波士顿当地时间8月5日下午，在美国统计协会联合统计会议上，苏炜杰获颁考普斯奖（COPSS Presidents' Award）。考普斯奖由美国统计协会、国际数理统计学会、加拿大统计学会等五大统计学会联合设立，自1976年起每年授予一位在统计学领域作出杰出贡献的青年学者，是统计学领域最高荣誉之一。国际数理统计研究所、多伦多大学等都曾在官网报道中提到，考普斯奖也被誉为"统计学的诺贝尔奖"。

苏炜杰是宾夕法尼亚大学沃顿商学院统计与数据科学终身教授。他和2026四位菲尔兹奖得主都有渊源：与王虹、邓煜一样是北京大学数学学院2007级本科校友，与John Pardon（白杰文）是同级斯坦福校友，与Jacob Tsimerman在共同学术休假的公司是同事。

在获奖致辞中，苏炜杰感谢了一路走来给予他指导和支持的师友，以及北京大学和斯坦福大学两所母校。"感谢我在北京大学和斯坦福大学的老师们，他们把知识和智慧传授给了我，还有我的导师 Emmanuel Candès。"他同时感谢求学期间学校提供的奖学金让他专注学业。

苏炜杰还在获奖致辞中展望了AI时代统计学科的前景。他表示，只要存在数据、不确定性以及解决问题的需求，统计学就会持续发展。AI不会削弱这一点，恰恰相反，它只会放大这一点。随着数据规模不断扩大，统计学将在未来变得"比以往任何时候都更加重要、更加核心......现在真的是成为一名统计学家的最好时代"。

2026考普斯奖获奖名单是2月揭晓的。三个月后，苏炜杰宣布在沃顿商学院学术休假加入OpenAI，将回到阔别十年的旧金山湾区。2016年，他在Emmanuel Candès指导下获斯坦福大学博士学位。

此前获得这一奖项的华人统计学家包括黎子良、范剑青、孟晓犁、刘军、林希虹、蔡天文和寇星昌等。其中，刘军2025年从哈佛大学全职回国出任清华大学统计与数据科学系主任，范剑青现任普林斯顿大学教授，孟晓犁、林希虹和寇星昌均长期任教于哈佛大学，蔡天文则任教于宾夕法尼亚大学。苏炜杰也成为继2012年寇星昌之后，时隔14年再次获得这一奖项的华人统计学家。

评委会认可了苏炜杰在统计学与机器学习多个方向的贡献，包括生成式人工智能的统计基础、隐私保护数据分析、机器学习理论、高维统计推断以及优化理论等。其中，他近年来围绕大语言模型的统计分析、水印、对齐与排序机制开展的研究，探索了如何用统计学方法理解和改进人工智能系统；在差分隐私领域，他提出的新方法被用于分析2020年美国人口普查数据发布机制，研究显示，在保持隐私保证的情况下，噪声注入量有望降低约15%至24%，从而提高数据可用性。

过去十年间，苏炜杰先后获得美国国家科学基金会CAREER奖、斯隆研究奖学金、工业与应用数学学会数据科学青年奖、数理统计研究所彼得·霍尔青年学者奖、美国统计协会诺特青年学者奖等奖项。

除了统计学研究，苏炜杰近年来也越来越多参与人工智能AI领域的制度建设。2025年他被任命为机器学习顶会ICML 2026科研诚信主席，2027年将出任ICML程序主席。此前，他与合作者提出基于博弈论思想的作者自评审排序机制"保序机制"（Isotonic Mechanism）：要求作者对自己的多篇投稿排序，并将这一信息作为辅助信号校准同行评审结果。该机制试图缓解AI顶会投稿数量激增背景下，评审资源不足和评分噪声带来的问题，并于2026年被ICML纳入正式评审流程。

《知识分子》与苏炜杰对话，话题从他在北京大学的求学经历，到统计学与人工智能的交汇，再到加入OpenAI后的研究方向，以及应用数学在AI时代的前景。

从追求"深刻与优美"，到寻找现实中的数学问题

《知识分子》：您本科在北大数院学的是纯数学，后来转向了统计和应用方向。这段早期的数学训练，对您后来研究方向有什么影响？

苏炜杰：影响非常大。我们那一级里有很多从事纯数学研究的同学。我当时学的也是纯数学，后来转向应用，一个很大的原因可能是每个人个性不一样，我比较关注社会现实和一些前沿进展，当时数据科学、压缩感知这些方向新闻媒体报道比较多，我觉得这方面数学能用得上，又能对科技、对社会产生很大影响力，兴趣就多一些，后来就转向了应用。

北大数院2007级本科校友合影（左起：赵子慧、唐云清、王虹、邓煜、孙鑫、苏炜杰）。来源：北京大学数学科学学院

尽管转了应用方向，我们数学出身的研究者跟其他背景的研究者，在特质上还是有些不一样，看待问题往往会从数学原理出发。表面上一个杂乱无章、堆满数据的问题，我们会特别想理解清楚它背后的机制，这个机制往往是可以用数学来刻画的。这个风格一直贯穿在我科研的各个方面。

《知识分子》：像您这样从纯数学转向应用数学研究，在您那一级多吗？当时您为什么选择这个方向？

苏炜杰：不多。我们那一级，大部分留在学术界的都偏纯数学。北大数院每个年级从事学术的总人数比例，每年差别不大，但应用和纯数学之间的分布波动挺大。我们这一年纯数学特别多，但比我们低两三年的，做应用数学的就多很多了，这跟每年任课老师等各方面因素都有关系。

做纯数学，除了数学能力之外，更重要的是一种长期专注的品质。能够不为外界潮流所动，坚持一个问题多年。

我比较关注自己做的问题对实际、对社会有没有影响。虽然我的专业方向是纯数学，但跟很多做应用数学的同学一起上课，也参加了很多数学建模竞赛，用两三天时间，通过统计、优化、编程等方法解决一个完全实际的问题。我参加了很多次，也得过几次奖。

还有一点，我在北大辅修了经济学双学位，是林毅夫老师创办的中国经济研究中心面向全校开设的项目，从大二读到大四。学经济学的过程让我在理论数学的世界观之外多了一个角度，更了解真实世界的复杂度非常高，很多方面需要通过实证的方式去理解。这些决定当时也没多想什么理由，是后知后觉，可能确实是这段经历让我对应用有了更切身的体会。

《知识分子》：这是不是纯数学和应用数学在思维方式上的一个差异？

苏炜杰：它们有很多共同点，本科阶段都要把数学基础打牢，数学是我们的一个基本工具，是看到一个问题时第一个想到的工具箱。

纯数学和应用数学共享同一个数学工具箱，但关注的重点不同。纯数学更追求从内在上理解问题的本质，追求深刻与优美。应用数学，包括统计、计算数学、优化，也包括作为AI基础的机器学习，强调问题的来源要跟实际结合，以及理论能否反哺真实系统。想做的事情是通过数学建模，把观测到的数据、观察到的现象和理论结合起来。

现象和理论这两者之间是有差距的，理论建模总要做简化，跟真实问题会有一些差距。这个差距能不能缩小，中间需要一些直觉和技巧，尽可能让理论和实际连贯起来。应用数学一般不太可能做到完美，因为受实际条件所限，数据会缺失，我们尽可能在已有条件下达到局部最优，这往往是我们追求的目标。

我前几天正好在费城参加国际数学家大会，跟做纯数学研究的同学聚了聚，我相信"优美、深刻、本质"这三个词他们都会认同，描述纯数学比较合适。而应用数学除了数学本身，还需要体现两点：一是数学理论能指导实际能用的东西。二是能提高实际的生产力：比如大模型训练方式的改进能把成本降下来，产生实际的经济效益。

《知识分子》：您获奖时感谢了北大的培养。当时的氛围对您有什么影响？

苏炜杰：影响非常大。首先非常感谢北大给予我的一切。一方面是知识上的收获，有这么好的平台可以学到很多东西。另一方面是有非常好的同辈共同体：大一刚入学，就能感觉到同学们对知识、对学术的那种渴求非常明显，是发自内心的好奇心驱使，而不只是为了考一个好成绩。还有一点，我大学期间一直拿助学金，再加上奖学金，两者结合经济上就消除了我的后顾之忧。

《知识分子》：考普斯奖获奖介绍里把您的研究分成了几个方向，如果只选一项，您觉得哪个比较有代表性？

苏炜杰：我自己觉得比较有意义、又有实际价值的，大概有四项。

第一项，是通过连续的微分方程，来解释优化中的加速现象，这可以帮助我们更好地理解和设计机器学习中的优化算法。

第二项，是差分隐私，尤其是从统计视角研究差分隐私机制，希望在保护用户隐私的同时提高统计效率。

第三项，是高维统计推断中的错误发现率（false discovery rate, FDR）控制问题，我们设计了一些新的方法，在保证估计准确性的同时控制假阳性率。

第四项，是针对机器学习会议同行评审提出的保序机制（Isotonic Mechanism），通过让作者提供关于自身论文质量的信息，再通过统计方式更好地估计论文质量，这里面还涉及博弈论的思想。这个方法今年在ICML上得到了实际应用。

《知识分子》：您的研究里怎么找问题的，是先有一个已经呈现出来的难题，还是先有一套擅长的方法，再去找适合的问题？

苏炜杰：我认为，问题首先要有实际的重要性，而不是先拿一个理论框架去套。比如差分隐私，背后对应的是一个非常现实的问题：如果直接使用用户数据训练各种模型，用户隐私可能会暴露。再比如审稿质量下降，近年来人工智能会议的投稿量快速增长，同行评审面临越来越大的压力，论文能否被接收有时已经不完全取决于论文本身的质量。

找到这样的问题之后，下一步是挖掘它背后是否存在某种机制上的、统计上的或者数学上的结构，并尝试建立理论模型。

AI还没有"物理学"，数学家正在寻找底层规律

《知识分子》：ChatGPT出来之后，您的研究是不是更多转向了AI方面？

苏炜杰：大概是从三年半前开始的。其实我们组一直在关注机器学习的统计基础，2022年底ChatGPT出现后，我们意识到这不仅是技术突破，更是验证理论的绝佳场景，因此将主要精力集中在了大语言模型方向，主要集中在它的统计和优化这两个维度。

《知识分子》：在AI时代，应用数学能给大模型带来什么？

苏炜杰：大模型的训练大概可以分为两个环节：预训练（pre-training）和后训练（post-training）。预训练主要是让模型从海量数据中学习，这个过程中数学里的优化发挥了非常重要的作用。用数学语言来说，就是不断最小化一个损失函数，通过梯度迭代让损失函数逐渐降低。所以预训练阶段，本质上对应的是一个优化问题，这也是应用数学中的优化理论能够发挥作用的地方。

后训练阶段则更多体现了统计学的作用。这个阶段主要是让模型更好地符合人类指令和社会规范，把预训练阶段获得的能力进一步发挥出来。这个过程很多时候需要用概率语言来描述，比如在对齐（alignment）过程中，我们希望模型对不同选项的偏好符合某种预期的概率分布，这就涉及如何更好地估计和逼近真实分布的问题。同时，实际数据中往往存在大量噪声，如何从噪声中找到真正的信号，也是统计学一直试图解决的问题。

《知识分子》：现在的大模型研究很大程度上依赖工程经验和实验迭代，应用数学能提供的独特贡献在于什么？

苏炜杰：当然，一个研究优化或者统计的学者如果要训练大模型，也需要掌握一定的工程能力。比如通过实验调整模型、改进训练流程。但工程方法更多依赖经验和试错，而应用数学关注的是如何从复杂现象中抽象出问题背后的结构。

随着编程智能体（coding agent）等工具的发展，工程实现的门槛正在降低，这个时候，数学建模能力的重要性反而更加凸显。

数学家的独特之处在于，他们往往更容易抓住问题的数学本质。数学建模的过程，就是把一个复杂问题去粗取精，提炼出最核心的因素，弄清楚这些因素之间在数学上、定量上的关系，从而更好地刻画它们之间的依赖关系，并寻找更优的解决方案。

单纯从工程角度出发，很多问题当然也可以解决，但这种解决方案可能只是针对某个具体场景的经验性方案（ad hoc），换一个条件就未必适用；同时，它也未必是最优的，因为它没有真正揭示问题背后的结构。

《知识分子》：数学对理解AI本身有帮助吗？您之前提到过，AI现在还没有发现一个像物理学那样大家都认同的底层规律。

苏炜杰：这需要分两方面来看。一方面，AI最底层的数学原理确实还没有被发现。现在的模型规模越来越大，架构也越来越复杂，想从纯理论上理解这些系统背后的基本规律，难度非常高，可能需要新的数学突破。我也和一些做纯数学研究的同学交流过，他们对此都很感兴趣，但目前还不知道具体应该从哪里入手。

另一方面，这并不意味着定量的应用数学方法现在无法发挥作用。以优化为例，简单来说，我们要做的是最小化一个函数。通过梯度方法，我们并不需要知道这个函数完整的形状，只需要知道梯度，然后沿着梯度下降的方向不断迭代。就像一个人在山上寻找下山的路径，他只需要知道周围哪个方向更低，然后一步步走下去。

也就是说，即使不知道一个系统最底层的机制，我们仍然可以通过数学方法有效地解决问题。统计学更是如此。我们不一定需要知道系统内部所有的因果机制，只要能够观察到数据，就可以对随机性进行建模，从中识别真正的信号。生物统计和神经科学中很多问题也是这样，虽然我们对生命系统的底层机制仍然没有完全理解，但统计方法依然能够帮助我们发现规律、做出预测。

《知识分子》：AI研究有没有可能形成一套类似物理学的底层理论，还是说它可能会一直处于不同问题对应不同理论的状态？

苏炜杰：这是个好问题。学界现在明确的一点是，目前还没有一个完善的数学底层理论来解释AI的运作。至于未来会不会有，学界两种观点都有：一种认为未来还是会有一个AI的数学理论，人工智能最终变成了一种"物理学"，我们能发现它的"相对论""量子力学"。另一种认为，随着AI系统复杂度越来越高，最底层的数学理论可能永远无法建立。据我的观察，学界目前还不清楚到底哪种是对的。

我觉得其中一个关键问题在于，AI不是一个静态的研究对象。物理学面对的是相对稳定的自然规律，我们可以不断逼近这些规律。但AI系统本身一直在变化，模型架构、训练方法都在不断演进。比如，如果Transformer被新的架构取代，那么针对上一代模型建立的理论，可能未必能够直接解释下一代模型。这个追赶过程是非常动态的，理论就一直没办法逼近，可能永远存在代差。

《知识分子》：AI相关的问题中，从数学的角度上看哪些最值得关注？

苏炜杰：有一个非常重要的问题：现在模型参数规模已经达到万亿级别，在做反向传播、梯度下降过程中，参数的变化到底和模型最终表现出来的宏观能力之间是什么关系？这是理论上非常重要的问题。

另一个相关问题是它和"过参数化"（overparameterization）的关系。因为模型参数非常多，要达到某个目标的解往往不是唯一的，而是存在无穷多个解。那么，在梯度下降过程中，为什么模型最终会找到某些解，而不是另外一些解？背后是什么机制导致了这种偏好？

这些问题和传统数学问题有一点不同：我们现在还很难把它们写成一个非常清晰、定义良好的问题。很多现象已经被观察到了，但我们对它们的描述还比较定性，缺少精确的定量刻画。这正是应用数学面临的困难，也是有机会突破的地方。

举个例子，现在大模型的长程任务（long horizon）能力越来越强。要完成这样的工作，模型需要调用各种工具，并与用户多轮交互。这是一个非常长的过程，通常来说，模型参数规模越大，基础模型的能力越强，也越有可能支撑这类复杂任务。但这种能力和模型规模、训练方式之间到底是什么关系，目前还没有完整的理论解释。

我们知道，随着模型规模扩大、架构不断变化，模型会展现出一些新的能力，但这些能力为什么出现，以及它们和参数规模、训练过程之间有什么定量关系，目前仍然缺少理论描述。甚至连经验性的扩展定律（scaling law）在这些更复杂能力上的适用范围，都还没有完全弄清楚。

苏炜杰在苏黎世联邦理工学院爱因斯坦的储物柜前。

《知识分子》：这次国际数学家大会上，有没有哪些报告让您看到，应用数学能够为理解AI提供新的思路？

苏炜杰：这次大会上，各个方向都有很多精彩的工作。给我印象比较深的是Peter Bartlett的报告。他是伯克利教授，同时也在Google DeepMind担任相关研究职位。他讲了一些利用简单模型去理解神经网络训练中一些奇妙现象的工作。深度学习中有很多现象其实还没有完全被理论解释，比如为什么规模巨大的神经网络能够有效泛化，为什么简单的优化方法能够训练如此复杂的模型，这些都是非常值得研究的问题。

另外，Stephen Wright关于优化的报告也让我印象深刻。他回顾了优化领域的发展历程，讨论了优化理论与实际应用之间不断相互推动的关系。很多优化算法的发展，都是理论分析和实际需求共同作用的结果：实际问题为理论研究提供了动力，而理论上的新理解又会反过来推动算法的发展。我觉得这也是AI时代数学发展的一个重要特点——理论和应用需要齐头并进，谁都缺不了谁。

学术休假期加入OpenAI，他想寻找AI背后的数学规律

《知识分子》：您这次是在学术休假期间加入OpenAI。您希望从这段经历中获得什么？

苏炜杰：一方面，我很好奇真实世界里他们是怎么训练GPT-5这样的模型的，也想了解AI实际运作过程中出现的一些奇妙现象。但我最终的目标，还是希望从应用数学的角度去理解AI的机制。

短期来看，我希望能为统计和优化设计更好的算法。长期来看，我希望能够尝试建立一个AI的数学理论，这是我的梦想。当然，学界也有一部分观点认为，这样的理论可能永远无法建立，但我还是希望把它作为一个重要方向去探索。

另一方面，公司内部有更充足的算力和实验条件，很多在学校环境下难以开展的实验，在那里可以更容易实现。这些一线经验，也会帮助我未来更好地设计统计和优化方法，推动对AI理论的研究。

《知识分子》：现在AI研究越来越依赖算力和工程资源，高校在这一领域面临怎样的挑战？

苏炜杰：我不觉得未来会有改变。学校毕竟是科研、教育单位，不可能在商业化过程中跟AI的前沿实验室去比，这个资源差距永远会存在，甚至有扩大的可能。

但这不表示学术界就不能做AI研究了。一方面，小模型的研究对大模型性质的研究还是有一些指导意义的，至少在优化、统计方面。比较难的是架构（architecture）这一块，可能需要非常大的模型规模才能真正知道效果。

另一方面，学术界可以研究大模型的合规问题，包括隐私、可信机制，往大了说是安全性。未来随着模型能力上升，它对社会在公平性、隐私保护和安全方面的挑战会越来越大，缓解这些压力很难靠公司主动去做，因为公司毕竟是商业驱动的。这个时候，学校其实承担了一个社会责任人的角色，去为大模型建立一套合规框架，可以说是给模型做"审计"，这是学术界应该承担的责任，也是机会。

《知识分子》：过去很多基础研究主要由高校完成，再通过产业转化落地。但现在大模型能力的提升高度依赖算力、数据和工程投入，这些工作越来越集中在企业中。您觉得这会改变高校和产业之间原有的关系吗？

苏炜杰：一定程度上这不可避免，但不是说学校完全做不了任何事情。大模型前沿能力这一块，不光是北美，国内也是一样，基本上领导者都是商业公司。

商业化的本质是要把规模成本打下去，需要大量的试错和资本投入，学校是非营利机构，不可能有公司这么强的竞争力，这就跟很多学校有航空航天专业，但没见过哪个学校真正造出一架大飞机一样，到一定程度就要交给市场化过程去完成。

但学校可以做的事情还有很多。除了前面说过的研究方向，还有大模型人才培养，这还是需要学校来完成的。

大模型能力越来越强，就像一把剑越来越锋利，我们也需要打造一面更好的盾来保护自己。某种意义上，提升模型能力和提升安全能力是同样重要的课题。

《知识分子》：在AI时代，学校应该如何培养下一代AI人才？

苏炜杰：理论培养和实际操作应该并行，但理论基础可能要稍微打得靠前一点，实际应用能力也需要不断提升。

同时，也不能光喊口号。国内也好，美国也好，其实大家都还没有真正普遍地在学校层面开设AI伦理课程，让本科生、研究生在进入社会开发AI之前，先认真讨论这些问题：当AI能力达到一定程度以后，我们应该怎么看待它？边界在哪里？怎么样才能保证即使未来AI能力超过人类，依然保持人的主体性：人是主体，AI仍然是工具或者辅助角色。

我觉得这是非常重要的。如果价值观不够坚定，未来出现严重的安全事故并不是完全不可能。技术能力越强，越需要有相应的责任意识和安全意识。

未来还需要论文这种形式吗？

《知识分子》：您也参与机器学习顶会的审稿工作。在论文数量快速增长、AI生成内容不断增加的背景下，未来同行评审会发生怎样的变化？

苏炜杰： AI参与审稿是一个必然趋势，完全依靠人工审稿已经很难支撑下去了。现在写论文的门槛和成本大幅下降，大量AI辅助生成的低质量论文涌入，如果不仔细看，很多并不容易识别。这些论文大量进入ICML这样的顶会，投稿量比去年增长了大约百分之六七十，而且这个增长速度本身还在不断加快。

在这种情况下，如果AI不参与，未来学术共同体可能很难维持。但同时，也不能完全让AI替代人来审稿。人仍然需要参与，尤其是在整体方向判断和价值观把握上。我更希望未来形成一种模式：人占主导，AI作为辅助工具。具体怎么设计这样的机制，我觉得还存在不少挑战。

再往大了讲，未来我们还需要论文这种形式吗？这可能也是一个值得思考的问题。现在很多人已经不是直接阅读论文，而是先让AI帮助总结和提炼。未来，论文或者说知识本身，可能会变成一个更大的知识库，知识的获取、加工、存储和整合都会通过AI完成。

现在论文有标题、摘要、引言等结构，本质上都是为人类阅读设计的。但对AI来说，论文可能就是一个序列（sequence），它并不需要标题这样的结构，很快就可以处理完整篇内容。

所以未来，大部分科研成果可能未必还会以现在这种PDF论文的形式存在，而可能会变成某种知识库或数据库。当然，一些非常重要的知识总结，可能仍然需要人主动提炼出来，因为教育下一代仍然需要人能够理解和学习的形式，比如论文或教科书。

《知识分子》：如果未来科研越来越多地借助AI完成，我们应该如何评价一个人的科研贡献？

苏炜杰：这个问题我也没有一个很好的答案，但我觉得未来肯定会变得非常复杂。

以后一个人的科研成果本身可能也是在AI辅助下产生的，然后又可能被集成到另外一个更大的AI系统中。这样一来，个人成果的作用有点像变成了某个模型预训练的数据。

但"某一部分数据到底对模型贡献了多少"，本身就是一个非常基础的问题。比如，用一部分文本做预训练，这部分文本究竟贡献了多少，很难直接衡量。当然，可以训练两个模型进行比较，一个使用这部分数据，一个不使用，然后看两者之间的差异。但这种方法不可扩展（scalable）：如果数据规模非常大，需要训练无数个模型去做比较，成本是无法承受的。

这个问题和经济学里的沙普利值（Shapley value）有一些类似，核心思想是通过比较"有"和"没有某个因素"时结果的变化，来衡量它的重要性。这个方向的工作获得过诺贝尔经济学奖。未来评价个人科研贡献时，可能也会面临类似的问题：贡献如何分解、如何量化，会成为一个重要难点。

《知识分子》：如果未来知识越来越多通过AI被获取和使用，您觉得科研评价体系会不会出现新的指标？比如用一项研究被AI调用的次数，来衡量它的影响力。

苏炜杰：未来"被AI调用"确实可能会成为一种新的"引用率"形式。但这里也要注意，一方面，它确实能够体现比较直接的影响力。另一方面，它也可能和现在的引用率一样，在一定程度上掩盖真正的价值。

有些知识本身并不一定特别深刻，也不一定特别重要，但因为应用场景广、使用频率高，可能会被大量调用。反过来，有些非常重要的研究，可能并不是最热门的，但它的价值需要经过更长时间才能体现。引用次数本身也是一种影响力指标，但并不能完全等同于科研价值。

所以，未来我们可能需要在一定程度上挖掘真正有价值的贡献，而不能只停留在表面的调用次数上。

AI完成了很多数学猜想，在应用数学也会有巨大前景

《知识分子》：AI会怎样改变应用数学的研究方式？

苏炜杰：两个层面。一个层面是，AI带来了新的问题。过去一些传统方法无法处理的问题，现在因为AI的发展变得可以处理了，这本身就会产生很多新的研究方向。

另一个层面是，AI可能会让应用数学中很多模块化的环节变得更加高效。应用数学和纯数学有一个比较大的区别：应用数学通常是模块化的。一个实际问题，首先需要根据背景建立数学模型，然后利用统计、优化、计算等方法，在实际数据上进行训练和拟合，再根据结果调整参数，甚至反过来修改最初的模型。不同模块之间彼此关联，但并没有完全融合，所以整个过程往往需要花很多时间。

AI现在比较擅长的是在单个模块内部发挥作用。比如训练一个小型神经网络，或者求解一个具体的数值微分方程，AI都可以做得很好。

《知识分子》：现在AI已经证出了很多纯数学的猜想，那它在应用数学方面有类似的突破吗？

苏炜杰：AI在纯数学领域的突破更引人注目，这是因为纯数学问题具有清晰的结构和明确的验证标准，这对AI学习非常高效。而应用数学有模块化的特点， AI在这个模块做得很好，另一个模块也做得很好，但转变过程中经常会出问题。所以，AI在应用数学这边的进展是渐进的，不是一蹴而就的。

纯数学之所以不一样，本质原因是它是context-free的。一个数学命题的证明，对AI来说是一个非常明确、不依赖具体上下文的问题，没有太多模糊性，可以通过强化学习不断加强。证明正确了，奖励就是1。错误了，就是0，然后不断迭代。

所以数学证明这方面，从去年这个时候它还只能做IMO金牌题，到现在已经可以做科研级别的数学证明了，前后也就过了一年时间，这个变化非常惊人。

纯数学的性质也决定了它比较适合作为AI训练的基准测试（benchmark），它天然是一个非常适合强化学习的问题。问题明确、奖励明确，可以不停迭代参数，这跟下围棋、跟编程有点类似，都是相对没有歧义的问题。这三个方向，也是相对来讲很适合强化学习这种场景的三个例子。

《知识分子》：现在很多AI大厂都在招聘应用数学人才。应用数学研究者能够为AI发展解决哪些关键问题？

苏炜杰：预训练这方面，需要更多做优化、做计算数学的学者。这次国际数学家大会上，优化方向就有两个一小时报告，一个是拿了高斯奖的Yurii Nesterov，还有一个是Stephen Wright，比例相当高。

后训练这方面，需要大量统计学家。因为这一阶段涉及很多数据分析、概率建模和不确定性处理。

但如果问有没有某一个问题，解决了之后整个局面就会彻底打开，我倒不觉得存在这种情况。现在更多是一个系统性工程。在每一个环节上提高哪怕1%，最后整体叠加起来，可能都会带来非常大的提升。

其中，如果一定要说一个比较核心的问题，我觉得可能是架构。我不确定Transformer是不是现在应该把所有资源都投入进去的架构。从直觉上讲，应该不会不存在比它更好的架构，只是现在大量成本已经投入到Transformer上，并且围绕它进行了各种优化。

未来会不会出现一个更好的架构？这个架构能不能被大家认可？我觉得这些都还是未知的。

《知识分子》：您之前说过，如果有一个平行世界，希望AI没有出现，哪怕发展慢一些。这个说法的考虑是什么？

苏炜杰：如果有一个平行世界，从纯粹风险规避的角度，我是希望AI不要出现的。AI不出现，我们的发展会慢一些，但相对来讲，每一步都是比较可靠的。

今年获得菲尔兹奖的Jacob Tsimerman，去年曾和Andrew Critch合作写过一篇讨论AI可能导致人类毁灭情景的论文。按照他们的观点，AI的出现使人类面临极端风险的概率增加了，虽然我们不知道具体概率是多少。

这就像一场赌博。没有AI，我们不会因为AI而面临这种风险，但发展速度可能会慢一些。有了AI，也许很大概率我们会快速发展，跃升到一个新的阶段，但也存在小概率出现非常严重后果的可能。

对于一个比较谨慎、希望未来更确定的人来说，可能没有AI会更好。人的智能本身其实还有很大的发展空间，只是没有AI这种快速集成和放大的能力。

但另一方面，AI的出现不会以任何个人、任何国家的意志为转移，它已经成为一个全球性的竞争问题。到了这个阶段，无论喜欢还是不喜欢，我们都需要接受现实，更重要的是思考AI会对自己所在的行业、领域产生什么影响，以及应该如何应对。