AI进学术界：MIT教授提出三大关键问题

AI 正在重塑学术界的运作方式，从科研方法到教学评估，几乎没有一个环节能置身事外。但具体该怎么走，学界并没有共识。MIT 统计与数据科学中心主任 Alexander (Sasha) Rakhlin 在一篇访谈中，围绕 AI 在学术机构中的定位提出了三个值得 department 和 institution 认真思考的问题。

问题一：学术机构该把 AI 当工具还是当学科？

Rakhlin 提出的第一个核心问题是定位问题。AI 在高校里同时扮演着两种角色：它是一种可以被各学科使用的研究工具，也是一个需要独立建制、独立培养方案的新兴学科。这两条路径对资源分配、师资招聘、课程设计的要求完全不同。

如果只把 AI 当工具，院系可能倾向于在现有课程里加入 AI 模块，或者采购现成的 AI 平台来辅助研究。这样做成本低、见效快，但难以形成真正的学术积累。如果要把 AI 当学科来建设，就需要专门的教职岗位、独立的学位项目、以及跨院系的协调机制——投入大得多，但长期来看可能更有竞争力。

Rakhlin 的观点倾向于后者，但同时也承认，不是每所高校都有条件走这条路。关键在于 institution 是否清楚自己在 AI 版图中的定位。

“工具 vs 学科”在高校语境下的具体差异

将AI视为工具，意味着它被嵌入既有学科的方法论工具箱，服务于本领域问题的求解；其知识生产逻辑仍由原学科主导，AI本身不产生独立的学术评价标准。而将AI视为学科，则要求建立自主的知识体系、核心课程、同行评审社区和学术晋升通道，类似当年计算机科学从数学系中独立出来的过程。这一区分直接决定了资源流向：工具路径下，投入主要体现为算力采购和短期培训；学科路径下，则需要长期教职编制、博士点建设和跨院系协调机构。Rakhlin的追问实质上是在问：高校是否愿意为AI承担学科建制的高昂制度成本，还是满足于将其作为提升现有研究效率的通用技术。

问题二：统计与数据科学在 AI 时代的角色是什么？

作为统计与数据科学中心的主任，Rakhlin 对这一问题的关切有其独特视角。统计学科长期以来是数据分析和推断的方法论基础，但深度学习和大模型的崛起，某种意义上绕过了传统统计推断的框架——模型变得越来越大、越来越难解释，而预测性能却成为主要评价标准。

这带来一个张力：统计学科强调可解释性、不确定量化、因果推断，而当前 AI 的主流实践往往更看重规模化后的经验表现。Rakhlin 认为，统计与数据科学不应该被动地接受这种格局变化，而应该主动参与到 AI 方法论的建设中去——比如为大规模模型提供统计理论基础，或者发展适用于复杂 AI 系统的不确定性评估方法。

换句话说，统计学科在 AI 时代不是被替代，而是需要重新定义自己的贡献点。

可解释性、不确定量化与因果推断在AI时代的张力

传统统计学的三大支柱——可解释性、不确定量化与因果推断——在深度学习主导的范式下面临根本性挑战。大模型通过海量参数拟合复杂函数，其决策过程难以用经典统计模型刻画，预测精度往往以牺牲可解释性为代价；同时，模型输出的置信度校准问题使得传统置信区间和假设检验框架难以直接套用；因果推断则因模型主要捕捉相关性而更显边缘化。Rakhlin所呼吁的“主动参与”，正是指统计学者不应仅停留在批评黑箱，而应发展适用于高维、非参数、大规模模型的新理论工具，例如将分布鲁棒优化、共形预测等方法引入AI系统的不确定性评估，从而在方法论层面重新确立统计学科的不可替代性。

问题三：跨学科协作的制度障碍怎么破？

AI 研究天然是跨学科的。一个真正有影响力的 AI 项目，往往需要计算机科学、统计学、领域知识（比如生物学、经济学、医学）三方面的人坐在一起工作。但高校的组织架构通常是按传统学科划分的，预算、招聘、晋升都绑定在院系上，跨院系协作在制度层面阻力很大。

Rakhlin 提到，department 层面的激励机制如果不调整，跨学科 AI 研究就很难真正落地。比如，一个统计系的教授如果花大量时间跟计算机系合作，他的晋升评审该由谁来主导？产出的成果该怎么在院系间分配？这些问题不解决，协作就只能停留在个人层面的自发行为。

他建议 institution 在设计 AI 战略时，要把制度配套作为优先事项之一，而不仅仅是建几个实验室、招几个人就算完事。

高校院系壁垒与AI跨学科协作的典型制度摩擦

高校按传统学科划分院系，预算、教职编制和晋升评审均以院系为单位闭环运行，这构成了跨学科AI研究的深层制度障碍。具体而言，当一名统计系教授与计算机系合作发表论文时，成果归属常引发争议：论文能否计入统计系的晋升考核？合作产生的专利或经费如何在院系间分配？更棘手的是，跨学科合作往往需要教授投入大量时间理解领域知识，这些时间无法直接转化为本系认可的学术产出。Rakhlin指出的激励机制调整，正需要机构层面打破“一个教授只属于一个系”的单一归属逻辑，建立联合聘任、跨院系成果互认和协作绩效分摊等制度安排，否则跨学科AI研究只能依赖个人自发热情，难以持续。

三个问题的共同指向

把 Rakhlin 的三个问题放在一起看，它们指向同一个核心矛盾：AI 的发展速度远超学术机构的制度调整速度。无论是学科定位、方法论贡献、还是跨学科协作，瓶颈都不在技术本身，而在组织架构和激励机制。

对国内高校和科研机构来说，这一判断同样适用。AI 相关的院系和研究中心在过去几年大量涌现，但真正解决上述制度问题的案例并不多。Rakhlin 的提醒是：如果只关注技术层面的跟进，而忽略制度层面的设计，AI 在学术界的潜力就很难充分释放。