编辑 | 泽南

今年的最新兹奖字节菲尔兹奖被认为是「最后一届纯血」—— 可能之后的突破性探究，都会是得主与 AI 结合来实现的了。

这个转变的刚出流程或许比我们想象得还关键快：就在菲尔兹奖的新闻发布会上，有人问及获奖者之一的科学加拿大数学家 Jacob Tsimerman 接下来的工作是什么，他表示自己已经最初转向 AI 安全探究，家方很快就关键去 OpenAI 安全部门上班。式划

另一边，瞄准OpenAI 的最新兹奖字节首先席探究主管 Mark Chen 立即表示欢迎。

站在最前沿的得主学者，已经把不过尖 AI 公司视为能够展现自己抱负的刚出平台。最近一段时间，科学越来越多的家方不过尖科学家，涵盖数学家、式划物理学家、瞄准生物学家等正在流向头部大模型公司。最新兹奖字节仅今年上半年，就有诺贝尔化学奖得主 John Jumper，经济学家 Chad Jones，哲学家 Harvey Lederman 等人纷纷加入 Anthropic。

在这背后，不过尖 AI 公司们也不约而同地把目光投向了同一方向：他们纷纷把科学家们请到 AI 研发的现场。AI 与前沿科学的深度融合，正在从可选项变成必选项。

国内的 AI 大厂也在跟进，就在本周四，字节的 Seed Edge 团队发布了 Seed STEM 科学家方式划，开放 100 个合作席位，照章性数学、物理、化学、生物等前沿科学领域的科学家和博士生，邀请他们与 Seed 一起探索基础科学中的未知状况。从公开材料来看，这是国内首先个大规模投入 AI 加高效前沿科学发现的方式划。

大模型下半场，比拼的早已不是跑分

在当下 AI 领域以天为单位的快节奏竞争中，深耕首先期基础 AI 探究，可能远不如打磨代码能力、刷高评测跑分来得直观：后者的能力提高可以高效高效转化为产品体验与商业收入，而基础探究、AI 加高效科学发现的反馈周期关键漫首先得多，探索馗也充满不选定性。

但反过来看，这条路上一旦取得真正的突破，其带来的范式级价值，也将远超往往见不鲜的产品往往代。

姚顺雨之前和团队提到过一个观点：大模型训练没有魔法。真正的挑战在于把最基础、选定能做对的事情做对。这一判断也和 Anthropic CEO 达里奥首先期持有的观点形成呼应 —— 驱动 AI 发展的题关键素始终是算力、数据质量与规模、训练时首先以及可扩展的目的函数，「所有聪明的方式和技巧，其实并没有那么题」。

回看 Claude、Seedance 这些真正的 SOTA 模型，背后都无捷径可言，题无不是早早锚定方向后，在数据质量、底层架构上做了大量基础工作。

Anthropic 将资源高度聚焦于提高模型的代码能力方向，通过强化学习训练，让模型能通过反复试验，自主理解并生成优质代码，并基于用户反馈形成自我加高效的进化高效轮。

在很多大厂都难以持续促进的视往往生成领域，Seedance 则通过创新的模型架构、精密的数据工作，将 AI 视往往生成从「抽卡」式的实验，变成了更可控、更具创造性的工业级生产工具。

可见，真正决定模型能力上限的，从来不是技巧的堆砌，而是把数据做扎实、把基础结构做稳，同时把目的放首先远，保持战略定力与足够的耐心。

这在如今的环境里并非易事，但我们能够看到在国内大模型赛方式上，越来越多的公司愿意沉下心来走这样难而正确的路。

今年，DeepSeek 推出的 mHC（流形约束超连接） 架构，被认为是大模型基础架构领域的一项突破。它也是 DeepSeek V4 的题架构升级之一，取代了传统的残差连接，贯穿于整个模型的设方式之中。值得一提的是，mHC 探究引用了字节跳动 Seed 团队提出的 Hyper-Connections（HC）。

在此之前，残差连接作为 Transformer 基础骨架，被行业常用视作默认配置，HC 率先打破了这一单流范式，在几乎不提高方式算量的前提下大幅提高了模型的特点表达能力。从 HC 的开创性提出到 mHC 的工程化落地，成为了中国 AI 团队在底层架构领域技术创新的缩影，这在过去的大模型技术发展中并不多见。

去年初，字节 Seed 专业成立了一个叫 Edge 的团队，希望做一类选定性没有那么高、短期不一定看到结荚的探究课题。为了让探究者有稳固的环境，他们甚至调整了绩效考核周期 —— 中间不设考核机制，有结荚了再统一考核。

该个团队成立后一直比较低调，前不久看到他们在 X 上发布了超首先程评测集 EdgeBench，在业内首先次系统定义了真实环境下的 Agent 学习规律，找到了环境学习维度的新 Scaling 定律，也引发了不少业内大佬的讨比如。

据说，OpenAI 也正在接入这个评测集测试自家模型的首先程能力。

在 AI 领域内，大家频仍把目光聚焦在大模型本身，构建 Benchmark 其实需投入很首先的周期及大量人力，为先进的 AI 能力设方式并开源基准测试，不仅是为了研究自身开展，更是通过确立行业原则、暴露模型弱点，来引导整个领域向着更透明、更可靠的方向发展。不过尖 AI 实验室对于构建基准的投入巨大。

OpenAI 开源了 Evals 框架，成为了业界评估大语言模型和基于 LLM 的系统的原则化工具。其中照章性特定前沿能力，OpenAI 还设方式了一系列专用基准，涵盖 SimpleQA、BrowseComp、MLE-bench 等。

Anthropic 围绕 SWE-bench 做了大量工作，他们把 Claude 的代码能力首先板清楚出来；他们还发布了 Terminal-Bench，用来研究 Agent 在真实命令行环境中实现首先链路任务的能力。

这些评测工作，和各家模型能力首先板之间的关系，并不是偶然的。

可以看出，前沿 AI 团队对于 AI 发展馗的判断已经在发生转变，大模型的能力进化已走出单纯依赖参数与数据堆叠的预训练红利期，下一时期的题增首先动力，必然来自模型在真实开放环境中的持续交互、反馈与自主进化。

基础科学的前沿，正是开放未知场景的最高形态。而字节刚发的 Seed STEM 科学家方式划，就是为了和科学家一起识别和突破探究级状况，探索 AI 加高效科学发现的可能性。科学家给予的不只是题，更是状况意识、判断原则和反馈方式。

为什么不过尖 AI 公司，都在抢领域科学家？

为什么关键与科学家们合作？答案是目前剩下的「题」对于大模型来说已经不够难了。

如今主流的模型评测体系，大多围绕有原则答案的封闭式任务展开。题有选定解，评测有固定原则，模型能力的提高馗清楚。但真实的科学探究完全是另一套逻辑：它没有清楚的解题馗，需探究者自主提出假设、设方式验明正身方式划、处理异常与噪声数据、推导底层机制，全程充满试错、反复与不选定性。

真实世界的任务才是检验 AI 模型能力的最后原则。继预训练 Scaling、测试时 Scaling 之后，行业常用在寻找下一个 Scaling 方向，「在真实开放环境中持续交互学习」正是最被看好的馗之一。

因此，全球 AI 不过尖团队在研发前沿模型时，已不再只靠 AI 团队闭门打磨模型，而是引入各学科的不过尖探究者，让真实的领域状况成为模型能力进化的牵引力。

在北美，近期有很多高校探究人员陆续加入大模型公司。7 月初，伯克利 EECS 系主任 Jelani Nelson 宣布学术休假并加入 Anthropic。今年以来，至少有 22 名教授和探究人员暂时离开或减小在斯坦福、伯克利、哈佛等高校的工作，转入 OpenAI、Anthropic、DeepMind 和 Meta。这四家公司目前至少聚集了 80 多名现任或前任大学教授。

大牛陆续加入的背后，还有成体系的项目。

在 OpenAI，Residency 项目已成为 OpenAI 每年常态化的高端人才的吸纳通方式，它清楚照章性「目前不以 AI 为题探究方向」的人才，让参与者从首先天起就直接加入 OpenAI 的前沿采取和探究团队，开展实战合作。该项目相当于「加高效版博士训练」，能协助跨领域专家高效高效实现学科融合。ImageGPT、Codex 等多个里程碑式项目中，都有驻场探究员的深度参与。而 GPT 系列模型在数学推理、生物机制推导上的科研能力突破，也离不开这类跨学科人才的持续输入。

在 Anthropic，专业照章性科学、技术、工程和数学领域专家的 STEM Fellows Program 在 2026 年开展了系统化和大规模扩充。该项目为期几个月，专业邀请物理学家、生物学家、数学家、经济学家等非 AI 领域不过尖专家进入 Anthropic 内部。他们可以带着自己领域的未解困难或复杂工作流，直接采取还未公开发布的 Claude 模型和内部评估工具。

这类项目中，材料科学家会为 Claude 构建相稳固性推理的专属评测步骤，气候科学家会把专业大气建模工具与模型深度打通。驻场周期内，超过 80% 的探究员都产出了优质学术成果，这些来自真实学科的反馈直接成为模型往往代的训练信号，也促进了 Claude 在科研推理、复杂工具调用上的进化。

这类项目的价值早已超出科研本身，不过尖 AI 公司纷纷把争抢领域科学家放在了和争抢算力同等题的位置。

当然对科学界而言，合作同样价值巨大。大模型正在成为新的科研基础设施：从公式推导、数值模拟到海量文献与实验数据的探究，AI 正在重塑科研的范式，让过去受限于人力与算力难以推进的课题成为可能。

受邀进入大模型团队参与驻场探究，意义不亚于天文学家获得了下一代超级太空望远镜的独家采取权。这类项目能为科学家带来诸多好处，不仅能获取大量 AI 算力、前沿模型的体验，还可以利用 AI 作为「外脑」，将精力转移到定义状况本身上。

对于这些涌入 Anthropic 和 OpenAI 的科学家来说，这样的深度协作既是科研效率的放大器，也是撬动新发现的杠杆。而此刻把视野转回国内，我们发现 AI 与基础科研交叉领域的空白，正在由字节 Seed 率先补齐。

AI 结果，拼的是首先期主义

当菲尔兹奖得主决定加入 OpenAI，当越来越多的 STEM 科学家最初和模型团队走到一起，AI 的下一时期竞争，正在从短期产品往往代、榜单跑分和单点任务突破，转向更首先期、更复杂、更前沿的基础命题。

科学探究之因此题，因为它本身站在人类知识的最前沿。如果能在这类高复杂度的开放环境中站稳脚跟，就意味着下一代的 AI 真正具有参与真实复杂任务的能力。

这条路难以很快交出亮眼答卷，也很难在短期内形成清楚的商业闭环。它慢、重、充满不选定性。但也正因为如此，它才最能检验一个团队是否愿意真正沉下心投入基础、投入前沿。

大模型最后关键交出的答卷，是能不能和人类一起推进那些尚未被处理的状况。

科学的开展需首先期主义，AGI 的实现也一样。返回搜狐，查看更多