MIT（美国麻省理工学院）学者提出：AI（人工智能）加速科研的关键在于可快速验证，并建议院系重估学术贡献与博士训练
MIT（美国麻省理工学院）统计与数据科学中心主任 Sasha Rakhlin 在 MIT News 问答中提出，一门学科的 AI（人工智能）进展速度取决于验证是否快速可靠：形式化证明可自动检查、程序可运行测试，模型因此能生成候选、从结果学习并迭代。
他据此建议院系重新界定学术贡献、明确研究者对 AI 参与部分的责任，并让学生保留提出问题、审查模型输出与复现结果等训练。
该文为 MIT（美国麻省理工学院）新闻网站 2026 年 10 月 8 日发布的问答，受访者为 MIT 统计与数据科学中心主任、数据、系统与社会方向杰出教授 Sasha Rakhlin，文章综合了他近期围绕 AI（人工智能）如何改变学术界、尤其是数学、统计学、机器学习与工程的讨论与阅读。
文中举例称，去年有模型在国际数学奥林匹克竞赛达到金牌水平，一年后模型开始产出新的研究结果，包括近期提出的一个千禧年数学难题的解法； 他指出验证的速度与可靠性是决定某学科 AI 进展快慢的核心因素，形式化证明与程序可被自动检查，使系统能生成候选、从结果学习并迭代，对 AI 研究本身（改进模型、训练流程与配套工具）同样成立。
在学术评价上，他认为在越来越多领域，一篇打磨精良的论文正成为个人专业能力的较弱信号，院系应更多地认可提出好问题、复现、观点综合、有价值的阴性结果与共享数据集，并在招聘、晋升与资助中明确研究者实际贡献及对 AI 完成部分所承担的知识责任。
在训练上，他提出例行计算、编程、失败尝试与小发现长期帮助学生形成直觉与判断，委托给 AI 可能移除这些成长经历，学生应学会提出问题、审查模型输出、复现结果并为其选择辩护。
在机构建设上，他建议大学与产业合作但保持一定程度的技术独立性，投资算力、安全数据系统与 AI 模型适配和后训练的专业能力，并以共享基础设施记录假设、干预、结果、失败与解释，同时用知情同意与署名规则保障贡献可被追溯认可。
这是一篇学者观点文章，不是实证研究，也没有单一国家人群样本； 其价值在于给出可操作的判据：某一学科 AI（人工智能） 应用能否形成加速循环，取决于该领域的验证机制是否廉价可靠。 由此可以推断，形式化程度高、反馈闭环短的领域（数学、编程、部分 AI 自身研发）可能先看到能力迭代； 依赖实验、隐性经验与阴性结果的实证科学，受限于数据与流程记录，进展更慢。
文章对学术评价与训练提出的调整属于政策建议，尚未在机构层面落地，不能视为已被采纳或验证。
后续观察信号
- MIT（美国麻省理工学院） 是否就文章中的学术评价与训练建议形成正式政策文件
- 文章提到的共享 AI（人工智能） 研究基础设施是否有后续立项或预算信息
- 后续是否有针对 AI（人工智能） 产出研究结果的可复现性核查