当青年科学家遇上AI：科研、创业与不确定性的新平衡
青年科学家的真实切片
2026年外滩大会的InTech青年先锋论坛上，一个高中生站在讲台上分享自己的ICML录用论文。台下坐着美国三院院士Michael I. Jordan，还有刚拿过ACL最佳论文的北大博士生吉嘉铭。这种代际碰撞本身，就是AI时代科研生态变化的缩影。
今年的蚂蚁InTech奖收到来自全球10个国家和地区、50多所高校的申报，数量是首届的近四倍。获奖者中，有人以“90后”身份成为Nature论文独立第一作者，有人做的开源项目已跑在数十万张GPU上，还有人尚未获得长聘教职就已创办公司。这些具体的人和事，让“青年科学家”不再是一个模糊标签。
论坛上最尖锐的问题之一来自吉嘉铭：“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？”这个问题背后，是知识生产方式的根本性转变——而答案远比表面复杂。
走出实验室的科研新形态
和上一轮AI浪潮不同，生成式AI进一步模糊了学术界与产业界的边界。今年InTech获奖者中，出现了多位典型的“Researcher Founder”（研究者创业者）。
香港大学助理教授李弘扬创办源策未来，目标是为人形机器人构建“具身大脑”，整合环境理解、任务规划与全身运动控制。南洋理工大学副教授刘子炜则创办Roepedia，专注具身智能所需的数据基础设施——因为物理世界的数据无法在实验室里下载，必须深入保洁、分拣、工业装配等真实场景采集。清华大学副教授章明星参与孵化的趋境科技，则聚焦大模型训练与推理的成本问题。
三人方向各异，但都指向AI下一阶段绕不开的底层挑战。李弘扬坦言，如今做预训练所需的数据、算力和工程资源，可能是过去的几十甚至上百倍。公司能更快整合这些资源和多元背景人才，这是纯学术团队难以企及的。
但这不意味着高校失去价值。李弘扬和刘子炜都认为，小而精、资源需求有限的问题，以及技术路线尚未收敛的长期探索，仍适合留在高校。一旦进入大规模验证阶段，产业界更有优势。
然而人的选择没那么容易。美国国家工程院外籍院士张宏江在对谈中直言：“如果研究者告诉我他想创业，我会先问：你准备好离开学术岗位全身心投入了吗？”
李弘扬深有体会。同时兼顾教学、研究和创业是巨大挑战，外界看到融资进展，却很少注意到他在学校放弃了什么。他的建议反而克制：年轻教师不必急着创业，先积累几年科研和行业经验再决定也不迟。
刘子炜则提醒别把当前热潮当常态。他经历过上一轮计算机视觉创业潮，从火热到降温。融资容易时，最容易忽略的是“下半场怎么办”。
Michael I. Jordan为此补充了“成功”的另一维度：过程中学到了多少？即使公司未成功，理解市场、学会经营的经验仍有价值，能为下次出发打下基础。
AI如何改变知识获取与科研流程
科研在变，教育同样面临重构。Jordan认为本科教育可能迎来巨变，教师需重新思考“教什么、怎么教”。而年轻研究者早已将AI融入日常。
复旦大学博士生马炜杰成为Nature一作前，论文修改不下百次。AI帮他节省写作时间，但那些夸张如推销的表述仍需自己调整。方法为何有效、实验能否支撑结论，终究要靠研究者反复论证。
吉嘉铭用AI调研已有工作，从中寻找未被充分考虑但可能有效的方向。清华博士生倪赞林则是重度用户，读论文时不断向AI追问，体验如同与原作者交流。
最生动的案例来自香港德瑞国际学校高三学生苏庭灏。高二时他拿到ICML 2026录用通知，学习路径极具“10后”特色：跟公开课入门，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像全天候一对一老师，同一问题可换多种方式解释直到听懂。
按他估算，约80%知识来自自学，20%来自课堂。加上按需租用的算力和家庭支持，高中生也能接触前沿并动手实验——这在过去门槛极高。
知名学者徐贲将此概括为“AI正在改变学科资本的稀缺性”。过去博闻强记珍贵，因复制成本高；如今文献综述、概念梳理、知识检索正被AI变成低成本“认知基础设施”。
吉嘉铭分享了一个细节：北大内部交流中，大家进入新领域已不再把“直接读论文”当第一步。过去依赖导师或优秀综述，现在多了一个入口——先问大模型。
知识易得，过去依赖信息差形成的优势自然要重估。刘子炜直言，一些“为发论文训练的技能”未来可能不值钱了。这也引出吉嘉铭的激进预测：学术会议终将消失。
竞争重心正在转移。徐贲指出，当知识易调用，能否在不同领域建立有效连接变得更重要。这与Jordan的建议一致：数学不能丢，还要学经济学和社会科学，成为更全面的人。
其他获奖者则将人类价值锁定在Taste（品味）、Judgment（判断）、Agency（能动性）、Storytelling（叙事）上。科研正从“亲手完成所有任务”转向定义问题、判断结果、组织资源。
马炜杰强调，AI学到的Taste大概率来自既有论文共识，而真正重要的新问题往往出现在共识未形成时。什么值得投入？哪些需打破共识才可能突破？这些判断力仍是人类核心价值。
允许“暂时无法证明正确”的探索
与多位InTech获奖者交流发现，他们普遍认为中国年轻科研人员已靠近全球AI前沿。国内顶尖实验室在人才密度、工程能力、方向判断上不输海外一线团队。
但优秀科学家增多后，真正稀缺的是允许他们做“暂时无法证明正确之事”的空间。
刘子炜讲了个十多年前的故事：2013-2014年计算机视觉正从手工特征转向深度学习。导师汤晓鸥预判到变化，推动团队转向并提供GPU资源。团队从收集数据、人工标注做起，最终产出影响深远的CelebA数据集——含20万张人脸图像及属性标注，后被广泛用于人脸理解、编辑、生成等任务。
但CelebA的价值并非论文发表当天就能判断。随着越来越多研究者在其上训练验证，影响沿领域放大，直到2024年团队获PAMI Mark Everingham Prize。
原创研究的价值常需多年显现。
马炜杰经历了另一种“看不清结果”。在上海人工智能实验室读研时，有量子物理背景的导师问他：“既然计算机能重建三维世界，能否真实呈现出来？不只是生成二维图像，而是让人看见甚至交互。”
这个想法吸引他将算法能力与工程经验结合，开启计算机视觉与显示光学的交叉研究。足够新的问题意味着无成熟路线可循——算法、光学、硬件系统彼此耦合，实验失败原因可能来自模型、设备、标定甚至光路，只能自己摸索。
更难的是长期无论文产出。看着同龄人晒录用通知，他也焦虑，甚至开玩笑“再做不出就回老家开AI编程班”。支撑他的是对问题本身的兴趣，以及导师持续给予的判断和鼓励。
马炜杰回忆，导师常用“有意思”评价研究，反复讨论问题是否具本质价值、是否值得投入博士时间。这些交流培养了他的科研Taste——判断什么问题值得做的能力。至于问题拆解、实验设计、系统实现，导师则给他充分探索空间。
两个故事指向同一结论：真正原创研究在结果出现前，需要被允许试错。研究者需有机会先试试，而不必在开始前就证明它一定有用。
论坛上讨论被推得更远：如果AI能读论文、写代码、找idea，距离真正科学发现还有多远？
倪赞林说，“好科研”很难写成清晰目标函数。若以引用量、论文数、Benchmark分数为目标，AI当然可优化。但把这些做到极致，未必得到人类真正想要的科学——因为人类期待怎样的科研，本身就难完整表达。
在他看来，这终究是对齐问题，且很可能是长期的。这意味着至少很长一段时间，人类不会退出科研流程。
“10后”原住民与教育的未来
若用一个字形容自己，苏庭灏选“变”——“我觉得自己一直在快速变化。”这也很适合描述AI进入“10后”生活的速度。
几年前他身边仅10%-20%同学用AI，今年体感已达70%-80%。有人用AI做PPT、完成research；有人拿AI模拟考试；有人让AI讲课，觉得比老师更清楚。
有趣的是，很多同学不知自己用什么模型，只认Perplexity、Manus等产品名。苏庭灏会研究模型版本和能力排行，但对更多同龄人，AI正变成无需知其名的基础设施——就像开水龙头前很少人问水厂名字。
老师慢一点，但今年他明显感觉学校老师更主动用AI。聊天时GPT-6 Astra刚上线，他正测试并准备第二篇论文。
他不认为自己是传统“学霸”，更愿称“兴趣至上、一心难二用”。写第一篇论文最投入时，他“荒废学习”：课堂不听、作业少做，考前突击。成绩却维持不错。
一些低效任务他直接交给AI。但苏庭灏又说了句很哲理的话：“枯燥是个很好很好的工具，因为枯燥会让你有创造力。”
歌德时代少年维特烦恼爱情，AI时代少年已认真烦恼：人类还有没有未来？碰到聊得来的从业者，他会直接问：“你觉得AI会导致人类灭绝吗？”不知这次外滩大会之行，他又收获多少答案。
但AI能给知识，不会自动给探索权。苏庭灏眼中父母曾是“虎爸虎妈”，但当他证明能管理学习、维持成绩后，他们开始交出更多自由。
写第一篇论文最投入那月，妈妈起初以为他在偷玩游戏。发现他是认真做事后，最终选择支持。研究最糟的日子，真正管用的安慰仍来自父母。
这让人想起作家刘震云在外滩主论坛对家长的话：AI不是洪水猛兽。当“一目十行”“博闻强记”不再具过去优势，孩子从中解放后，能否在创造性上多走几步？
在结果未明时给予支持
《自然指数》中国增刊提到一个变化：中国企业和企业家正扮演更重要科研角色，但企业研发投入中流向基础研究的比例仍有限。
在此背景下，做了三年的蚂蚁InTech奖作为纯公益性奖项，意义不止于奖金。它在探索企业参与基础科研的新方式。
三年来InTech核心机制基本不变：面向博士毕业十年内青年研究者，保持20万元个人奖金，坚持同行推荐与专家评审。但范围不断扩大——从国内高校扩展到全球机构，研究方向聚焦AGI、具身智能、数字医学、数据安全等前沿领域。
它也不是孤立项目。在更长人才培养链上，蚂蚁已与清华、上交大等共建20余所联合实验室，与CCF、CAAI等学术组织多年推出科研基金，还设研究型实习生计划和博士后工作站。
据悉，蚂蚁集团宣布未来三年将投入1亿元，用于InTech获奖者创业项目的资金扶持。
相比传统产学研合作常在技术成熟后寻找产业价值，InTech直接把支持往前推一步：在结果还不确定时，先给研究者一点时间和空间。
获奖者李弘扬说，科研人员最重要资源其实是时间和精力。他计划将大部分奖金投入团队，支持学生做“高风险、高价值”的早期尝试。
这或许正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、哪个看似不够实用的问题，会在几年后变成新技术底座。
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，这是自由探索空间；对一家AI公司，则是在为未来技术生态提前播种。