底层技术来看，要真正实现你描绘的环境智能愿景——大家无感地接入 AI，生成式 UI 能在任何场景下与你无缝契合——技术栈上需要发生怎样的演变？ 现在行业内充斥着关于“缩放定律”（Scaling Laws）见顶的讨论，很多人担心预训练正在逼近极限，单纯堆砌更庞大的数据集和算力，可能无法像过去那样带来显著进展。而 Google Research 的核心职责之一，正是探索全新架构、攻克效率瓶颈，从而绕过这些既有瓶颈。 从架构设计的角度来说，未来需要突破什么？**我们需要全新的底层架构来实现这一愿景吗？** **Yossi Matias**：关于当前架构的上限在哪、我们是否已经触顶等等，外界确实有很多讨论。 但在某种程度上，大家似乎淡忘了一个事实：就在短短几年前，甚至根本就不存在 Transformer 这种架构。**我们为什么要把思维局限在“现存方案是唯一路径”的假设里？** 如果回到解决问题的第一性原理，回到如何通过科研突破攻克现实瓶颈，你会发现生成式 AI 还有太多维度需要深度钻研，这也正是我们发力的重点。 比如，让模型运行得更加高效，这是显而易见的需求；再比如，让模型更具事实一致性、更加可靠。顺便提一句，从 2021 年大语言模型刚起步时，我们就一直在引领这方面的研究，甚至早在 2022 年就发布了专门的基准测试集，供学术界评估大语言模型的事实性与逻辑一致性。 此外，还有许多必须取得进展的方向：如何增强模型的复杂推理能力，如何解决更高维度的难题，如何驾驭多模态交互等等。我们在所有这些方向上都看到了长足的进步。 然而，**每一次进步的达成，不过是树立了一个新的 baseline（基准线）。接下来的问题永远是：你打算怎样在此基础上更进一步？** 因为永远有更宏大的难题等待解决，你永远会发现眼前的能力距离理想目标还差一截，你总是希望能让它承担更多关键任务。 我举个运行效率方面的例子：大家讨论缩放定律时，往往默认我们只能沿用现有的工程手法，无非是不断灌入更多数据、砸入更多算力。但现实中总会涌现出全新的算法与工程思路。别忘了，Transformer 本身就是一种颠覆性的新架构。 再比如前两年，我们提出了推测解码（speculative decoding）技术，本质上是一种用于大模型推理加速的全新算法。实验表明，在完全不损失输出质量的前提下，它能将推理速度提升一倍乃至更多，同时大幅降低所需的算力开销。 **主持人**：确实。 **Yossi Matias**：围绕这种思路，业界现在演化出了数百种变体，性能甚至能达到 2 倍以上。如今大家把这种推理加速视作理所当然的技术标准。 但我真正在期待的，是能带来 10 倍、100 倍飞跃的下一代创新，是那些彻底重构范式的全新架构。 **科研最迷人的魅力恰恰在于：它从来不是把已知的方法榨取到极致就裹足不前。** 虽然在日常工程迭代中优化现有手段是必修课，但科研更需要开辟全新的路径。迄今为止，我从未见过任何一份能够板上钉钉证明“某件事绝对不可能做到”的论据。说到底，这只是一个时间问题——我们何时能够迎来下一次突破、下一次创新、下一个转折点？ **主持人**：也就是说，一方面我们在现有架构内依然有巨大的挖潜空间，能让模型更加高效、输出更贴合事实；但与此同时，更深层次的质变正在孕育。这绝不是技术的终局，我们必将见证架构本身的底层革新，就像你所说的，带来比今天强 10 倍、100 倍乃至上千倍的跨越。 **Yossi Matias**：对。而且我们试图用技术解决的目标本身，也在与时俱进。我们一直在不断抬高期望的门槛。 比如在模型泛化方面，我们最初专注于语言模型，但现在我们渴望构建对物理现实有深刻理解的模型，也就是所谓的世界模型（world models）。 我们发现，单纯依靠从海量人类经验中学习的基础模型，已经展现出了极强的效能；**但如果将其与严谨的物理仿真相结合，与分子生物学或微观物理层面的纵深数据融会贯通，模型就会产生更深刻的洞察，获得更高质量的训练数据。** 这样一来，我们便能构建出能力更强大的模型，去解答那些以人类当下的认知手段根本无法求解的未知命题；或者去理解并建模大千世界中纷繁复杂事实之间的深层关联，在其上搭建认知层级，并反过来借助 AI 进一步加速这一探索进程。 --- ### 把通才学者装进口袋：给每个人一座随时待命的虚拟实验室 **主持人**：从这个角度看，尽管 AI 作为一个独立学科已经发展了数十年（很多人可能并不清楚这个领域已经沉淀了这么久），但我们是不是依然处在它孕育更大突破的初级阶段？ **Yossi Matias**：是的，这是一种非常奇妙的双重感知：一方面，大家会感叹，天哪，短短几年我们走过的路，比过去几十年的总和还要深远；但另一方面，你又很难断言未来究竟会通向何方。 **因为现在的技术进化正在形成自我加速机制：AI 正在加速科学研究，而科研反过来又在加速 AI 本身的演进。** 很多人已经在严肃讨论 AI 的递归式自我提升（recursive improvement）等等。我们自己在当下就已经全面运用 AI 来加速前沿研发了。所以从诸多维度衡量，我们确实还处在早期。 常言道：“预测很难，尤其是预测未来。”尽管我们的本职工作正是前瞻性地下注和重金布局，但我认为谁也无法拍着胸脯断言，数年后的世界、数年后的 AI 与底层技术究竟会演变为什么面貌。 但有一点毋庸置疑：巨大的技术跃进依然在源源不断地发生，它将全方位重塑现实世界的各个层面。 我们真正专注的核心工作，就是提出那些最关键的问题：我们究竟在哪一个切入点取得科研突破，才能产生最深远的影响，从而自上而下辐射到核心产品、底层技术、科学发现以及整个社会体系？ **主持人**：说到这里，我们必须专门聊聊科学本身。我知道科学研究始终在 Google Research 占据着举足轻重的分量。眼下的技术节点，对科学探索究竟意味着什么？科学界正在经历怎样的剧变？ **Yossi Matias**：对我而言，当下最令人振奋的发展之一，莫过于科学发现本身的进程正在被大幅加速。 这不仅意味着我们能用手头最顶尖的技术去求解具体的科研课题，**更意味着我们正在用 AI 为整套“科学研究方法”（scientific method）打造一整套趁手的底层工具。** 不妨拆解一下科学研究的日常流程：在一间实验室里，研究人员通常专注于攻克某个前沿课题，例如探讨“某种特定细菌为何比其他菌株更具感染力、为何会产生耐药性”——这是我们在帝国理工学院（Imperial College）的科研合作伙伴长年钻研的课题。 实验室里汇聚了不同资历的研究者，包括博士生和博士后，大家每天都在提出假说。首先得浩如烟海地查阅文献，梳理已知认知，在此基础上提炼假说，最后设计实验去验证。而我们当前探索的，正是如何用 AI 全面提速这套流程。 以我们研发的“AI Co-Scientist”系统为例，它是一个多 agent 系统，能够在极短时间内跨学科检索海量科研文献，自主生成一系列研究假说，并尝试对这些假说进行逻辑校验与相关度排序，最后把结果呈现给科学家：“看，这有几个假说，或许能够解释你脑海中的研究疑问。” 正因为它具备在全领域学术文献中纵览全局、并对照已有公开实验数据交叉验证假说的能力，它对科研效率的提升是极其惊人的。 在刚才提到的帝国理工学院的真实案例中，**我们的合作伙伴苦思冥想多年才提出的关键假说，AI Co-Scientist 仅用了短短三天就独立推导出来了，甚至还给出了备选的新假说。** 斯坦福大学等顶尖机构的合作者，也在借助 AI Co-Scientist 针对肝纤维化机理和药物重定向（老药新用）提出创新假说。这表明，我们忽然拥有了一套能够扮演极其高能的“科研协作者”角色的 AI 系统。 当我回访这些科研伙伴，问他们“与这套系统共事体验如何”时，他们的回答如出一辙：“就像是在跟一位能力极其出众的科学家共事。” 而且妙就妙在，它绝非普通的聪明协作者，因为**它能在所有科学学科的文献之间融会贯通——这实质上等同于你身边随时配备了一位无所不知的通才学者。** **主持人**：嗯，就像是把一位全才学者装进了口袋里。 **Yossi Matias**：想象一下那样的场景：未来世界上任何一位科研工作者、哪怕是一名普通学生，手头都拥有一个完备的“虚拟实验室”任其调遣。 任何人只要有了科研想法，系统就可以自动梳理全球文献、生成严密假说并进行初步验证。未来随着自动化实验仪器的普及（目前整个行业在这方面进展飞速），甚至还能直接联动实体实验室完成真实实验闭环。 如此一来，**每个普通研究人员都能享有以往只有极少数资深实验室掌门人才配拥有的科研资源和支撑团队。** **主持人**：这意义太重大了。 **Yossi Matias**：这意味着所有人都可以去构想更宏大的科学问题，并以更快的节奏推进突破。既然人类科学探索中未解的谜题数不胜数，这套模式必将极大地激活并加速科学发现的进程。 但这还只是整个闭环中的一块拼图。因为对于一位一线科学家——比如生物学家、化学家或材料学家来说，他们固然是自身领域的顶尖专家，但在当下，为了验证某个假说而搭建专用的数学计算模型，本身就是一项极度繁琐耗时的工作。这往往需要耗费数天、数周乃至数月时间，有时甚至必须专门聘请数据科学家来协助建模。 为此，我们开发了一套名为“经验研究助手”（Empirical Research Assistant）的系统。它同样依托生成式 AI，只要面对定义明确的科学问题及输入数据，系统就能自动化地检索、匹配并构建出最恰当的计算模型，协助你攻克难题。 顺便提一句，AI Co-Scientist 和 Empirical Research Assistant 的相关成果，在几周前刚刚同步发表在《自然》（*Nature*）杂志上。而在论文发表之际，它们已经在宇宙学、流行病学、工程学和经济学等诸多领域开花结果，协助多支团队攻克了此前长期悬而未决的开放式科学难题。 如果我们把“构建科学假说”、“文献深度挖掘”与这些建模工具融为一体——我们最近通过“Gemini for Science”项目将这套能力开放给了更广泛的科研界。这是 Google 内部跨部门、跨团队深度协同的结晶。 再结合 DeepMind 开发的 AlphaEvolve 等前沿系统，它们共同汇入了我们称之为“计算驱动的科学发现”（computational discovery）的大潮中。此外，文献智能洞察等技术，也正在成为加速科研方法论的坚实拼图。 但这些依然不是全部，另一个至关重要的环节是：学术同行评议机制在未来将如何演进？ 我们正在探索试验论文助手类工具，它能在手稿成型早期为学者提供严谨的修改反馈。在不远的将来，我相信审稿人同样会利用 AI 来提升评议效率。 事实上，科学研究方法论的价值在今天比以往任何时候都要重要；**而利用 AI 来辅助并捍卫科学方法的严谨性，对于确保我们在坚实可靠的科学地基上一环扣一环地攀登更高维度的未知命题，至关重要。**这种全方位的科研加速度，正是 AI 赋能科学最令人心潮澎湃的魅力所在。 --- ### AI 是人类智慧的放大器：当基础工作被接管，战略判断力成了终极壁垒 **主持人**：确实如此。原本可能耗费数年光景的探索，未来有望在几个月、几周甚至几天内水落石出。 很多外行人或许根本无法体会，要确立并求证一个科学假说，前期的文献调研与路径论证需要倾注多么可怕的心血。就像你刚才提到的例子：为了搞清楚某种细菌为何具备抗生素耐药性，你必须把前人写过的所有相关论文翻个底朝天，生怕别人早就证实或证伪过了。光是论证“这个假说是否值得立项”，可能就要搭进去好几个月。 再比如你提到的“经验研究助手”，一位化学家为了验证猜想，可能不得不硬着头皮去写代码跑模型，要么就得外聘计算机专家协助。而现在，研究人员身边仿佛环绕着一支随叫随到的虚拟专家团队。 你在某次演讲中有一句话让我印象极其深刻：很多人并不知道，爱迪生当年背后有一支近百人的研发团队协同作战；那些名垂青史的顶级科学家，身后往往都运转着一整座“发明工场”。**现在的技术，本质上是把这样一座工厂交到了每个人手中。** 但也引发了一个新问题：在这个所有人都坐拥强大工具的新阶段，是否正在出现一种新的“技能断层”？因为拥有一座虚拟实验室是一回事，懂得如何驾驭它则是另一回事。 前几天我们在电话里沟通时，你提出了一个非常有深意的观点：在如何加速培养科学家将自己视为“系统架构师”（architects）的认知上，我们目前存在断层。你所说的“科学家化身架构师”，究竟是指什么？ **Yossi Matias**：首先，确实如你所说，爱迪生作为人类历史上最伟大的发明家之一，拥有自己的发明工场。他从来不是单打独斗，而是依靠一整间实验室的高效协作。放眼当今学术界，最受敬仰的科学巨擘背后，无一不依托着强大的实验室体系支撑。 而我们正在步入一个每个人都能拥有专属“虚拟实验室”的时代——**我始终认为，AI 的本质是“人类智慧的放大器”。** 在这个背景下，人类研究者自身的作用不仅没有被削弱，反而比以往任何时候都更加关键。 有时外界会产生一种片面的担忧：如果一名硕士生、博士后或青年学者，以往需要把大量精力花在文献检索、搭建基础模型这些琐碎环节上，而现在这些统统可以“一键免费搞定”，那还要研究人员做什么？ 核心要义恰恰在于：人类学者的角色变得前所未有地举足轻重。**因为当手头拥有了一整座随时待命的虚拟实验室时，你所需要做的，正是像顶尖学术带头人那样，去提出最核心、最高维的科学命题。** 所以说，“AI 是人类智慧的放大器”并不是对未来的宿命式预言，而是一项核心的设计目标。 试想一下：要让一位初出茅庐的青年学者，能够像运筹帷幄的资深实验室主任那样去调度虚拟实验室，需要什么条件？在传统科研体制下，一个人往往需要耗费十几年摸爬滚打，从最基础的琐碎工作做起，边看边学，才能慢慢熬出这种统局全局的大局观。 而如果我们希望学者们在科研生涯的早期就能站在高处提出大问题，就必须弥补其间的认知鸿沟，在研究生培养模式上做出深刻变革。 顺便说一句，这种变革适用于所有行业：工程、计算机、生物医药乃至医护工作者无不如此， **主持人**：法律界同样如此，大家都在经历这种工具重构。 **Yossi Matias**：一点没错。因为 AI 正在接管所有这些基础性的准入级工作，这就倒逼所有人必须提前进入更高维度的角色：学会提出正确的问题，给出精准的战略指引，并对产出的结果做出高水准的判断。 因为科学探索的答案从来不是非黑即白的简单开关，绝非“抛出一个问题，立刻吐出一个标答”那么轻巧；**现实永远充满多重可能性，充满在各种边界条件下的权衡取舍（tradeoffs）——“这个方案好不好？不同维度的参数该如何权衡？”这就要求研究人员具备极高的战略决断力，这种判断力在今天比以往任何时候都更为稀缺。** 由此可以得出几个清晰的洞察： 第一，我们必须尽快改革现有的教学与研究生培养体系，教导年轻学者如何深度驾驭 AI 工具来搭建这种认知架构。我对此非常乐观，因为 AI 本身就能在这类训练中大显身手。例如在科研方法训练上，AI 可以在撰写阶段及早给出结构化的批判性反馈，而这在过去恰恰是研究生导师最耗时耗力的工作之一。这是第一个观察。 第二个观察是：在提出关键问题的战略判断力变得无比关键的同时，如何甄别、判定一个答案究竟是否足够优秀，同样极度考验人类的功力。 有些场景下的对错一目了然，比如数值优化算法，“我的目标是求出这个最优数值”，一经验算便知分晓；但在很多复杂的系统性问题中，系统牵一发而动全身，充斥着复杂的折中权衡，这时是否合理全凭精妙的决断。 我很喜欢借用一句爵士乐领域的名言——我自己是个爵士乐迷，杜克·埃灵顿（Duke Ellington）谈及音乐评判标准时曾说过一句名言：“听起来是好听的，那就是好音乐。” 这话说得极其透彻：**对“什么是真正的好”的最终裁量权，在未来将越来越依赖人类的终极审美与判断。**当然，AI 系统会不断学习这些判断并将其泛化应用，而人类则会随之迈向更宏大的问题，继续行使更高阶的裁量权。 **主持人**：这也正是为什么我认为科学教育不仅不会像某些人想象的那样“因为工具先进而变得轻松”，反而会变得门槛更高。 因为按照你的描述，**以往需要一个人历练十到十五年才能沉淀下来的综合研判力，今后在年轻学者出道之初就会被硬性要求具备。** 以往需要四十年学术生涯才能求解的复杂命题，如今年轻一代起步阶段就拥有了求解的工具支撑，他们必须迅速建立起与之匹配的批判性判断力。我认为全社会的教育模式都在朝着这个方向深刻重塑。 **Yossi Matias**：完全赞同。这本质上又是一次“认知视错觉”，历史上类似的周期我们见过太多次了。 当年 Google 搜索和维基百科全面普及、成为人手一份的基础设施时，社会上也曾哀鸿遍野：“完蛋了，孩子们不用去图书馆花几天查资料写作业了，几分钟就能搞定事实，下一代会不会变得又蠢又懒？” 但最终的事实是，整个人类社会迅速完成了适应，我们对下一代的综合能力要求反而水涨船高——那些查资料的功夫变成了不言自明的基本底线。 现在发生的事情如出一辙：我们只是在抬高基准线，抬高全社会的认知底线。 就拿数学领域来说，最近我们频繁看到各路报道，很多研究人员甚至中学生都开始公开宣称：“看，我们用 AI 攻克了某个久攻不破的埃尔德什猜想（Erdős problem）。”这些数学题库源自传奇数学家保罗·埃尔德什，许多难题尘封了几十年。 外界难免会产生一种错觉：“哇，所有的科学谜题是不是马上都要被 AI 扫平了？”事实并非如此。**确实有一批问题会迎刃而解，许多研究进程会被急剧缩短，但这意味着我们可以腾出手去构想更深刻的数学大问题。科学界从不缺乏等待去征服的高峰。** 再看看医疗健康领域，我们固然取得了诸多突破，但距离彻底攻克疾病依然道阻且长：我们如何彻底革新现代医疗体系？如何确保没有一个人会在毫无防备的情况下突发重病？如何实现超早期的早筛？如何攻克癌症的靶向治疗？如何从根本上优化公共卫生管理？ 所有这些重大命题，我们人类目前都还只摸到了皮毛，我们理应张开双臂拥抱 AI，借助它的力量去直面并跨越这些险阻。 **主持人**：是的，我们需要更多在一线深耕的专业人才，借助这些技术的加持去攻坚克难。 **Yossi Matias**：正是如此。 --- ### 打破学科的孤立深井，啃下全世界都公认无解的硬骨头 **主持人**：但在跨学科验证上，未来会不会遭遇严重的瓶颈？ 正如你所提到的，AI 的认知网络不像人类这样受制于狭隘的学科界限。在人类学术界，可能几十年才难得一遇一位能在不同领域自由穿梭的通才，这向来是极罕见的个例。人们通常只钻研一门学问：要么学化学，要么学物理，要么学生物。 然而在现实中，AI 完全有可能在不同学科之间敏锐地捕捉到某种深层共性规律，但这种关联如果单独放在某一个特定学科的传统语境里，可能会被视作离经叛道或毫无逻辑。 如果人类的思维定势依然被割裂在一个个孤立学科里，未来究竟有谁能具备足够的学识与格局，来拍板判定 AI 发现的这种跨学科洞察是真正成立的？ **Yossi Matias**：谈到学科的割裂与跨学科融合，这恰恰是我认为当下 AI 加速科学发现进程中所孕育的最重磅的历史性机遇之一。 传统科学界建构知识版图的方式，确实习惯于将人框死在狭窄的细分学科内。而在我过去的科研生涯中，我一次又一次地深刻体会到：**唯有打破藩篱、将多个不同学科的思想融汇在一起时，不可思议的奇迹才会发生。**只有在交叉地带，你才能借调、审视并贯通原本老死不相往来的知识脉络。 以往放眼全球，真正具备跨学科深厚积淀的人凤毛麟角，而往往正是这批跨界者做出了最惊艳的建树。如今有了 AI，我们终于有能力系统性地规模化实现这种交叉互通。因此我无比坚信，这不仅会加速跨领域的知识大融合，更能帮我们把割裂的碎片拼织成宏大的整体。 顺便说一句，你刚才指出的“验证瓶颈”确实命中了要害：当 AI 开始以前所未有的速度跨界批量产出假说时，如何科学地校验这些假说、验证其严密性并做出敏锐取舍，其重要性将呈指数级攀升。这自然也倒逼我们必须开发更加智能的 AI 辅助验证系统。 此外，既然我们在各个前沿应用垂直领域都在实现跨界突破，那么未来的通识教育与综合科学素养就变得更加关键。我认为这是未来必然会显现的一大积极趋势：鼓励大家跳出单一领域的深井。 在学术训练中，历来存在“专精深度”与“涉猎广度”之间的矛盾。在过去，大家不得不极度深扎于某一狭小领域，因为为了把课题推向终点，从最脏最累的实验台操作、到数学建模、再到复杂的定理推导，每一步都必须由你亲力亲为； **但在一个你可以随时调用一整个虚拟实验室作为后盾的时代，科研人员的基础培养模式必须与时俱进，我们需要重新评估学者们需要掌握的技能颗粒度，在通识广度与专业深度之间找到新的黄金平衡点。** 顺便提一句，这绝不仅仅适用于自然科学界，工程技术界同样在经历这场剧变。以往软件行业分工明确：软件工程师、产品经理、UI 设计师各司其职，壁垒森严。 而在今天，一个全新的工作范式正在眼前展开：任何人凭借 AI，都可以调动一支由虚拟工程师、虚拟设计师构成的全能战队在幕后高效协同。也就是说，一个人完全可以融汇多项核心职能。因此，跨学科、跨领域的通感与全局驾驭力，在未来只会变得越来越吃香。 **主持人**：确实。我常常感叹，“岗位头衔”（job title）这个工业时代的产物恐怕越来越难以为继了。**未来的核心竞争力必然取决于你底层拥有的硬核技能与认知模型，而非工业流水线划分出来的细碎标签。**无论是做产品的兼顾工程落地，还是在科学研究中纵横捭阖，身份的流动性都会大大增强。 对于一个完全不从事科研的普通人来说，当科学探索被 AI 全面提速后，他们的日常生活会迎来哪些切身体会？普通人为什么要在意这件事？这和他们的切身利益有什么关联？ **Yossi Matias**：首先我认为，这类具备高度行动力的 agentic 系统正在接管大量以往必须由顶级专家亲力亲为的复杂任务，这将极大地降低创造的门槛，让更多普通人有底气在各个专业领域中大显身手。 例如在今天，大量此前从未系统学过编程的人，已经开始独立开发并上线软件应用了。前阵子一位初创团队的朋友告诉我：“我现在直接跟客户对接需求，他们一提想要什么新特性，我很多时候根本不需要转交给内部工程师排期，我自己顺手就能把可交互的原型给搓出来。”仔细想想，这种生产力的释放是极具颠覆性的。 科学研究同样如此：如果你是一位科学家，在推进课题时需要用到另一门陌生学科的技术，你不再需要大费周章地跨院系拉关系、找专家牵线搭桥，AI 在很大程度上就能化身你的专业智囊。这种把跨学科认知无缝缝合在一起的手段，威力会越来越巨大。 回想大