90后发Nature，高中生进ICML，我在这场蚂蚁InTech论坛看见被AI折叠的科研

编辑｜Sia

假如你吃了个鸡蛋觉得不错，何必认识那只下蛋的母鸡呢？

没想到，钱钟书这句名言，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。

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」（以下简称 InTech 青年先锋论坛）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。

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。

知识越来越容易调用，过去依赖知识储备和信息差形成的优势，自然也要重新估值。

刘子纬说，一些「为了发论文训练出来的技能」，以后可能没那么值钱了。

于是问题来了：如果以后大家主要通过和 AI 对话学习，论文还会永远是科研成果最重要的载体吗？这也是吉嘉铭为什么会做出「 Conference 一定会消失」那个判断。

竞争的重心正在移动，徐贲指出，当知识越来越容易调用，能否在不同领域之间建立有效连接，就变得更加重要。

这也与 Michael I. Jordan 的建议不谋而合——

数学不能丢，擅长数学的学生，还要去学经济学和社会科学。借助更好的资源，把学习的边界往外推，成为一个更加全面的人

其他获奖者则将人类研究者的价值堡垒锁定在 Taste、Judgment、Agency、Storytelling 。

说到底，就是从「亲手完成所有任务」，慢慢转向定义问题、判断结果、组织资源。

马炜杰说，AI 学到的 Taste，大概率来自既有论文和学术共同体已经形成的共识。而真正重要的新问题，往往恰恰发生在共识还没形成的时候。

什么值得投入、哪些需要打破既有共识，才有可能实现的突破？这些判断能力仍然是人类研究者的重要价值。

中国不缺聪明人，缺什么？

和今年几位蚂蚁 InTech 获奖者聊下来，他们一致认为在 AI 领域，中国年轻科研人员已经越来越靠近全球最前沿。

一些国内顶尖实验室，无论人才密度、工程能力，还是对新方向的判断，都已经不输海外一线团队。

优秀的科学家越来越多之后，真正稀缺的东西反而是允许聪明他们去做那些暂时无法证明正确的事情。

刘子纬讲了一个十多年前的故事。

2013、2014 年左右，计算机视觉正在从手工特征向深度学习切换。当时导师汤晓鸥判断到了这场变化，推动整个团队转向深度学习，并提供 GPU 等资源。

团队从收集数据、人工标注开始，一路做到模型训练和跨任务验证。其中一项成果，就是后来影响很大的 CelebA。

它包含超过 20 万张人脸图像和大量属性标注，之后被广泛用于人脸理解、编辑、生成等任务。

但 CelebA 的真正价值，并不是论文发表那天就能判断出来的。

随着越来越多研究者在这套数据上训练、验证和发展新任务，它的影响沿着整个领域不断放大，直到 2024 年，CelebA 团队获得 PAMI Mark Everingham Prize。

原创研究的价值，经常要很多年之后才会显现。

马炜杰经历了另一种「看不清结果」。

他研究计算机视觉和三维视觉。在上海人工智能实验室读研时，有量子物理背景的导师向他提出了一个问题：

既然计算机已经能够重建三维世界，能不能进一步把这个世界真实地呈现出来？

不只是生成一张二维图像。而是让人真正看到它，甚至与它交互。

这个想法一下吸引了他，也把此前积累的算法能力和工程经验连接起来，成为计算机视觉与显示光学交叉研究的起点。

足够新的问题，往往意味着没有成熟路线可以照着走。

尤其是前沿交叉研究——算法、光学、硬件系统彼此耦合，一个实验失败，原因可能来自模型，也可能来自设备、标定、光路甚至工程实现，只能靠自己摸索。

更难的是，在很长时间里，都没有论文产出。

看着同龄人不断在朋友圈晒论文录用通知，马炜杰也会焦虑，甚至开玩笑说，再做不出来就回老家开 AI 编程班。

支撑他继续做下去的，是对问题本身的兴趣，还有导师持续给予的判断和鼓励。

马炜杰回忆，导师常用「有意思」评价一项研究，反复与他讨论问题是否具有本质价值，是否值得投入宝贵的博士时间。这些交流，也逐渐培养了他的科研 Taste——判断什么问题值得做的能力。

至于问题怎么拆、实验怎么设计、系统怎么实现，导师则留给他充分的探索空间。

这两个故事最终指向：真正原创研究，在结果出现之前，需要先被允许试错。研究者需要有机会先试一试，而不必在开始之前，就证明它一定有用。

在 InTech 青年先锋论坛上，大家又把问题的讨论往前推了一大步——如果今天 AI 已经能读论文、写代码、找 idea，那么一个自然的问题是：

AI 距离真正的科学发现还有多远？

什么叫「好科研」？倪赞林说，它很难被写成一个清晰的目标函数。

如果把引用量、论文数量、Benchmark 分数设成目标，AI 当然可以一路优化。问题是，把这些指标做到极致，得到的未必就是人类真正想要的科学。

因为人类究竟期待怎样的科研，本身就很难被完整表达。

在倪赞林看来，这最后依然是一个对齐问题。而且，很可能会是长期问题。这意味着，至少很长一段时间里，人类不会退出科研流程。

「00 后」大模型原住民

如果用一个字形容现在的自己，苏庭灏选的是：变。

「我觉得自己一直在快速变化。」

这个字，也很适合形容 AI 进入「00后」生活的速度。

几年前，他身边可能只有 10%、20% 的同学使用 AI。到了今年，他的体感已经变成了 70%、80% 。

有人用 AI 做 PPT、完成 research；有人拿 AI 模拟考试；有人直接让 AI 给自己讲课，甚至觉得比老师讲得更清楚。

有意思的是，很多同学甚至不知道自己正在用什么模型，只知道 Perplexity、Manus 这些产品名。

苏庭灏会研究模型版本、能力排行，也会专门测试新模型。但对更多同龄人来说，AI 正在变成一种不需要知道名字的基础设施。

就像打开水龙头之前，很少有人会先问今天的水是哪家水厂供的？

老师要慢一点。不过，至少从今年开始，苏庭灏明显感觉到，学校里的老师也在更主动地使用 AI。

我们和他聊天时，GPT-6 Astra 刚上线。他正在测试，同时准备自己的第二篇论文。

他并不觉得自己属于传统意义上的「学霸」。更愿意说，自己是兴趣至上、一心很难二用。

写第一篇论文最投入的时候，他觉得自己「荒废了学习」：课堂不怎么听，作业也做得少，考试前几天再突击。

成绩，倒还能维持在很不错的水平。

一些他觉得低效的任务，也会直接交给 AI。

AI 确实帮这一代人消灭了很多低效时间。但苏庭灏又说了一句很哲理的话：「枯燥是一个很好很好的工具，因为枯燥会让你有创造力。」

歌德时代，少年维特烦恼爱情。到了 AI 时代，少年已经开始认真烦恼：人类还有没有未来？

碰到聊得来的 AI 从业者，苏庭灏会直接问对方，你觉得 AI 会不会导致人类灭绝？不知道这次外滩大会之行，他又收获了多少个答案。

不过 AI 能给孩子知识，却不会自动给他探索的权利。

在苏庭灏眼里，父母曾经是「虎爸虎妈」。但当他逐渐证明自己能够管理学习、维持不错的成绩后，他们也开始把更多自由交给他。

写第一篇论文最投入的那个月，妈妈一开始以为他在偷玩游戏。后来发现他是真的在认真做一件事，最终还是选择让他继续。

研究最糟糕的日子，真正管用的安慰，也依然来自父母。

这让我想起作家刘震云在外滩大会主论坛上讲给家长的几句话：AI 不是想象中的洪水猛兽。

它一定会改变教育和思维方式，当「一目十行」、「博闻强记」不再具有过去那样的优势，孩子从这些要求中解放出来，能不能在创造性上多走几步？

给还没被证明正确的人，多一点时间

前阵子，《自然指数》（ Nature Index ）中国增刊提到一个正在发生的变化：

中国企业和企业家，正在科研体系中扮演更重要的角色。但企业研发投入中，真正流向基础研究的比例依然有限。

在这个背景下，再看已经做了三年的蚂蚁 InTech 奖，作为一个纯公益性奖项，它的意义就不只是多发一笔奖金。

更是在探索一种企业参与基础科研的新方式

三年来，InTech 的核心机制基本没变：面向博士毕业十年以内的青年研究者，保持 20 万元个人奖金，坚持同行推荐与专家评审。

但 InTech 的范围在不断扩大。

从国内高校和科研院所，扩展到全球科研机构；研究方向也逐渐聚焦 AGI、具身智能、数字医学、数据处理与安全隐私等前沿领域。

它也不是一个孤立项目。

在更长的科研人才培养链条上，蚂蚁已经与清华大学、上海交通大学等高校共建 20 余所联合实验室，与 CCF、CAAI 等学术组织连续多年推出科研基金，也面向在校学生设立研究型实习生计划和博士后工作站。

据悉，蚂蚁集团还宣布，未来三年将投入 1 亿元，用于 InTech 获奖老师、同学等创业项目的资金扶持。

相比传统产学研合作往往在技术逐渐成熟后寻找产业价值，InTech 直接把支持往前推了一步：

在结果还不确定的时候，先给研究者一点时间和空间。

获奖者李弘扬在采访中说，科研人员最重要的资源，其实就是时间和精力。他计划把大部分奖金投入团队，支持学生做一些「高风险、高价值」的早期尝试。

这或许也是基础研究最需要的支持——你很难知道，今天支持的哪个年轻人、哪个看起来还不够实用的问题，会在几年后变成新的技术底座。

所以 InTech 试图在更上游的地方，给更多答案出现的机会。

对青年科学家来说，这是自由探索的空间；对一家AI 公司来说，则是在为未来技术生态提前播种。