菲尔兹奖得主转身投入 AI

01领奖台上的转身

一个数学家在拿到菲尔兹奖的当天宣布加入 OpenAI——这件事的戏剧性，远超任何人的预期。

当地时间 2026 年 7 月 23 日中午 12 点，费城宾夕法尼亚会议中心 126-B 会议室。白色背景板前，四位新科菲尔兹奖得主并排坐下：邓煜、John Pardon、Jacob Tsimerman 和王虹。其中邓煜与王虹成为首批获得菲尔兹奖的中国籍数学家，本应是这场发布会最大的新闻。但另一位获奖者、多伦多大学数学教授 Jacob Tsimerman 现场宣布了一个更「炸裂」的消息——他即将加入 OpenAI1。

Tsimerman 的学术履历堪称顶级：1988 年出生于苏联喀山，1996 年移居加拿大，在多伦多大学完成本科后于 2011 年在普林斯顿大学获得博士学位，师从彼得·萨纳克，随后在哈佛大学从事博士后研究。他现任多伦多大学数学系教授，研究方向为数论与算术几何，年少时曾两次获得国际数学奥林匹克金牌，其中一次为满分2。

但真正让人困惑的是 Tsimerman 与 AI 之间的张力。据公开报道，他是一个相信「AI 会导致人类灭绝」的人，甚至写过一篇论文专门讨论 AI 如何灭绝人类的场景。一个持有如此立场的人，转身走进了全球最头部 AI 公司的大门——这种反差构成了事件最深层的矛盾3。OpenAI 为何向他伸出橄榄枝？答案或许不在数论本身，而在算术几何所要求的抽象推理能力——这正是当前大模型在数学推理层面最稀缺的能力类型。一位能解决 87 年悬案级别问题的数学家，对 AI 公司而言价值远超一篇论文。

消息传出后，数学界的反应迅速分裂为两个阵营。一种声音将此视为对纯粹数学的背叛：菲尔兹奖每四年颁发一次，每次仅授予四位 40 岁以下的数学家，获奖意味着学术生涯的巅峰，也意味着学术共同体对获奖者最郑重的期许——继续深耕基础科学。在领奖当天宣布投身工业界，被部分学者视为对这一契约的公然背弃。另一种声音则认为这是时代必然：当这批站在学术巅峰的人眺望「下一座山」时，它可能已经不在大学里了4。

菲尔兹奖的奖牌还温热，学术界的围墙已经开始松动。

Tsimerman 本人的立场耐人寻味。一个写论文论证 AI 灭绝风险的人选择加入 OpenAI，既可能意味着他想从内部理解这种风险，也可能意味着他判断这种风险已经无法从外部阻止。无论动机如何，他的选择传递出一个信号：在 2026 年，即便最纯粹的基础数学家，也开始认为 AI 公司比大学更接近数学研究的下一个前沿。这不是一个孤立事件，而是一个叙事锚点——它将一个原本缓慢发生的趋势，压缩进了同一天的同一间会议室里。

02批量虹吸：AI 公司的人才收割

Tsimerman 的选择绝非孤例。把视线拉长到过去三四年，一条清晰的轨迹浮现：从数学系到哲学系，从理论计算机科学到基础物理，顶级研究人才正以结构性方式涌入 AI 公司。

最直接的虹吸发生在数学领域。OpenAI 在推进推理模型的过程中，曾邀请 9 位顶级数学家对 AI 生成的证明进行人工审查。这些数学家不仅验证了正确性，还大幅改进了原始证明，使之更简洁、更通用。其中就包括 Erdős 问题数据库的维护者托马斯·布鲁姆（Thomas Bloom）——这意味着 AI 公司已不再满足于「外包式」合作，而是直接将顶级数学家的判断力嵌入自身研究流程5。

AI 公司对基础学科人才的定义，已远超传统「算法工程师」的范畴。2026 年 4 月，剑桥大学学者 Henry Shevlin 在 X 上宣布加入 Google DeepMind，录用通知书上的正式职位名称赫然写着——「Philosopher」（哲学家）。这条推文被浏览超过 160 万次，评论区从惊讶到困惑再到兴奋，但核心疑问只有一个：AI 公司为什么需要一个哲学家6？工程端同样如此：清华毕业的华人工程师翁家翌拒绝了 DeepSeek 的邀约，选择加入 OpenAI，从 ChatGPT-3.5 到 GPT-5 的完整后训练流程，他是极少数全程参与的华人工程师7。AI 公司之间的人才争夺也在加剧——Anthropic 正以「重视安全」为招牌，大规模挖角来自 OpenAI 和 DeepMind 的高层人才8。人才不再只是从学术界流向产业界，而是在产业内部加速循环。

真正值得关注的不是「谁去了 AI 公司」，而是这个速度在加快。谷歌 DeepMind 的「AI 数学家」Aletheia 已经独立发表 6 篇数学论文，Gemini 更是一举横扫 18 大核心科研难题。AI 公司不再仅仅「雇佣人类数学家」——它们正在用 AI 本身参与数学发现，而人类数学家的角色正从「研究者」转变为「验证者」和「引导者」9。这种转变解释了顶级数学家为何愿意加入 AI 公司：不是薪酬，而是算力门槛和研究自由度。在传统学术体制下，验证一个猜想可能需要数月手工推导；在 DeepMind 或 OpenAI，同样的工作可借助 AI 在数小时内完成初步探索。这种研究效率的代际差距，是任何薪酬都无法弥补的结构性优势10。

当 AI 公司能够独立生产论文、独立攻克科研难题、内部完成同行评审，一个不依赖传统学术期刊体系的知识生产闭环正在形成。顶级人才的流向，本质上是用脚投票——他们去了知识生产效率最高的地方。

03动因深掘：为何离开象牙塔

要理解顶级数学家为何集体转身，必须同时审视学术体制的推力与 AI 公司的拉力。

经费申请内卷化是首要推手：资助率持续走低，学者大量时间消耗在文书与评审上，真正用于思考的时间被不断压缩。复旦大学表型组交叉前沿论坛曾以「危机和转机」为题，专门探讨 AI 浪潮下学术研究的系统性困境，指出传统科研体制在资源分配和评价机制上已明显滞后11。教职晋升通道同样令人窒息：tenure-track 岗位竞争白热化，青年学者为追求「安全」的发表记录，倾向选择保守方向而非突破性课题；博士后群体更面临每隔两三年更换机构、城市甚至国家的漂泊困境。

当体制奖励的是「安全」而非「深刻」，最优秀的大脑自然会寻找出口。

算力资源的悬殊差距是最直观的对比。据报道，斯坦福大学人均 GPU 约 0.1 张，而工业界十万卡集群已是常态12。对需要大规模实验的前沿研究而言，这种差距意味着学术界在很多方向上已实质性丧失竞争力。但算力之外，更吸引顶级大脑的是研究自由度——财新网数据频道报道指出，真正被争夺的是极少数能推动基础理论突破的顶级大脑，他们的首要决策因子并非薪酬，而是算力门槛和研究自由度13。AI 公司内部还正在形成不依赖传统学术期刊体系的知识生产闭环：从理论假设到实验验证，整个研究周期可在公司内部完成，无需等待审稿周期。

更深一层，大模型的理论基础——注意力机制的数学结构、优化理论中的非凸景观分析、泛化能力的理论边界——无一不与高等数学前沿深度交汇。对顶级数学家而言，AI 不是「应用题」，而是一座尚未被理论充分理解的富矿。反过来，AI 公司也迫切需要顶级数学家：李圭泉课题组的研究揭示，生成式 AI 的创造力收益是短暂的，而同质化效应则持久存在14。当 Scaling Law 的边际收益开始递减，下一轮突破更可能来自对模型结构的深刻理论洞察，而非单纯的工程调优。这是一场双向奔赴：数学家需要 AI 的算力来验证理论，AI 需要数学家的抽象能力来打开下一个范式。

04生态裂变：对学术界的长期冲击

当菲尔兹奖得主从领奖台走向 OpenAI 的办公室，冲击远不止个人职业选择——它正在重塑整个知识生产的生态结构。

传统学术研究的知识流通依赖一条公开链条：预印本、同行评审、期刊发表、学术会议。但当顶级人才的主要产出场所从大学转移到 AI 公司内部，这条链条正被一条新的闭环替代。2025 年 9 月提交至 arXiv 的论文明确将「AI for Scientific Discovery」定义为一个「社会问题」——核心争议在于：谁拥有发现，谁有权发布，知识是否进入公共流通15？OpenAI 从 GPT-2 的完全开放到 GPT-4 技术报告仅提供有限细节，这一路径本身就是知识从公共学术流通中退出的典型例证。Nature 在 2025 年的分析也指出，学术界正失去对 AI 驱动创新的主导权——产业界不仅掌握数据和算力，更掌握了知识发布的节奏与规则16。

当算力取代论文成为知识生产的核心资源，开放科学的根基便被动摇。

如果说知识私有化影响的是科学传播的效率，那么基础学科的断层风险则指向更深层结构问题。基础数学等「慢科学」领域研究周期长、验证链条深，高度依赖导师-学生的代际传承。正教授级学者离开，意味着博士生培养链条直接断裂；一个方向失去导师，可能意味着该方向在未来十年内无人继承17。对于代数几何、数论等高度依赖特定学派传承的领域，这种断裂尤为致命。人民网报道指出，「AI 科学家」的意义远不止于提升科研效率，更在于推动科研范式的深刻变革18；上海交通大学的分析也强调，当「智能化科研」成为新一轮科研范式的核心特征，非 AI 驱动的基础研究面临的不只是资源缩减，而是存在论意义上的存废危机19。

我们需要理性看待这一趋势。人才流动本身不是新现象——20 世纪 60 年代 NASA 对物理学家的吸引、90 年代量化金融对数学家的虹吸，都有历史先例。但不同之处在于：这一次的接收方正在形成自洽的知识生产闭环，不再依赖回流学术界来完成知识验证。如果这一趋势持续，某些基础领域可能面临真正的学术荒漠化——不是研究消失，而是研究重心彻底迁移，传统学术体系在这些领域失去话语权和培养能力。这或许是比单个人才流失更值得警惕的长期后果。

05结论与展望

未来展望

未来五年，AI 公司与学术界的人才竞争将从「虹吸」走向「生态替代」。如果传统学术体制不能在算力获取、评价机制和职业路径上进行结构性改革，某些基础领域可能面临研究重心彻底迁移、传统学术体系失去话语权的局面。但危机中也蕴含转机：AI 工具的普及可能降低研究门槛，让更多学者参与前沿探索；大学与 AI 公司的新型合作模式也可能演化出知识共享的中间地带。关键在于，学术界能否在坚持开放科学传统的同时主动拥抱 AI 带来的范式变革——这不仅是资源分配问题，更是关于科学知识归属权的根本性选择。而 Tsimerman 在领奖台上那个转身的瞬间，或许正是这一历史拐点最精确的注脚。