2026 年，统计学界的「诺贝尔奖」，颁给了一名在 AI 领域深度活跃的华人学者。
宾夕法尼亚大学苏炜杰教授，凭借在 AI 可信部署、隐私保护、凸优化理论及 AI 会议学术评审机制上的突破性贡献，荣获考普斯会长奖（COPSS Presidents ’ Award）。
时隔 14 年，这一统计学最高荣誉，终于再次迎来了华人面孔。
苏教授坚信：AI 时代，统计学会越来越重要。
从第一性原理出发，神经网络或许永远无法彻底白盒化。随着复杂度的不断扩大，模型的可解释性只会越来越难。
而统计学的最大魅力恰恰在于：即便内部机制永远是一团迷雾，也依然能通过概率分布的方式找到最优解，达到我们希望的目标。
基于这一判断，苏炜杰教授和团队从统计学视角切入，为 AI 的应用提供了更扎实的理论支撑，增强了实际落地过程中的可靠性与稳健性：
可信部署：将 AI 生成内容的可追溯性、人类偏好对齐等问题，形式化为严谨的统计框架；
隐私保护：提出高斯差分隐私框架，· 应用在 2020 年美国十年一次的人口普查，提升了隐私数据的效用；
AI 学术评审：提出保序机制，让作者对自己的多篇投稿进行质量排序，已于 2026 年正式在 ICML 投入使用。
也正是这些贡献，让苏教授于今年摘得考普斯奖这一统计学至高桂冠。
苏教授任教于宾夕法尼亚大学沃顿商学院统计与数据科学系，同时在本校计算机系和数学系兼任教职。在获得考普斯奖前，他还曾获美国 NSF CAREER 奖、斯隆研究奖等多项重量级奖项。
这一次，他来到量子位的专访，谈了谈他关于如今 AI 的各种思考。
为什么完全打开 AI 黑盒很难，有没有其他途径？
为什么大学体系在 AI 时代依然重要
为什么建议数学系学生积极参与 AI 发展？
访谈尾声，苏教授抛出了一个大胆的判断：
AI 需要一门全新的数学语言。
他认为，AI 正在演变成一种「新的物理」，其底层结构与经典物理截然不同。
物理学多是从小到大。从底层机制出发，推导并决定宏观行为；
而 AI 是从大到小。先设计好 Transformer 的大框架——几层网络、如何连接，再在训练中逐步确定每一个参数。
这可能正是当下 AI 在可解释性、神经网络泛化理论等方向滞后的根源所在：
现有的数学语言，或许从一开始就不适合描述 AI。
为此，苏教授向纯数学出身的年轻人们发出了诚挚邀请：
进入 AI 领域，共同创造一门新的「语言」，让 AI 像数学一样「优美」。
这件事的意义，不会低于经典力学或相对论。
上面这些只是冰山一角。在这场一小时多的深度对谈中，苏教授分享了许多有趣的洞察：
世界上很多问题只能近似描述，终极理性可能并不存在。
偏好没有唯一的最优解，但至少要划清底线：哪些偏好我们绝对不想要？
彻底「白盒化」不太现实。人类连自己的大脑都没搞懂，理解神经网络只会更难。
像「剥洋葱」一样研究神经网络，不必完全理解内部结构，把它当做黑盒来优化就行。
把隐私变成可交易的价值，用类似博弈论里的机制设计，让其成为公司的内生动力。
对于国内想辍学做 AI 的大学生，如果你真的准备好了，可以勇敢点。
大学教育依然很重要，里面有老师、考试作为反馈，光靠自学很难打牢基础。
下面附上精校后的访谈实录。为提升可读性，量子位在不改变原意的前提下，对内容进行了适当的润色与梳理。
请享用。
哪些 AI 均衡点我们绝对不想要？
量子位：恭喜获奖。这是针对您过去一系列贡献颁发的奖，如果让您自己选一篇最满意的工作，会是哪篇？
苏炜杰：最满意的不好说，但最有趣的有一篇。ICML 最近有一个改动，要求作者自己对投稿论文做一个质量排序。
这个做法，其实和我五年前的一篇论文有关。核心观点大致是：既然作者往往是自己论文最好的审稿人，何不引入一种由作者本人参与的评分机制？
这篇论文的ROI 很高。从有想法到写完，总共不到两周，时间主要花在语言润色和补充文献上，那还是在 ChatGPT 出现之前。
放在现在，可能两天就能写完。
量子位：这篇论文的核心思路涉及博弈论，和经济学相关。您在本科阶段也有经济学背景，当时怎么会对经济学感兴趣？
苏炜杰：其实最开始并不是出于兴趣。我在北大的时候主修数学，之所以修了经济学双学位，是因为当时的女朋友（即现在的妻子）选了这个项目。
她偏文科。经济学虽然属于文科，但需要高数、概率论等基础，所以她希望我也一起学，互相支持。
但后来发现，经济学让我学会一种不同于纯数学的思维方式。
学纯数学，很容易形成一种确定性的世界观：世界是完备的、有结构的，可以用精确语言描述；如果暂时无法刻画，那是我们的数学工具还不够成熟。
接触经济学之后，会意识到真实世界并不具备那样的确定性。世界是混沌的，很多问题只能做近似描述，终极理性往往不存在，或永远无法逼近。
量子位：如今的 AI 同样很难完全用纯数学解释清楚。您觉得经济学思维，对您现在的研究有什么影响？
苏炜杰：我的核心训练仍然是数学、统计和优化，但经济学会让你更关注「人」这个共同体。经济学研究的本质，是人的行为，以及人在制度和市场中的互动。
我们组里有一部分研究，就是从经济学视角出发，讨论 AI 对齐在人类社会结构中的意义。
AI 未来会全方位影响人类社会。现在大家更多讨论的是个人用户怎么做 agent、怎么让个人更满意，但 AI 对社会的影响是什么、会怎样演化，这更接近经济学研究的范畴。
AI 由人类数据训练而来，会继承人类偏好。另一方面，越来越多年轻人开始用 AI，这一过程中，AI 的价值观也在反过来影响人类。
所以问题来了：现有算法，能不能把这些偏好完整、准确地转移到 AI 里？
我们希望 AI 对齐人类偏好。但这些偏好如何定义？如何聚合？
主流方案还是奖励模型配合强化学习，把偏好的信息结构都编码进去。不过，目前常用的一些相对简单的统计模型，没法完美表达真实的人类偏好。
我们有一项工作讨论了投票悖论：当候选项至少有三个时，群体偏好可能出现循环—— A 优于 B、B 优于 C、C 又优于 A。
这种情况下，现有损失函数或奖励模型是有缺口的。如果这种偏差长期存在，可能会把 AI 的偏好推向某个不确定方向，最后收敛到一个我们不希望看到的均衡点。
量子位：那最终应该达到的均衡点在哪里？「人类偏好」至今也没有统一定义，不同国家对善恶的判断标准都不一样。
苏炜杰：的确，偏好不存在绝对客观、唯一最优的标准。
但可以确定的是：哪些偏好我们不会想看到？
我举个例子。AI 领域论文审稿正在逐步滑向一个不太好的平衡点。
以前论文少、节奏慢，一个人一年审几篇，大家还是愿意花时间把审稿做好。
但现在投稿太多了、审稿人又太少。很多人觉得自己的论文被一些不认真、质量不高的审稿意见影响了，于是会想：凭什么我要认真审别人的论文？
当越来越多人都有这种想法，他们自己当审稿人时也不会认真投入，结果就是恶性循环，审稿质量越来越差。
量子位：用 AI 审稿会是一个好的解决方案吗？
苏炜杰：人类审稿有个常见问题：审稿人说作者「没做某件事」，但其实论文在别的段落已经写了，只是审稿人没看到。
我今年也在 ICML 委员会负责相关工作，根据经验和数据来看，AI 在「信息抓取」类任务上往往优于人。
不过，现在很多人习惯把审稿「托管」给 AI，让它直接生成审稿意见。
这里面还有个问题：市面上主流的 AI 就那么几个。
审稿的一个重要价值是多样性。不同审稿人从不同经验和偏好出发，能看到论文的不同面向。
如果大家都用一样的 AI 来审稿，意见就会千篇一律，这件事就没意义了。
幻觉的问题则更加严峻。
学术有个特点——论文是写给未来的。
每一篇论文不是写完就结束，它会存档，挂在数据库里，很多年后都还可能被引用。
所以学术对信息准确性的要求非常高。幻觉如果出现在某一篇论文里，后续被重复引用几十次，可能会被当作既定事实。这对人类知识传承是很可怕的。
实话说，今年我们已经看到不少论文明显是 AI 生成的，关键是其中引用的文献根本搜不到。
其他部分作者还可能辩解说：「我只是写作风格像 AI。」但文献不存在这种事，是没办法辩驳的。
学术通常被认为是人类智力活动密度最高的领域之一。当这个领域都开始让人类退场，这是个非常危险的信号。
像「剥洋葱」一样优化 AI 黑盒
量子位：您在之前的访谈中经常提到「可解释性」和「可信部署」。这方面最近有什么研究进展吗？
苏炜杰：坦白说，我在可解释性方面直接做得不算多。有一些朋友在做机制可解释性（Mechanistic Interpretability），我非常敬佩他们的工作。
我对这个领域的前景持谨慎态度，但我希望我的判断是错的。
想把 AI 从「黑盒」变成「白盒」，彻底理解它的内部机制，可能需要先重新定义什么是「理解」。
以往我们谈理解，比如理解物理现象，可被逼近的。
比夸克更小的基本粒子是什么？暂时不清楚，更多是因为知识和工具还不够。随着技术发展，这类问题的「理解」难度是会降低的。
但 AI 的发展目标从来就不是为了「可解释性」。更强能力的背后是 Scaling，而模型越大，可解释性往往越弱。
另一方面，如果 AI 想做到可解释，那么人类大脑应该也是可解释的。
我们研究人类大脑已经两千多年了，至今也没完全弄明白。凭什么认为一个生物大脑能完全理解另一个「硅基大脑」？何况这个硅基大脑还在变得越来越复杂。
或许我们可以换个思路：从「表现」出发。
对 AI 的行为做更准则化的刻画，在这些准则下，对不确定性做概率或统计意义上的描述，建立可用的规范。
这样，即便没法完全理解内部机制，也能在现实部署中更好地控制风险。在这方面，统计学和运筹学会有很大的发挥空间。
以我们做的偏好对齐工作为例。这类任务不像数学证明那样可以验证为真或假，很多时候，它是在 A 和 B 之间形成一个概率分布。
因此，我们干脆从一开始就把 Transformer 当作黑盒，不关心其内部具体机制，而是把它视为一个概率输出器：给定输入，它输出落在 A 与 B 之间的概率。
然后我们设计损失函数，让这个概率分布的最优解达到我们希望的目标。这个过程不需要理解神经网络的内部结构，把它当作黑盒来优化就可以。
我现在更倾向于把可解释性看作「剥洋葱」。
神经网络是黑盒，但它不是一整块不可穿透的黑铁，它更像由很多层黑纱布叠在一起。叠得越多，整体看起来越黑。但单独看每一层，它可能还能透过百分之七八十的光。
人脑很难做清晰的层次划分，但神经网络是分层结构。我们可以像剥洋葱一样，将神经网络一层层剥开。
但没必要全剥开。一个 20 层的网络，也许剥开两三层就能得到很多线索。底层的部分，更多是在做细碎的特征提取，没必要理解，也理解不了。
当然，有些情况还是要多剥几层。
我有位做对齐的朋友之前说，有时候两个模型看起来对齐程度差不多，其实内部的对齐模式完全不一样。一个是真正「认同」并内化了对齐目标，另一个可能只是装的。
这种情况的确需要多剥几层才能看得更清楚，但也没必要完全白盒化，难度太大。
未来学术界需要做的，是在「有限黑盒」的条件下，把机制层面的证据和行为层面的表现结合起来，找到一个相对平衡的方案。
如何把隐私保护变成一种「内生动力」？
量子位：隐私保护是您深耕的领域，为什么会关注这个方向？有没有一个具体契机？
苏炜杰：契机在 2014 年暑假。当时我读博第三年，去微软研究院硅谷分部实习，跟着Cynthia Dwork做研究。
Cynthia 是差分隐私的提出者之一。在她的引导下，我很自然地进入了这个领域。她经常从第一性原理，甚至从伦理学的角度去理解隐私，这对我冲击很大：生活中一个相对「软」的概念，竟然能用严谨的数学语言讲清楚。
我的意思是，这个领域能从偏社会、偏经济学的问题出发，最后延展到非常理论化、数学化的定义。跨度特别大，能同时连接机器学习、统计、数学、理论计算机等多个学科，汇集很多不同背景的人。
差分隐私在相对传统的机器学习场景里用得很成功。它的基本思想是：数据集中某一个人的数据发生变化（比如把张三换成李四），算法的输出不要有太大变化。 这样外界就很难从输出结果反推出到底是张三还是李四。
在传统机器学习里，这种依赖关系相对容易刻画。比如用影响函数（Influence Function）之类的方法，可以清楚地描述某个数据点对模型输出的影响。既然依赖关系能刻画，就可以通过加噪音，把张三和李四带来的差异「抹平」。
但进入神经网络时代后，隐私保护遇到了很大挑战。核心原因还是黑盒：训练数据集与模型输出之间的关系很难精确刻画。
你对数据集做一点变化，比如新增一个人，或者把一个人替换成另一个人，神经网络的输出预测会怎么变化，很难描述。
所以差分隐私那套理论现在很难直接用，往往需要加过大噪音来保证隐私，结果就是模型能力下降。
量子位：网上有不少意见领袖，尤其是极客群体，会觉得隐私是伪需求。认为只要效用足够大，比如把所有数据都交给 OpenClaw，它真能变成「贾维斯」，那隐私成本是可以接受的。
苏炜杰：短期看，这种想法确实有其道理。把更多信息交给 AI，它对你理解更深，给出的建议更准确、更贴合，你做决定也更省事。
但长期来看，这更像是一个社会学事件。也许要等到某一天，隐私泄露造成了非常严重的后果，大家才会反应过来。
以前在搜索引擎时代，你输入的信息相对有限，通常只是关键词。但现在这些 AI 公司对人的理解越来越私人化和全方位。这种潜在的滥用风险是巨大的。
量子位：安全配套往往滞后于技术发展，如果想让隐私保护跟上技术进展，有什么可行措施？把隐私当成商业化方向，通过商业驱动让更多人参与，会不会更现实？
苏炜杰：可以从三点来谈。
第一，更分层、更分级的隐私目标，而不是一刀切。
差分隐私很强，有时甚至过于强。把隐私保护放在绝对第一位，在很多场景下其实不太现实。
是否可以找到一个中间地带？部分隐私在一定范围内允许暴露，但在一些更关键、更敏感、涉及安全或重大经济后果的领域，把控得更严格一些。
第二，从社会层面还是要持续强调隐私的重要性。
AI 发展是当务之急，很难单纯用隐私去约束参与者，让大家不要做 AI。
但不能忘记这个共识：隐私是重要的。 我们也许在当下会做一些权衡，甚至做一些妥协，但不能把这种妥协包装成「完备的选择」，从而放弃了追求更好的保护。
第三，设计一种类似区块链的激励结构，将隐私保护从「外部要求」转化为「内生动力」。
不要指望公司靠道德自觉。从商业运作规律来看，只有当「保护隐私对公司有利」，有助于实现公司自身利益最大化时，它自然就会去做。
关键在于：如何把隐私变成一种「可交易的价值」，让公司主动去保护隐私？
比特币是个很典型的例子。它是靠机制设计，让参与者在追求自身利益的同时，让整个系统自然运转起来。
如果我们也能设计出类似的机制，让保护隐私成为企业利益的一部分，问题就迎刃而解了。
AI 需要一套全新的数学语言
量子位：您在一次访谈中引用过一句话：「There ’ s nothing more practical than a good theory」（没有什么比好的理论更实用）。
听起来挺反直觉的。当「理论」和「实践」放在一起时，理论往往显得不那么「实用」。
苏炜杰：在 AI 这样一个全球可能有数千万人参与的宏大系统中，不存在某一种范式绝对优于另一种。
计算机背景的人在参与，数学背景的人在参与，经济学家也在参与；计算机内部又细分为理论、工程、硬件等多个方向。大家都是从不同角度、用不同手段推进同一件事，没有谁比谁更高明之分。
但在当下的 AI 发展进程中，具备扎实理论训练、特别是深厚数学背景的人才，参与比例相对偏少。
我观察到的部分原因是：这些同学觉得 AI 缺乏纯数学那种特有的「优美感」。
这很正常，我学生时代也有这种想法。但随着年龄增长，人往往也会开始在意自己所做的事情对社会、对整个人类的影响力。
换个角度看，正因为 AI 现在看起来还「不够优美」，它才更有机会被变得更「优美」。
人类现有的大部分数学体系，其实是伴随物理学发展起来的。18 到 20 世纪的许多数学结构，与牛顿力学、电磁学、相对论、量子力学等物理理论相互促进，形成了今天这套非常成熟的语言。
AI 可能就是一种「新的物理」，而且它在结构上与传统物理很不一样。
物理学更像是一个从底层机制出发决定宏观行为的过程，是「从小到大」；
而 AI 更多是从大到小：先设计一个大框架，比如 Transformer 有几层、层与层怎么连接，先定下宏观结构，再在训练过程中逐步确定每一个参数。
这也解释了为什么如今 AI 在理论方向相对滞后：未必是做 AI 理论的人不够聪明，而是我们现有的数学语言，可能本来就不太适合描述 AI。
所以我希望未来会有更多受过基础数学、纯数学训练的人进入 AI 领域，去逐步创造一套更适合 AI 的数学框架。
这件事的影响力将非常巨大，其意义不会低于经典力学或相对论。
量子位：您会建议大学生多参加产业界的活动吗？比如去 OpenAI、谷歌实习。
苏炜杰：如果有机会，当然很好。但现在去大厂实习的门槛越来越高了。
这个时代信息获取的成本其实很低。如果目的是更好地了解 AI，完全可以去修几门计算机相关课程，或者找做 AI 的同学聊一聊。
自己部署一个开源模型也不难，亲手搭建一个 Agent，那种体验跟只在网页端对话完全不同，会让你的理解更加立体。
我也鼓励大家多关注新闻媒体的 AI 报道，最好每天都看。AI 的发展节奏非常快，几天就可能有明显变化。看得多了，你自然会对趋势有把握，也更容易产生兴趣。
量子位：现在很多人不愿意继续深造读博；就算读了，也有人会选择辍学，转去大厂做研究。
苏炜杰：在 AI 的冲击下，一些学校，尤其是排名不高的学校的价值确实会受到质疑。如果仅仅是为了「学东西」，这种价值在当下可能没那么稀缺了。
AI 这个领域很结果至上：只要你做出成绩，很快就能获得认可。你在 GitHub 上做出一个好项目，很快就能被全世界看到。
事实上，一些 AI 的关键技术，包括我自己关注的优化器方向，很多都是本科学历的人做出来的。
说实话，这让学界有点汗颜。按过去的经验，这类工作往往需要比较系统的博士训练才能产出。
但这种模式也存在隐患。现在很多论文作者是独立研究者（Independent Researcher），不在学校体系内。
这类论文常见的特点是想法天马行空；但有时错误也很多，论证漏洞和误差比较夸张，质量上下波动极大。
学校的反馈还是很重要，老师指导、考试机制，这些都会给你反馈，让你清楚自己掌握到了什么程度。
很多人觉得自己跟 AI 对话、靠 AI 学习就「学会了」，但其实基础没打牢，并没有真正懂。
量子位：学校里有老师、有考试，可以判断学生掌握得扎不扎实。但产业界也有反馈机制，能提供更多的算力，让学生更快验证想法。
苏炜杰：我觉得这也不是完全的竞争关系。无论如何，初等教育阶段仍然需要在学校体系里完成，这是基础。
另外，大厂也不是拥有无限算力。公司层面虽然不缺卡，但落实到具体的研究员或团队，资源依然是有限的，内部也存在竞争，并不是每个人都可以随时拿到无限量的算力。
如果让我给建议：在美国这边，我更倾向于建议学生先把课好好上完，不要高中毕业就直接去公司做 AI。
国内的话，目前对学历的重视程度总体还是比较高，但如果你真的觉得自己准备好了，也可以勇敢一点。
量子位：您现在在实际生活中会用 AI 吗？在您数学研究的工作流里，它的帮助程度怎么样？
苏炜杰：帮助越来越大。两年前 ChatGPT 刚出来时，我们主要用它做文字修饰。
但现在不一样了。AI 在学术上已经可以扮演一个很好的「随身合作者」。
这里的「合作者」不是指科研完成后再交给它提建议，而是当你做到一半、甚至还没成形时，就可以随时拿一个想法与它交流：这个方向行不行？这样做有没有漏洞？有没有更好的途径？
有时，它给出的反馈甚至会改变我原来的思路。
量子位：这几年学术界和产业界好像走得越来越远，很多学术人才也被吸到产业界。这种背景下，学术界有什么可以做的吗？
苏炜杰：学术界确实受到了很大冲击。博士生更愿意去业界，留下来走学术路线的人比以前少了很多。但我觉得这可能只是个短期现象。
正如 Ilya 所说，Scaling Law 带来的边际收益在下降，这是一个比较明确的趋势。
当 Scaling 的空间因为物理限制、成本限制而难以继续扩张时，大家就必须回到算法和结构上来——怎么在不增加数据、不增加算力的前提下，把现有资源用得更好？
这类在资源受限条件下寻求改进的范式，恰恰是学术界更擅长的。
量子位：AI 时代的学生，最重要的特质是什么？
苏炜杰：说实话，绝大多数大学现有的培养模式，不太适合 AI 时代。这也导致在美国这边，本科生就业冲击很大，很多人找不到工作。
陶哲轩最近在访谈中提到，数学学科的教学方式两百年几乎没变。他拿出两百年前柯西的教材，和今天的教材差别不大。
但 AI 会迫使这种局面改变。
人类在学习纯理论学科时，很多细节、偏技术的部分，可能会逐步转交给 AI。基本功仍然需要，但什么叫「基本功」可能要重新定义，因为人在熟练度上不可能超过 AI。
被动学习和主动学习的差距会越来越大。
过去在学校上课，差距没那么夸张，因为课堂的信息量有限，人与人之间的差异不会拉开到几个数量级。
但在 AI 时代，如果只是坐着听课，和那些主动探索，甚至自己利用 AI 创造工具的人相比，信息上限差太多了，未来的发展可能会差出好几倍。
— 欢迎 AI 产品从业者共建 —
� �「AI 产品知识库」是量子位智库基于长期产品库追踪和用户行为数据推出的飞书知识库，旨在成为 AI 行业从业者、投资者、研究者的核心信息枢纽与决策支持平台。
一键关注 � � 点亮星标
科技前沿进展每日见
睿迎网配资提示：文章来自网络，不代表本站观点。
