圆桌讨论
圆桌讨论：AI 与开放数据（AI x Open Data）
Title: Panel Discussion: AI x Open Data
圆桌讨论🎤 主持人（未具名，SAIR）；嘉宾：Leo Djimora（亚马逊 AWS 计算机科学家、Link Flow 首席架构师）、Barry Barish（巴里·巴里什，加州理工物理学家、2017 年诺贝尔物理学奖得主）、Jeff Ullman（杰夫·厄尔曼，斯坦福大学计算机科学退休教授）、Rodrigo Liang（梁鸿仁，SambaNova 联合创始人兼 CEO）、Sudipta Sengupta（苏迪普塔·森古普塔，亚马逊 AWS 生成式与智能体 AI 计算机科学家）⏱ 23:42👁 NA
▶ 在 YouTube 观看
五位来自物理、计算机科学与 AI 芯片领域的专家圆桌讨论：当 AI 走进科学，开放与封闭如何取舍——开放是科学的根本，但资金、隐私、安全与算力成本也为封闭留出了空间。
核心要点
- 开放是科学的三大基石——可复现（reproducible）、可验证（verifiable）、可累积（cumulative）——AI 用于科学时数据集、计算工具与研究发现应当开放。
- 封闭并非全无道理：隐私保护（如医疗数据）、模型安全与防滥用、以及维系巨额投入的可持续资金，都是合理理由。
- 对前沿大模型而言，权重不一定要公开，但用于科研的推理轨迹（reasoning trajectories）应被记录或公开，以保证可复现与可验证。
- 归根结底，保持科学开放的核心是资金——academia 一旦缺钱就无法做实验，人才便流向企业。
- 算力成本逐年攀升，让最先进算力惠及科研（如通过美国能源部国家实验室）至关重要，不能只服务于最高商业价值场景。
- 随着政府资助环境变化，私营产业与学术界、政府的合作（包括 pre-competitive research）将比以往更重要，AI 有望加速并降低科学发现成本。
分章详解
嘉宾介绍与议题设定
- 本场圆桌聚焦开放数据（open data）与科学整体开放性，并提出核心问题：用于科学的 AI 能否建立在封闭基础之上，还是这从根本上违背了科学所需？
- 嘉宾自我介绍：Leo Djimora（AWS、Link Flow 首席架构师）、Barry Barish（加州理工物理学家）、Jeff Ullman（斯坦福退休计算机教授）、Rodrigo Liang（SambaNova 联合创始人兼 CEO，做高性能推理芯片）、Sudipta Sengupta（AWS 生成式与智能体 AI）。
- 主持人指出：科学历来开放，AI 此前也大多对公众开放，但如今正出现向封闭缓慢转变的趋势。
支持开放的理由：开放成就了什么
- Barry Barish：坚定支持开放科学与开源，强调没有开源就没有 LIGO（引力波探测器）；开放还延伸到仪器层面，CERN 对撞机的开放访问对今日成就至关重要。
- Jeff Ullman 以实体解析（entity resolution）为例：从哥伦比亚获得约 5000 万条带有全国统一身份标识（即 ground truth/真值）的记录，才得以做成没有它就无法完成的算法实验；他指出西班牙语姓名常有约五个组成部分，仅凭姓名识别同一人非常棘手。
- Rodrigo Liang（30 年芯片设计经验）提出更辩证的观点：像 Sun Microsystems 早期的许多突破，正是在封闭环境下才能高速推动创新而无需等待广泛社区；但 Linux 与开源的力量随时间带来规模化创新；AI 基础设施会像以往多个周期一样，呈现公私、开放与封闭技术的混合，并随采用面扩大分阶段演进。
- Sudipta Sengupta：开放使科学的三大基石成为可能——可复现、可验证、最重要的是可累积；引用牛顿名言『我之所以看得更远，是因为站在巨人的肩膀上』，强调知识若开放即等于招募全人类共同推进科学。
支持封闭的理由：安全、隐私、资金与监管
- Barry Barish：只在安全（safety）等极端情形下才能接受不开放，但这违背他的信念，因为科学必须可复现。
- Jeff Ullman 提出隐私问题：医疗数据涉及具体个人，可用差分隐私（differential privacy）从原始数据生成无法反推个体（如某人是否患癌）的数据集；可回答如『寻找癌症聚集区』之类问题而不暴露个体；并提出一个有趣问题——单个产品分别保护隐私，但 LLM 若能访问众多此类产品，集合起来可能反而失去保护。
- Rodrigo Liang：在监管尚不明朗、验证与认证体系仍在并行建设的阶段，部分机构会采取保守做法，先保持私有，待隐私保护、合规等问题厘清后再开放；生态系统长期看会走向开放并从开放市场中受益。
- Sudipta Sengupta：维系开放科学需要可持续的资金与投入——当今最大模型的算力与人力投入高达数十亿乃至数百亿美元，应以成本价或补贴形式维持这一『资金飞轮』；同时模型越聪明越可能被滥用，置于 API 之后可让提供方加装护栏与安全对齐（safety alignment），并随时间演进，这通常与模型智能存在权衡。
AI 用于科学：哪些部分必须开放
- Barry Barish：在他看来一切都应开放；做生意因有竞争对手可以封闭，但那不是在做科学。
- Barry Barish 同时提醒：AI 并不完美、结果可能出错，用户有责任做一个批判性的使用者——AI 是极佳的探针和工具，但不会总给你想要且可靠的答案。
- Rodrigo Liang：如今关注点更多在模型背后的数据——模型只是数据的一种表征，人们会非常在意训练用了什么数据。
- Sudipta Sengupta：回到可复现、可验证、可累积三大支柱——所用数据集、计算工具、研究发现都应开放；就 LLM 而言，权重不必开放，但若用模型开展科研，其推理轨迹应被开放或在论文中记录，以达成上述目标。
如何让开放可持续：资金、算力可及性与公私合作
- Barry Barish：归结为资金——不能让学者因缺钱而无法再做实验；许多人转向企业正是因为在学术开放环境中得不到所需的研究条件。
- Jeff Ullman 谈数据可及性：海量数据集（如政府实验室的卫星影像，涵盖不同时间、不同波段——可见光或热/地表温度）检索成本极高；以研究珊瑚白化为例，科学家只需特定纬度、特定颜色、且只要『此地现在 vs 半年前有差异』的影像，因此应能在数据所在地就近计算，判断科学家是否真的需要把某张大文件传输过去；他建议业界投入时间研究这类问题。
- Rodrigo Liang：算力成本逐年上升，他所在公司（演讲中提到 Cerebras/SambaNova 等高性能计算供应商）致力于降低每 token 成本；早期即与美国能源部（DOE）及 Argonne、Oak Ridge、Lawrence Livermore 等国家实验室合作，并与 TACC、日本 Fugaku 等机构合作，让最先进算力服务于广泛科研，而非只服务于最高商业用途。
- Sudipta Sengupta：在政府资助环境出现变化之际，私营产业资助将比以往更重要；各行业大量成果都源自学术与研究实验室的开放科学，私营部门应『把成果回馈出去』并与学术界合作；以生物科技/制药的 pre-competitive research（竞争前研究）为例，不同企业与学术界合作做基础科学（生化、基因组、生物学乃至早期药物建模），他预测在 AI 推动下这一边界将进一步右移，对私营—政府—学术合作保持乐观。
关键引述
“开放使科学的三大基石成为可能：科学是可复现的、可验证的，而最重要的是可累积的——科学建立在前人知识之上。（Openness enables the three cornerstones of science: reproducible, verifiable, and most importantly, cumulative.）”— Sudipta Sengupta
“如果说我能比别人看得更远，那是因为我站在巨人的肩膀上——知识若属于全人类，就等于招募整个星球来推进科学。（If I have been able to see beyond others, it is because I stood on the shoulders of giants.）”— Sudipta Sengupta（引用牛顿）
“LIGO 没有开源就不存在。我完全支持开放科学、开放源代码。（LIGO does not exist without open source.）”— Barry Barish
“AI 不会总给你想要的、也不会总像你期望的那样可靠，但它是一个极佳的探针和工具。”— Barry Barish
“模型只是数据的一种表征，所以人们会非常关心为得到这些结果到底用了什么数据。（The models are just a representation of data.）”— Rodrigo Liang
术语 / 人物
Open Data / 开放数据 — 公开可获取、可被任何人使用与复用的数据集；在科学中是保证研究可复现与可累积的基础。
LIGO（激光干涉引力波天文台） — 由 NSF 资助的大型科学装置，2015 年首次直接探测到引力波；Barry Barish 作为其负责人对项目成功起关键作用，并因此分享 2017 年诺贝尔物理学奖。
Differential Privacy / 差分隐私 — 一种数据发布技术，从原始数据生成『加扰』数据集，使人无法反推出某一具体个体的信息，同时仍可回答总体性问题（如癌症聚集区）；在数据可用性与个体隐私间存在权衡。
Entity Resolution / 实体解析 — 在海量记录中识别出指向同一对象（通常是人）的记录的技术；Jeff Ullman 借哥伦比亚 5000 万条带统一身份标识的记录做实验。
Reasoning Trajectories / 推理轨迹 — LLM 在完成任务时的逐步推理过程；Sengupta 认为即使权重不公开，用于科研的推理轨迹也应被记录或公开以保证可复现与可验证。
Pre-competitive Research / 竞争前研究 — 在生物科技/制药等领域，不同企业与学术界在不直接竞争的基础科学层面（生化、基因组、早期药物建模等）合作；Sengupta 预测其边界将随 AI 进一步扩展。
Barry Barish（巴里·巴里什） — 加州理工大学物理学家，LIGO 前负责人，2017 年诺贝尔物理学奖得主（与 Rainer Weiss、Kip Thorne 共享），表彰其对引力波探测的决定性贡献。
Rodrigo Liang（梁鸿仁） — SambaNova 联合创始人兼 CEO，斯坦福大学电子工程硕士/学士，曾在 Sun Microsystems 与 Oracle 领导高性能处理器研发，专注 AI 推理芯片。
Jeff Ullman（杰夫·厄尔曼） — 斯坦福大学计算机科学退休教授，数据库与算法领域权威，2020 年图灵奖得主（与 Alfred Aho 共享）。
背景补充
本场圆桌由 SAIR（科学与 AI 研究基金会，陶哲轩等联合创立）主办。嘉宾阵容跨越物理、计算机科学与 AI 硬件：Barry Barish 是加州理工物理学家、LIGO 前负责人、2017 年诺贝尔物理学奖得主；Jeff Ullman 是斯坦福计算机科学退休教授、数据库与算法领域奠基人物（图灵奖得主）；Rodrigo Liang 是 SambaNova 联合创始人兼 CEO，斯坦福电子工程出身、曾任职 Sun 与 Oracle，公司源自斯坦福 AI 实验室；Leo Djimora 与 Sudipta Sengupta 均来自亚马逊 AWS，后者专注生成式与智能体 AI。讨论紧扣当前业界在开放与封闭之间的现实抉择。
适合谁看
适合关注 AI 与开放科学交叉点的研究者、数据科学家、科研政策与资助决策者，以及思考开源/开放数据与商业化、隐私、安全如何平衡的工程与产业人士。