近日，字节跳动 Seed 官网启动了 "Seed STEM 科学家计划 "，该计划面向全球开放 100 个合作席位。

在该计划中，邀请数学、物理、化学等领域的顶尖科学家，共同探索 AI 在基础科学中的应用。

这是国内第一个大规模投入 AI 加速前沿科学发现的计划。

新闻需要连起来看才有意义。

几天前，本届备受关注的菲尔兹奖得主雅各布 · 齐默尔曼（Jacob Tsimerman）在拿奖之后，立即宣布加入 OpenAI。

此前，诺贝尔化学奖得主，AlphaFold 核心缔造者 John Jumper 宣布加入 Anthoropic，震惊全网；

更不必说，近一年来大量顶尖学者从学术界转向产业界，尤其是 OpenAI 和 Anthropic 这两家 AI 领军公司。

这些顶尖 AI 公司背后都在做一个事情——争夺科学家，尤其是顶尖科学家。

这些顶尖科学家流动背后，反映的并不仅是人才争夺战，而是科研范式的变迁。

AI 的下一个前沿：科学发现

早在今年 4 月，Anthropic 就推出了一项计划，大规模招聘 Anthropic STEM Fellow（研究员），对象是 STEM 领域的专家，即科学、技术、工程、数学的专家。

招聘要求中，最重要的不是 AI 或者机器学习能力，而是对科学的判断能力和学习意愿。

字节跳动的 Seed STEM 项目则和 Anthropic STEM Fellow 类似。

邀请 100 位前沿科学领域的优秀学者，包括科学家顾问或博士实习生等，与 Seed 团队在北京海淀区展开协作，共同探索 AI 在真实科研中的应用，为期 6 个月。

为什么 AI 大模型公司，都不约而同地看向了科学研究？

一个重要原因是，AI 正在进入新的能力竞争阶段。

但当模型在通用问答、代码生成等任务上的能力不断逼近成熟阶段，行业竞争的重点也开始从知道更多，转向解决更复杂的问题。

相较于普通的 AI 问答，AI for Science 代表了模型的另一种能力边界。

它意味着，AI 需要从解决有标准答案的问题，转向解决开放、复杂的科学问题。

宾夕法尼亚大学统计学教授苏炜杰加入 OpenAI 时，给出了类似的回答：

" 普通对话能力对各家来说都已经饱和，拉开差距的突破点，在于高难度任务在复杂环境下能力的稳健性。这个时候，对数据的深刻理解会变得尤为重要。"

进入科学领域，要求模型必须理解深刻的科学原理，从广泛论文中提取，实现数据一预测一生成一实验一数据回流一持续学习。

可以说，科学研究，成为了 AI 推理能力 + 物理 AI+Agent 的终极测试场。

图：OpenAI 推出的近乎自主 AI 化学家

不仅如此，科学研究背后连接的是药物研发、生物科技、材料、能源、半导体、化工、航空航天、医疗等及其重要的科技领域。

这也是为什么 Anthropic 大举进入 AI for Science，邀请制药、Biotech、医疗器械、科研机构的高管和科学家参与，并明确把科学 AI 定位为面向生命科学产业的战略方向。

这背后，瞄准的是全球生物医药产业每年万亿美元的研发投入预算。

对于科学家而言，AI 公司提供的不只是更高的薪资和更强的算力。更重要的是借助大模型、智能体和实验平台，将个人的科学洞察放大到前所未有的规模。

未来掌握在顶级 AI 公司手里？

从 2024 年诺贝尔化学奖和物理学奖授予 AI 相关研究开始，AI for Science（AI4S，科学智能）逐渐从学术探索走向产业视野。

如今，AI4S 正在推动一场更底层的效率革命。

如果将视角拉长，AI4S 改变的并不仅仅是科研工具，而可能是整个科学发现的生产方式。

长期以来，科学研究的基础设施主要掌握在大学、国家实验室和科研院所手中。

但随着大模型成为新的科研基础设施，科技公司的角色正在发生变化——它们不再只是提供工具，开始参与定义未来科研的基础设施和组织方式。

随着大模型成为新的科研基础设施，AI 公司正在从提供通用技术工具，转向参与构建下一代科学发现平台。它们拥有大规模算力、基础模型、数据体系以及 AI Agent 能力，有机会重新组织未来科研流程。

而正在成为这一轮科研基础设施重要建设者的，不再只是传统科研机构，也包括一批全球领先的大模型公司。

过去一年，顶尖科学人才正在加速流向 AI 企业。这些人才流动背后，反映的并不仅是一场招聘竞争，而是科研范式正在发生迁移。

这一趋势也正在得到政策层面的关注。

近日，美国白宫发布 Science: A New Golden Age（《科学：新的黄金时代》）报告，提出在 AI 赋能科学研究的新阶段，传统科研体系需要进一步适应新的技术环境，并探索政府、高校、企业与科学家之间更加紧密的协作模式。

OpenAI 近期提出与美国政府、国家实验室、大学和研究人员合作，把前沿模型与超级计算机、模拟设施等连接起来，目标就是让 AI 压缩科学研究周期。

AI4S 真正带来的改变，不只是让科学研究更快，而是可能重新定义科学发现的效率和组织方式。

在美国，工业界和学术界的隔阂并不大。

许多教授并非辞职，而是通过 " 学术休假 " 加入企业，保留了回归学术界的可能。

这种模式让基础研究能迅速获得产业界的资源，也让产业界能直接从学术前沿汲取灵感。

对比之下，国内从学术界直接进入 AI 大模型公司的教授并不多，更多则以教授 / 博导创业为主。

而 AI for Science 时代，或许原本掌握在少数顶尖实验室中的科学发现能力，正在向更开放、更协同的生态迁移。

对于 AI 公司而言，吸引顶尖科学家也不仅仅是一场人才竞争，而是在争夺下一代知识生产体系的入口。

过去，人类通过科学家创造知识，再借助工具放大科研效率。

未来，可能会出现一种新的模式：

科学家提出问题，AI 参与推理和探索，自动化系统完成验证，人和机器共同推动未知领域的边界。