菲尔兹奖得主入职OpenAI：字节Seed STEM计划如何重塑AI科研范式
当加拿大数学家、最新一届菲尔兹奖得主 Jacob Tsimerman 在新闻发布会上宣布即将加入 OpenAI 安全部门时，这一信号比任何技术发布会都更为震耳欲聋。这不仅仅是一次简单的人才流动，它标志着人工智能领域的一个历史性转折点：最前沿的智力资源正在从传统学术界向头部 AI 实验室大规模迁徙。与此同时，OpenAI 首席研究主管 Mark Chen 的迅速欢迎，以及 Anthropic 接连吸纳诺贝尔化学奖得主 John Jumper 等顶尖学者，共同勾勒出一幅新的行业图景——AI 与基础科学的边界正在消融。
在这一全球浪潮中，国内科技巨头并未缺席。字节跳动 Seed Edge 团队近期发布的 Seed STEM 科学家计划，开放 100 个合作席位，面向数学、物理、化学、生物等领域的科学家和博士生，邀请他们共同探索基础科学中的未知问题。这是国内首个大规模投入 AI 加速前沿科学发现的系统性计划，其背后折射出的是中国 AI 产业从应用层向底层基础研究和科学发现层面的战略纵深推进。
在大模型发展的上半场，行业普遍陷入了一种“跑分焦虑”。以天为单位的迭代节奏，使得打磨代码能力、刷高各类 Benchmark 分数成为最直观的竞争力体现。这种短期导向虽然能快速转化为产品体验和商业收入，但却掩盖了一个核心事实：基础研究和 AI 加速科学发现的反馈周期极其漫长，且充满不确定性。然而，真正的范式级价值往往诞生于这些“难而正确”的道路上。
回顾 Claude 和 Seedance 等处于 SOTA（State of the Art）地位的模型，其成功并非源于某种神秘的魔法或技巧堆砌，而是源于对基础工作的极致坚持。Anthropic CEO 达里奥曾指出，驱动 AI 进步的核心始终是算力、数据质量、规模以及可扩展的目标函数。同样，字节跳动 Seed 团队负责人姚顺雨也强调，大模型训练没有捷径，真正的挑战在于把最基础、确定能做对的事情做到极致。这种战略定力体现在对数据质量的严苛把控和底层架构的持续优化上。
以视频生成领域为例，许多大厂仍停留在“抽卡”式的实验阶段，而 Seedance 通过创新的模型架构和精密的数据工程，将 AI 视频生成转变为可控的工业级生产工具。在底层架构方面，DeepSeek 推出的 mHC（流形约束超连接）架构被视为一项重要突破，而其灵感部分来源于字节 Seed 团队提出的 Hyper-Connections（HC）。HC 打破了 Transformer 传统的残差连接单流范式，在不显著增加计算量的前提下大幅提升了特征表达能力。从 HC 的理论提出到 mHC 的工程化落地，展现了中国 AI 团队在底层技术创新上的连贯性与深度。
为了支持这类长周期、高不确定性的研究，字节 Seed 专门成立了 Edge 团队，并调整了绩效考核机制，取消中间考核，给予研究者充分的探索空间。该团队发布的 EdgeBench 超长程评测集，首次在业内系统定义了真实环境下 Agent 的学习规律，发现了环境学习维度的新 Scaling 定律。值得注意的是，OpenAI 也在接入该评测集测试自家模型的长程能力，这表明构建高质量基准测试已成为引领行业标准、暴露模型弱点的关键手段。
为什么顶尖 AI 公司如此急切地争夺领域科学家？根本原因在于，现有的封闭式任务评测体系已无法满足大模型进化的需求。主流评测大多围绕有标准答案的任务展开，路径清晰且确定。但真实的科学研究完全不同，它没有预设的解题路径，需要研究者自主提出假设、处理噪声数据、推导底层机制，全程伴随试错与不确定性。这正是检验 AI 模型在真实开放环境中持续交互、反馈与自主进化能力的最佳场景。
在北美，这一趋势尤为明显。伯克利 EECS 系主任 Jelani Nelson 等至少 22 名教授暂时离开高校，加入 OpenAI、Anthropic 等公司。这些企业聚集了 80 多名现任或前任大学教授，并通过 Residency 项目和 STEM Fellows Program 等机制，让非 AI 领域的专家直接使用未发布的模型解决本领域的难题。例如，材料科学家为 Claude 构建相稳定性推理流程，气候科学家打通大气建模工具。数据显示，超过 80% 的驻场研究员产出了高质量学术成果，这些来自真实学科的反馈直接成为了模型迭代的训练信号。
对于科学家而言，这种合作同样具有颠覆性意义。大模型正在成为新的科研基础设施，如同天文学家获得下一代超级太空望远镜的独家使用权。AI 不仅能处理海量文献和数据，还能作为“外脑”辅助公式推导和数值模拟，让科学家将精力集中在定义问题本质上。这种深度协作既是科研效率的放大器，也是撬动新发现的杠杆。
回到国内，字节 Seed STEM 科学家计划的推出，正是为了补齐 AI 与基础科研交叉领域的空白。该计划不仅仅是提供算力或模型接口，更是邀请科学家带着问题意识、判断标准和反馈方式进入研发现场。通过识别和突破研究级问题，探索 AI 加速科学发现的可能性，字节试图构建一个由真实科学问题驱动的模型进化飞轮。
这一转变意味着，大模型的能力进化已走出单纯依赖参数与数据堆叠的预训练红利期。下一阶段的核心增长动力，必然来自模型在真实开放环境中的持续学习能力。基础科学的前沿，作为开放未知场景的最高形态，成为了检验 AGI 能力的终极试金石。
当然，这条路注定是缓慢且沉重的。它难以在短期内形成清晰的商业闭环，也无法通过简单的榜单排名来证明价值。但它最能检验一个团队是否具备长期主义的决心。当菲尔兹奖得主选择投身 AI 安全研究，当越来越多的 STEM 科学家与模型团队并肩作战，我们看到的不仅是人才的迁徙，更是 AI 发展范式的根本性重构。
未来的 AI 竞争，不再是单一维度的技术比拼，而是谁能更好地与人类科学家协同，去推进那些尚未被解决的复杂问题。科学的进展需要长期主义，AGI 的实现亦然。在这场漫长的马拉松中，唯有那些愿意沉下心来，在基础科学与人工智能的交汇点上深耕的团队，才能最终交出改变世界的答卷。字节的 Seed STEM 计划，正是这一长期主义战略在中国 AI 产业中的一次重要实践与宣言。