菲尔兹奖得主入职OpenAI：字节Seed STEM计划如何重塑AI科研范式？

当加拿大数学家、2026年菲尔兹奖得主Jacob Tsimerman在新闻发布会上透露即将加入OpenAI安全部门时，人工智能与基础科学的边界被彻底打破。这并非孤立事件，而是全球顶尖智力资源向头部AI公司大规模迁徙的信号。与此同时，国内科技巨头字节跳动迅速响应，通过其Seed Edge团队发布了Seed STEM科学家计划，面向全球招募数学、物理、化学及生物领域的顶尖学者。这一系列动作表明，大模型的竞争逻辑已发生根本性逆转：从短期的跑分竞赛，转向了对基础科学难题的长期攻坚。

在过去几年中，行业普遍沉迷于参数规模的扩张和公开榜单的刷分。然而，这种基于封闭式任务的评价体系正逐渐失效。真正的智能突破，不再依赖于对既有知识的记忆与复现，而在于面对未知领域时的假设提出、方案设计与错误修正能力。正如姚顺雨所言，大模型训练没有魔法，核心在于将基础且确定的事情做到极致。Anthropic CEO达里奥也强调，算力、数据质量与可扩展的目标函数才是驱动进步的根本，而非花哨的技巧。这种回归本质的趋势，促使各大实验室重新审视研发策略，将目光投向了更具不确定性但也更具范式价值的基础科学研究。

字节跳动的Seed Edge团队正是这一战略转型的典型代表。该团队成立之初便确立了“高不确定性、长周期”的研究导向，甚至调整了绩效考核机制，允许研究人员在无中期考核的压力下专注探索。这种制度创新为底层技术的突破提供了土壤。此前，Seed团队提出的Hyper-Connections（HC）架构，打破了Transformer长期依赖的残差连接单流范式，在不增加计算量的前提下显著提升了特征表达能力。随后，DeepSeek推出的mHC架构进一步工程化了这一理念，成为中国AI团队在底层架构创新上的重要里程碑。此外，Seed团队发布的EdgeBench评测集，首次系统定义了真实环境下Agent的学习规律，引发了包括OpenAI在内的全球顶尖实验室的关注与跟进。

为何顶尖AI公司如此急切地争夺领域科学家？答案在于现有模型面临的“题目荒”。主流评测体系中的任务大多有标准答案，路径清晰，但真实科学研究充满噪声、异常与不确定性。科学家提供的不仅是具体问题，更是问题意识、判断标准与反馈机制。通过与物理学、生物学、经济学等领域的专家合作，AI模型得以在真实的高复杂度环境中进行持续交互与进化。例如，在Anthropic的STEM Fellows项目中，材料科学家为Claude构建了相稳定性推理的专属评测流程，气候科学家则将大气建模工具与模型深度打通。超过80%的驻场研究员产出了高质量学术成果，这些来自真实学科的反馈直接转化为模型迭代的训练信号。

OpenAI的Residency项目同样发挥了类似作用，它相当于一个“加速版博士训练”营，帮助非AI背景的专家快速融入前沿研究。ImageGPT和Codex等里程碑项目的背后，都有跨领域研究员的深度参与。这种跨界融合不仅提升了模型在数学推理和生物机制推导上的能力，更让AI成为科学家手中的“超级望远镜”。对于研究者而言，接入未公开发布的前沿模型和海量算力，意味着能够处理过去受限于人力而无法推进的课题。这种双向赋能，使得AI公司与科学界的合作超越了简单的人才雇佣，演变为一种共生共进的科研新生态。

国内在这一领域的布局曾相对滞后，但字节Seed STEM计划的推出填补了这一空白。该计划开放100个合作席位，旨在与科学家共同识别并突破研究级问题。这不仅是对国际趋势的跟进，更是基于自身技术积累的主动出击。从HC架构的创新到EdgeBench标准的建立，字节已证明其在基础研究与评测体系构建上的实力。通过引入外部科学家的智慧，Seed团队有望在AI加速科学发现方面取得突破性进展，从而在下一代通用人工智能的竞争中占据有利位置。

值得注意的是，构建基准测试本身也是一项极具战略意义的工作。OpenAI开源的Evals框架、Anthropic围绕SWE-bench和Terminal-Bench所做的工作，均表明顶尖实验室正通过确立行业标准来引导技术发展。这些评测工具不仅用于衡量自身进展，更通过暴露模型弱点来推动整个领域向更透明、更可靠的方向演进。字节发布的EdgeBench正是在这一逻辑下诞生的产物，它关注的是模型在长程任务中的表现，这与未来AI Agent在真实世界中独立完成任务的需求高度契合。

大模型的下半场，比拼的不再是短期的产品迭代速度，而是长期的战略定力与基础研究的深度。科学研究站在人类知识的最前沿，若AI能在此类高复杂度开放环境中站稳脚跟，便意味着其真正具备了参与解决未解之谜的能力。这条路注定漫长且充满不确定性，难以在短期内形成清晰的商业闭环。然而，正是这种对基础与前沿的沉心投入，决定了谁能最终触达AGI的彼岸。

从菲尔兹奖得主的入职到字节STEM计划的发布，我们看到的不仅是人才的流动，更是科研范式的重构。AI正在从单纯的工具演变为科研的基础设施，而科学家则成为模型进化的引路人。在这场变革中，唯有坚持长期主义，尊重基础科学规律，才能在激烈的全球竞争中脱颖而出。未来的突破，将不再局限于代码与算力的堆砌，而是源于AI与人类智慧在探索未知过程中的深度协作。这既是技术的演进，也是人类认知边界的拓展。