2026AI科學盛典——圓桌討論《AI與高等教育變革》會議全文

★置頂zzllrr小樂公眾號（主頁右上角）數學科普不迷路！

2月11日， 在UCLA（加州大學洛杉磯分校）舉辦的2026年AI科學盛典：AI for Science: Kickoff 2026（SAIR基金會項目啟動會），下午場邀請了四位嘉賓探討AI時代下的高等教育變革。

隨著人工智能日益深度融入科研全過程，大學不得不重新思考的，已不僅是工具本身，而是科研的組織方式、評價體系與可持續模式。

這一制度層面的轉型，正是今年2月在加州大學洛杉磯分校（UCLA）舉辦的 “科學人工智能啟動大會”上，“人工智能與科學 —— 高等教育變革” 圓桌論壇的核心議題。

本次論壇由 UCLA 物理科學學院院長、SAIR 基金會聯合創始人米格爾?加西亞 - 加里貝主持，匯聚了全球頂尖大學中負責制定 AI 科研轉型戰略的學術領袖：

• 揚尼斯?約爾索斯，南加州大學維特比工程學院院長
• 布倫達?魯賓斯坦，布朗大學克里布爾化學教授、物理學教授、數據科學研究所所長
• 布夫內什?賈因，賓夕法尼亞大學數據驅動發現計劃聯合主任

嘉賓們共同探討了大學如何應對 AI 帶來的變革，議題涵蓋科研基礎設施、 funding 模式、教師激勵機制、跨學科合作以及科學人才培養的未來。

核心要點筆記（極簡版）

一、開場背景

高校經費驟減危機 → 催生 科學與AI研究基金會（SAIR）

目標：搭建 學界 + 產業 + 政府 + 慈善 的 AI 科研生態

大學兩大使命：人才培養、深度創新

二、AI 時代的兩大挑戰

教學：AI 沖擊批判性思維、學術誠信

科研：高校缺算力、缺數據、難留人才

三、什么是真正的智能

會適應、能從經驗學習、有目標、能自主判斷對錯

四、AI 發展的三個時代

1、模擬時代

2、人類數據時代（現在）：學已有知識，無法原創

3、經驗學習時代（未來）：自主探索、互動試錯、創造新知識

五、AI for Science 能做什么

宇宙學：繪制暗物質分布圖、加速宇宙模擬

化學 / 生物：量子計算、蛋白質動力學、藥物研發

跨學科：打破專業壁壘，催生大交叉科學

六、AI 對教育的改變

不再只教技能，而是培養能駕馭 AI 的專家

打破院系邊界

教師必須快速提升 AI 能力

博士評價體系、助教模式都將重構

七、大學未來的定位

原創思想的試驗田（允許大膽、失敗、超前）

堅持做長期基礎研究

與產業快速協同，而不是等多年

八、當前最缺什么

把 AI 當科研伙伴，而不只是工具

跨領域協作新機制

AI 時代的學術出版與評價新標準

九、核心結論

未來關鍵：從經驗中學習的 AI

教育方向：人機協同、可解釋、可信、跨學科

人類角色：領導 AI、定義問題、保持創造與好奇

以下正文為完整演講內容（含Q&A問答環節）

作者：SAIR基金會 2026-2-11

譯者：zzllrr小樂（數學科普公眾號）2026-2-15

圓桌討論會議內容全文

歡迎來到今天最后一場環節，這真是激動人心的一天，整場都非常精彩。

本場主題是：人工智能與科學驅動下的高等教育變革。

流程是這樣的：我先做簡短介紹，然后逐一介紹本場嘉賓，每位嘉賓做簡短發言，之后我們進入問答環節，也會接受現場觀眾提問。

首先我自我介紹一下。

我叫米格爾·加西亞-加里貝（Miguel García-Garibay），是UCLA化學與生物化學專業的教授，同時擔任物理科學學院院長。我也很榮幸，能夠支持和推動我們數學系一眾杰出同事的工作——他們和純數學與應用數學研究所（IPAM）聯系非常緊密。此外還有物理與天文、化學與生物化學、地球行星與空間科學、大氣與海洋科學、統計學，以及環境與可持續發展研究所。

我們所理解的AI for Science（科學人工智能，AI賦能科學），是希望把科學人工智能、把學術界的AI，從數學拓展到幾乎所有學科領域。這也是我主要的動力之一。

這一切大概始于去年6月。

有一天早上我們醒來，發現加州大學洛杉磯分校（UCLA）12.2億美元的校外經費突然沒了，資金全部凍結，其中也包括IPAM的經費。

IPAM是一個非常棒的機構，主要依靠美國國家科學基金會的慷慨資助運行。它剛剛獲批未來五年的資助，結果突然間，我們一分錢都沒有了。

一個每年支出超12億美元的科研體系，支撐著大量人員——健康科學、物理科學、工程領域的很多人，都依靠這些經費發薪水、開展項目、支持助教、博士后、研究科學家。

我講這些，是想說明我們當時所處的背景。也正是在這種情況下，我們開始討論成立這個基金會，查克對AI尤其關注，他本身也非常關注數學。我們很快和蒂托、迪瑪建立了合作。我記得我們當時在洛斯金中心吃飯，大家就想：我們必須做點什么。

于是就有了今天的SAIR（Science & AI Research，科學與人工智能研究基金會）。

我們非常高興大家能來到這里，因為這件事的意義已經超越了當初那次經費危機。

科學與人工智能研究基金會，旨在打造并培育一個生態系統，匯聚學術界、產業界、政府、基金會和個人慈善家。我們認為，當下AI領域充滿活力與機遇，正是做這件事的最佳時機。

大學的角色，我們認為主要有兩點：

一是人才培養，二是創新，尤其是深度創新。

這也是我希望我們今天一起探討的核心。

接下來為大家介紹本場嘉賓。

很遺憾，彼得·洛文（Peter Loewen）因故無法到場，他遇到緊急情況，幾天前告知我們無法出席。我會在嘉賓發言時逐一介紹。

本場主題叫高等教育變革。

你可能會問：到底什么在被變革？

答案是：一切都在變。

但今天我們重點關注學術研究的兩大核心：教與學、研究與發現。

我先列出幾點現實挑戰，當然還有更多：

• 在教學方面，ChatGPT等工具突然出現，帶來巨大沖擊，大家開始擔心：批判性思維會怎樣？學術誠信如何保證？

• 在科研方面，我們一直面臨一個問題：大學很難和企業競爭——我們算力不足、數據有限，甚至連人才都很難留住，因為企業投入太大。

所以我們必須認真思考：高等教育與高校科研，在AI時代究竟該扮演什么角色？

同時也有大量機遇：

• 教學上：全新的教學形式、個性化輔導、輔助教學、人才培養模式革新等。

• 科研上：協同合作、以數據為中心的AI、數學證明的新可能，等等。

很明確的一點是：

高等教育中的科學人工智能，是塑造未來的機會。

今天入學的學生，未來會成為社會中堅力量，他們就是未來。我們需要協同，需要抓住這個機會，一起去做。

回到SAIR：

為什么我們需要一個囊括研究型大學、政府、企業、投資人和慈善家的生態系統？

因為這些都是社會的關鍵組成部分。

我準備了一張簡單的流程圖：

一端是研究型大學，另一端是產業，底部是社會。

這是一個簡化模型，但抓住了核心。

大學的使命，是創造知識、傳播知識，滿足人類的好奇心。

我們覆蓋STEM（科學、技術、工程、數學），也覆蓋人文、社會等領域。

大學的兩大核心產出：

1. 能夠轉化為硬核科技與知識產權的創新

2. 人才培養

大學和產業最直接的連接就是人才。

同時，轉化型研究在大學的模式中越來越重要。

UCLA物理科學學院現在很大一部分收入來自知識產權，尤其是藥物化學。我們還有其他領域開始產生收益，幫助我們實現可持續發展。

所有這些轉化研究，最終都會流向高科技產業。

有意思的是：AI正是起源于大學。

它曾經是一項硬核技術，經過多年發展，最終成長為驅動經濟、提升生活水平的產業。

但這整個體系極其昂貴，需要全社會共同投入。

我想強調的是：

我們必須意識到，如果沒有研究型大學和基礎研究，整個鏈條就會斷裂，我們會陷入巨大麻煩。

我這里有一組很震撼的數據：

培養一名STEM專業的人才，成本非常高。

- 本科四年：約 32萬美元

- 博士：約 110萬美元

- 博士后：高達 180萬~200萬美元

這些投入，大部分來自納稅人、政府、基金會和慈善捐贈。

這些人才都去哪里了？

我列了幾家科技公司的數據：

- 蘋果：5萬名博士級科學家工程師

- Meta：4萬名

- 英特爾：3.65萬名

- 英偉達：2萬名

每個人背后都是50萬到200萬美元的社會投入。

換句話說：大學管理著數百億、上千億的社會人力資本投資。

回報如何？

只看2024年一年的營收：

- 蘋果近4000億美元

- Meta 1640億美元

- 英偉達近610億美元

- 英特爾530億美元

這四家加起來近 8000億美元。

而美國全年在STEM領域的總投入是 2800億美元。

投資回報極其驚人。

所以我們必須清醒：

我們高度依賴大學這一端——創造知識、培養人才、推動創新。

一旦停止支持，整個系統就會崩潰。

好的一面是，今天的機遇無比振奮。

科學正處于最好的時代，AI賦能科學，科學又反過來推動AI。

我相信，未來非常積極，社會應當持續投入。

我的開場就到這里，接下來我切換一下演示。

我將按照傳統學術方式，逐一介紹今天的演講者。

第一位演講者：布夫內什·賈因（Bhuvnesh Jain）博士

布夫內什·賈因（Bhuvnesh Jain）

他是賓夕法尼亞大學數據驅動發現計劃聯合主任，安嫩伯格自然科學教授，研究領域是宇宙學。他通過大規模宇宙學巡天研究光的傳播和星系演化。

他是魯賓望遠鏡能源科學合作項目的創始發言人，也是美國物理學會會士，獲得過ICBS國際基礎科學大會前沿科學獎。

本科和博士分別畢業于普林斯頓大學和麻省理工學院。

有請賈因博士。

賈因博士發言

非常感謝米格爾。今天一整天都非常精彩。

我的演示會很輕松，主要放一些圖片。

每次我的AI同事邀請我參加他們的活動，大家都開玩笑說我是氣氛擔當，因為只有我們天文學家有這么多好看的圖。

在講科研之前，我先說一下教學。

我很興奮于教學這件事。我給非STEM學生開過AI導論課，講大模型到底怎么工作；和生物系的同事合開過研究生研討課；也教過本科機器學習。

我很愿意和任何人交流AI時代的教育學，包括人文學科的同事——他們很多人對AI感到焦慮。

我的研究方向是引力透鏡，用來研究膨脹的宇宙。

我們關心的是最宏大的問題：星系起源、宇宙起源、宇宙未來，而這些都和暗物質、暗能量有關。我們通過實驗知道它們存在，但還在追尋它們的本質。

我直接講AI如何改變宇宙學研究。

上面這張圖是用數據做的暗物質分布圖，是目前星系巡天做出的最大一張暗物質地圖。

我們分析了1億個星系的圖像畸變，畫出宇宙中的質量分布。深藍色是宇宙巨洞，亮區是超星系團和星系團。

用AI做這種地圖，不是識別貓是橘貓還是玳瑁貓。

宇宙結構來自早期宇宙的量子漲落，具有隨機性。

我們用擴散模型從噪聲數據中反演，把地圖分辨率提高了四倍，目前仍在驗證中，但已經公開在論文預印本庫。

我們如何和理論對比？

大家聽到很多優美的數學，但真實宇宙更混亂。

我們靠巨型計算機模擬做預測，而AI能加速模擬，讓我們用更復雜的物理做超分辨率模擬。

還有一種叫基于模擬的推斷，讓很多物理學家緊張——我們不再計算物理學家習慣的關聯函數，而是直接用圖比圖。

用卷積神經網絡判斷觀測圖更接近哪一種理論宇宙。

這就是用AI做數字孿生和端到端推斷。

下面這組圖展示了跨度極大的系統：圖靈斑圖、海洋湍流、太陽表面、宇宙結構。

下面一行是傳統物理與數學的勝利：用小波分解，幾十個系數就能生成這些結構。

這代表我們真正理解了，表示方式非常緊湊。

但如果用擴散模型，可以做到完美。

AI能捕捉跨尺度的極端復雜現象。

有點反直覺的是：生成一張百萬像素的圖，我們不用幾十個解析函數，而是用十億個參數。

對物理學家來說，這種非緊湊表示簡直瘋了。

但神奇的是，它能收斂到正確的解。

這就帶來一個問題：

這些現象都有層級結構，那么基礎模型能否廣泛推動科學進步？

目前科學界已有幾十個基礎模型，但真正有說服力的案例還不多。

更進一步，我想講生物學相關的一點：

經歷了近一個世紀的高度專業化，我們正迎來跨學科科學的新時代。

我對數據科學和AI如何促進交叉學科的興奮程度，不亞于它們如何加速科學本身。

從本科生到博士后，我們擁有了前所未有的交流與合作方式。

我在賓大AI中心最開心的事，就是把人們聚在一起。

我和前面講者觀點略有不同：

在我看來，科學發現的路徑本身仍在探索中。

我們聽過很多種科學，但很少討論如何做實驗、如何提問題。當理論失效，該問什么新問題？

在這方面，AI可以作為認知伙伴、一種新型智能，非常有用。

但未來幾年會不會出現能做這種科學的AGI（通用人工智能），我認為仍無定論。

總結來說：

有了這個認知伙伴，科技界和學術界就有了更多合作可能。

謝謝大家。

第二位講者：布倫達·魯賓斯坦博士

布倫達·魯賓斯坦（Brenda Rubenstein）

她是布朗大學化學教授，數據科學研究所所長。她領導著校內最大的研究所，200多名教員參與，專注數據向善。

她入選《大眾科學》2021年“天才10人”，化學與工程新聞2019年頂尖青年科學家。

她曾在勞倫斯利弗莫爾國家實驗室做博士后，本科、碩士、博士分別畢業于布朗、劍橋和哥倫比亞大學。

有請魯賓斯坦博士。

魯賓斯坦博士發言

非常感謝米格爾的介紹，感謝主辦方和UCLA。

在這個時間點把大家聚在一起，意義重大。

我被告知發言3–5分鐘，我會嚴格遵守。

我先簡單介紹我的研究，再講布朗數據科學研究所做的事，最后講我認為AI與教育最前沿的問題。

我的專業是計算科學。

我的工作主要兩塊：

1. 機器學習與量子計算，互相促進。我們用量子計算機訓練機器學習模型，理解化學與材料。目前量子計算機誤差還很大，但我們能用來訓練模型。如果要精準模擬量子材料、生物酶，經典計算機做不到，我們正在開發首批量子計算方法。

2. 用機器學習理解蛋白質與RNA動力學。蛋白質的運動方式和疾病直接相關，尤其是癌癥。微小突變改變運動方式，最終導致癌癥。我們自己開發模型，預測蛋白質長期動力學。

3. 分子計算：讓分子本身進行計算。AI在這里非常重要，幫助我們把數據存儲、運算映射到化學反應中。

我日常大部分工作是運營布朗大學數據科學研究所。

很多校友說：數據科學已經是2000年代的詞了，為什么不改成人工智能中心？

我們兩者都做，但堅持叫“數據科學”，因為我們相信：

數據比AI更根本，AI建立在數據之上，而數據連接所有學科。

哪怕是人文學者，也有數據。

我們的使命：推動跨領域創新，真正意義上的所有領域。

我的副所長是歷史學家。你可能會問：歷史學家和AI有什么關系？

他們正在審視這個時代，提出深刻的問題。這是歷史性時刻，需要歷史學家、作家等人共同參與。

我們還有一個技術責任與重構中心，思考AI帶來的倫理與歷史問題。

我最關心的，是人與AI的界面，這也是高等教育最核心的問題。

我們正在進入人類與AI協同的新階段，但還不清楚這種互動最終會是什么形態。

作為教育機構，我們必須認真思考：

1. 學生未來要做什么？

2. 學生的福祉如何保障？

3. 我們如何把人與機器融合，讓雙方都變得更好？

從技術角度看，就是讓人在回路中驗證。

我是計算科學家，也在乎可解釋性。

模型能預測很好，但如果我不理解，那就有問題。

人類的思維方式和計算機不一樣，我們必須架起橋梁。

要推動物理等學科，我必須能用物理的語言理解AI告訴我的東西。

還有智能體AI（Agentic AI）的崛起，對教育意義巨大。

過去我們教本科生：你要成為專家。

未來，人類可能會和一群AI協作，甚至AI成群、人類少量。

人類必須學會領導機器，這是全新界面。

AI在提升我們的能力，同時也給高等教育帶來挑戰與機遇。

這個人機交匯界面，是我們未來必須深度思考的地方。

謝謝大家。

第三位講者：揚尼斯?約爾索斯教授

揚尼斯?約爾索斯（Yannis Yortsos）

他是南加州大學維特比工程學院院長，化學工程教授。

他專注多孔介質中的流動、輸運與反應過程，推動“工程+”跨學科教育與科研。

他本科畢業于希臘國立雅典理工大學，碩士、博士畢業于加州理工。

有請約爾索斯院長。

約爾索斯院長發言

謝謝米格爾，謝謝查克邀請我。

我前面的場次沒趕上，在南加大處理工作，現在趕過來，時間不多。

我10月在國家工程院年會上做過一個全會報告，主題就是AI與工程教育，今天很多內容來自那次演講。

我剛當教授時，系主任告訴我：工程就是三件事——能源、材料、信息。

我的論文方向是能源，我當時覺得自己很專。

而AI，同時是這三者的極致結合：

- 它消耗巨大能源

- 它依賴芯片材料

- 它的核心是數據與信息

所以在我看來，AI是一種前所未有的工程形態。

但它還多了一個維度：可信性（Trustworthiness）。

可解釋性、理解能力，是AI非常重要的一部分，也是人的要素。

所以我現在的觀點是：

AI + 工程 = 能源 + 材料 + 信息 + 可信性。

我一直在想一個問題：

未來，什么東西是不變的？

我認為，人類永遠要解決四大問題：

1. 可持續繁榮（我不喜歡單純說“可持續”，因為它常被政治化，暗示稀缺。希臘詞“永遠翠綠”更接近我想表達的）

2. 健康

3. 安全（網絡、太空等）

4. 豐富生命（教育、科研、娛樂、民主等）

這四大類，適用于所有學科，不只是工程。

2008年美國國家工程院提出的工程重大挑戰，本質也是這些。

什么在加速這一切？

AI與計算能力。

它是變革性時刻，增長超指數，接近奇點，很可能是一場相變。

我不是創新專家，也不是商人，但我從動力學角度看：

- 如果創新速度正比于當前水平 → 指數增長（摩爾定律）

- 如果是二次關系 → 會出現奇點

我認為我們正在走向自主化的相變。

我把AI分為三類：

- AI 作為工具

- AI 作為催化劑

- AI 作為技術

對學生來說，必須具備扎實的AI技術知識：機器學習、神經網絡等。

我們南加大對所有本科生做出承諾：畢業時都具備實用的AI知識，理解AI工作原理，無論你是計算機、電子、化工還是其他專業。

我用一個象征性的公式總結今天的內容：

把我剛才說的人類需求金字塔，加上AI帶來的奇點式雙曲線，

最終得到雙螺旋結構：

一條鏈是技術，一條鏈是人類。

兩者交匯，就是人在回路中。

我的希望是：

我們繼續用高度發展的計算能力，解決可持續繁榮、健康、安全等重大問題，

實現技術與人性的精細協同。

最后我再解釋一下AI的三層角色：

- 工具：像搜索一樣，很直觀

- 催化劑：極大加速科學、加速學習

- 技術：這解釋了為什么AI能跨所有學科

我對技術的定義來自布萊恩·阿瑟：

技術，是利用現象達到有用目的。

現象可以是物理、化學、生物，越來越多是社會與行為。

在AI之前，我們利用物理、化學現象；

而AI，是直接利用數據。

我們把物理、化學暫時抽離，方法反而變得統一。

這就是AI跨領域融合的根源。

我的發言到此結束。

圓桌問答 & 結尾

主持人：

AI如何改變工程與科學教育？

布倫達：

AI不是只改變理工教育，而是讓我們重新回歸專業本身。

過去很多STEM教育只培養特定技能，不培養真正的專家。

AI迫使我們培養更高水平的專家：能指導AI、判斷AI、驗證AI。

教育必須重構，讓學生能真正看透技術、看透領域。

賈因：

我認為最關鍵的是：打破院系邊界。

生物、物理、化學、實驗、理論、數據分析，都應該打通。

本科生科研參與度可以成倍提升；

研究生一進校就該學AI；

教師必須快速提升AI技能，否則大學體系會被拖慢；

大學應該向科技公司學習敏捷迭代，以半年、一年為周期變化，而不是十年。

約爾索斯：

我關心兩個現實問題：

1. 未來助教會不會被AI取代？

2. 博士人才的評價標準要不要變？

科學加速太快，現在的五年博士模式、論文評價體系，可能都要改。

主持人：

面對快速變化和巨大資源需求，大學科研應如何演進？

布倫達：

大學的角色，是創新與原創思想的試驗田，一塊低成本、允許瘋狂想法的試驗田。

很多想法不切實際、會失敗，但沒關系。

大學要持續產生想法，輸出給產業、社會，同時教會學生如何產生想法。

賈因：

我完全同意。

約爾索斯：

傳統上大學做6.1、6.2級別的基礎研究，產業做后期。

現在界限被大幅壓縮，大學和產業都在做6.2、6.3。

6.1這種純基礎研究，仍會是大學的陣地。

我有一個暢想：

牛頓之前我們不懂自然，牛頓之后世界變得清晰。

我們會不會正處在一個等待“AI時代的牛頓”出現的前夜？

主持人：

AI已經改變蛋白質折疊、藥物研發。

它只會是特定領域的加速器，還是會徹底改變科研？

賈因：

過去不到十年，每兩三年AI就給科學帶來20%的提升。

即便只有這些，也已是我們一生中知識最快的加速器。

AI會不會改變上百個學科？我不知道。

但很多學科即將達到蛋白質折疊那樣的突破點。

現在每個科學家都有機會用AI提升生產力。

布倫達：

我們曾經沒人相信AlphaFold能成功。

我認為幾乎所有領域都能到達這一步。

AI真正改變的，是讓大家相信：只要有足夠數據，模型就能理解世界。

這在20年前完全不是主流思想。

各個領域現在都有了明確路徑：先搞到需要的數據。

主持人：

當前AI for Science的討論，最缺少什么？

賈因：

我一位同事寫過一篇文章叫《AI的樂趣》。

AI是伙伴，我們可以選擇如何使用它。

即便AI有了答案，我們依然可以下棋、可以做物理。

把AI當作個人伙伴、團隊協作中介，我們才剛剛開始。

AI把科研中枯燥的寫作、編碼都承擔了，我們可以更自由地想象、投入真正有樂趣的科學。

布倫達：

我認為是群體協作的新形態。

AI讓不同背景的人站在同一平臺對話，以前不可能。

這是在以前所未有的方式，動員整個共同體解決問題。

約爾索斯：

我認為是學術出版的革命。

AI參與寫作、研究，什么是發表？什么是貢獻？

現有規則還很原始，未來一定會巨變。

主持人：

基金會希望打造產學研協同生態。

你認為產業、學界、投資人應如何合作？大學扮演什么角色？

約爾索斯：

傳統產學合作很溫和：捐贈獎學金、少量合作。

未來會完全不同：投資方會要求6個月~1年見效，而大學傳統節奏是3年甚至更久。

這將是一場革命。

做6.2、6.3這類研究需要巨大能量，不合作根本不可能。

布倫達：

我同意時間尺度問題。

大學長期被政府經費導向漸進式創新，不敢冒險。

我們需要產學政一起支持短周期、大膽、全新的想法，而不是讓它們只能在邊緣生存。

現在的評審周期太慢，2024年的申請書，2026年評審說“已經過時了”，這是巨大問題。

賈因：

我沒有補充。

觀眾提問 & 結尾

觀眾：

我們能做什么具體的事來改變本科教育？

賈因：

每所大學都有教授在做驚人的教學實驗。

一方面要防守：保護寫作、解題能力，防止AI作弊；

另一方面要進攻：用AI輔助教學，讓本科生用AI解決研究生級別的問題，讓教學更有趣、更有野心。

觀眾：

如何讓所有人——教師、學生、管理者——真正理解AI的變革性，而不被它壓垮？

約爾索斯：

AI變化太快，我的幻燈片每天都要更新。

但我們經歷過計算機時代，很多反應是相似的。

關鍵是：AI已經來了，不會消失。

學校要提供工具、論壇、合作項目，讓大家自然融入，而不是強迫。

最終，每個人都會在自己的學科里找到AI的位置。

主持人：

時間到了，我們就在這里結束。

AI已經到來，機遇無限，我們必須擁抱它。

有請迪瑪做總結。

迪瑪：

我只想感謝各位嘉賓、米格爾、查克、陶哲軒，感謝大家帶來精彩的一天。

也感謝在座每一位。

未來IPAM還有很多精彩活動，歡迎關注我們的日程，期待再次相見。

謝謝大家。

參考資料

https://www.youtube.com/watch?v=VovYDu8o-54

https://sair.foundation/event/ai-for-science-kickoff-2026/

2026AI科學盛典——圓桌討論《AI與高等教育變革》會議全文

2026AI科學盛典——圓桌討論《AI與數學》會議全文

2026AI科學盛典——諾貝爾獎得主巴里·巴里什（Barry Barish）主題演講全文《LIGO：十年新科學》

小樂數學科普近期文章

·開放 · 友好 · 多元 · 普適 · 守拙·

讓數學

更加

易學易練

易教易研

易賞易玩

易見易得

易傳易及

歡迎評論、點贊、在看、在聽

收藏、分享、轉載、投稿

查看原始文章出處

點擊zzllrr小樂

公眾號主頁

右上角

置頂加星★

數學科普不迷路！