介绍/公告

介绍 SAIR——科学与AI研究基金会

Introducing SAIR — The Foundation for Science and AI Research

介绍/公告🎤 陶哲轩 (Terence Tao) 等⏱ 2:29👁 NA

▶ 在 YouTube 观看

SAIR 基金会的开篇短片，阐释当下 AI 在科研中的真实定位：擅长重组已知信息、承担重复性杂活，且必须以可验证为前提，做人与 AI 的协作伙伴关系。

核心要点

当前 AI 最擅长的是『重组我们已知的信息』，而文献综述、复现他人成果恰恰是科学工作的一半，所以这本身已是巨大价值。
AI for science 应被视为一种『人机协作（partnership）』，而非用 AI 替代人类科学家。
可靠性的关键准则：AI 只应在你已经知道如何完成、如何基准测试（benchmark）和如何验证（validate）的任务上使用。
数学领域因有形式化自动验证工具而占优势；其他学科可用模拟对比、做实验、实验室复现等方式校验 AI 输出。
至少在中期，AI 更大的潜力在于自动化科研中大量重复、枯燥的『苦力活』（如数据清洗），这是当下可立即采摘的『低垂果实』。

分章详解

AI 当前的真实能力定位

现阶段 AI 最擅长的是对人类已有知识进行重新组织与整理，而非凭空创造。
这一能力直接对应科学工作的核心环节：文献综述、借鉴并复现他人已验证的方法。
因为没有任何单个人能掌握整个领域的全部文献，能代劳这件事的工具本身就是『大赢』（big win）。

AI for Science 是一种协作关系

讲者强调把 AI 用于科研视为一种伙伴关系（partnership），人与 AI 各展所长。
由此引出核心追问：在研究领域使用 AI 时，如何确保其准确、可靠？

准确性与可靠性：以可验证为前提

黄金法则：AI 在你『已经知道怎么做、知道如何基准测试、知道如何验证』的任务上效果最好。
数学领域很幸运——许多想解决的数学任务如今可用高度可靠的工具自动验证。
其他科学也有校验手段：把 AI 生成的数据与模拟（simulation）对比、运行实验（trials）、做实验室复现（lab replications）。
总准则：『只在 AI 输出可被信任的范围内使用 AI』，绝不能放弃对其输出进行验证的能力。

中期最大潜力：自动化重复性杂活

当前舆论过度强调让 AI『替代人类科学家』、去做人类最擅长的事。
讲者认为至少在中期，更大的潜力是把科研与数学中大量重复、枯燥的『苦力活』去掉。
这类自动化是现成可摘的『低垂果实』，现在正是开发利用的时机。
具体例子：在真正开始任何模拟、分析之前，数据清洗（data cleaning）等大量琐碎工作早就堆积待解——另一位讲者（Harry）对此完全赞同。

关键引述

“AI 只应在它的输出可被信任的范围内使用。（only use AI as far as it can trust its outputs.）”— 陶哲轩 (Terence Tao)

“与其让 AI 去做人类最擅长的事，不如先把科研中大量重复、枯燥的苦力活拿掉——那才是现在可摘的低垂果实。”— 讲者

“没有哪个人能掌握全部文献，所以有个工具替你做这件事，本身就已经是巨大的胜利。”— 讲者

术语 / 人物

SAIR (Foundation for Science and AI Research) — 科学与AI研究基金会，2026年初由陶哲轩等联合创立，宗旨为『用 AI 加速科学发现（AI for Science）』并『用科学方法夯实 AI（Science for AI）』，汇聚诺贝尔奖、图灵奖、菲尔兹奖得主。

形式化验证 (formal verification) — 用可靠的自动化工具严格证明结论正确性的方法；陶哲轩主张将其作为引导 AI 科研的『测谎仪』，是数学领域可自动验证 AI 输出的基础。

基准测试 (benchmark) / 验证 (validate) — 衡量与核实 AI 输出质量的两个关键环节；讲者认为只有在能基准测试并验证的任务上，AI 才最可信。

低垂果实 (low-hanging fruit) — 比喻当前最易实现、收益明确的目标，此处指自动化科研中数据清洗等重复性杂活。

陶哲轩 (Terence Tao) — 菲尔兹奖得主、加州大学洛杉矶分校数学家，SAIR 联合创始人。

背景补充

SAIR（科学与AI研究基金会）于2026年初由菲尔兹奖得主陶哲轩与 Chuck Ng 联合创立，定位为『科学家主导、跨学科、面向长期突破』的新型机构，聚合诺贝尔奖、图灵奖、菲尔兹奖得主。其两大方向为 AI for Science（用 AI 加速跨学科发现）与 Science for AI（用科学方法设计、评估和治理 AI）。其首场公开活动为『AI for Science: Kickoff 2026』，由陶哲轩、图灵奖得主、强化学习奠基人 Richard Sutton 及诺奖得主、前 LIGO 负责人 Barry Barish 担纲主题演讲。陶哲轩还提出以数学形式化验证作为引导 AI 科研的『测谎仪』。

适合谁看

关注 AI 与科学交叉、AI for Science 方向的科研人员、研究生、数学/自然科学工作者，以及想理解 SAIR 使命与 AI 在科研中合理定位的科技读者。