“大模型眼下的难题，却是苏炜杰的「舒适区」。 ”

作者丨胡清文

编辑丨徐晓飞

大模型正在走进一片没有地图的深水区。

Scaling Law开始撞墙、高质量数据接近枯竭、AI解释性问题依然没有解决，行业逐渐进入后Scaling时代。

越来越多人开始意识到，那些最关键的瓶颈，单靠工程经验已经无法突破了。

问题摆在眼前，能回答它的人开始登场。

5月30日，宾夕法尼亚大学沃顿商学院统计学教授苏炜杰宣布加入OpenAI，参与模型训练相关工作。

他是2026 COPSS会长奖得主，统计学界40岁以下最高荣誉14年来第一位华人获得者，刚刚完成从副教授到正教授的晋升。

站在学术生涯的顶峰时刻，他却转身走进行业最深处的风暴眼。

时机不像是巧合。

01

契机：去年十二月的一通视频

苏炜杰告诉雷峰网，促成他这次加入OpenAI的直接契机，是去年12月的一通Zoom视频。

“OpenAI 的研究员 Sebastien Bubeck 联系了我，问我有没有兴趣加入OpenAI。很多年前他还在学术界时，就关注过我在优化问题方面的工作。”

一句话，藏着两条信息。

一是OpenAI对理论研究的关注并非新近才有。二是苏炜杰在优化领域的工作，在AI圈早已广受关注。

苏炜杰的学术履历横跨高维统计、机器学习理论、因果推断、差分隐私与生成式AI。

2007年，他考入北大数院，以年级第一毕业，随后赴斯坦福统计系，师从统计学传奇人物Emmanuel Candès。

这般扎实的学术背景，塑造了他看待问题的方式：寻找复杂系统里的结构，而不只是得出一个可运行的结果。

国内数学圈，常把苏炜杰所在的北大数院2007级称为“黄金二代”。

这一级出了苏炜杰、邓煜、王虹、唐云清等后来横跨数学、统计、AI前沿的优秀学者。

对此，苏炜杰有他自己的解读，既不夸大，也不回避。

“回想起来，我们这一级确实很强，在北大时已经展现出日后的潜力，只是当时没有意识到。”

他认为，其实北大数院前后几个年级都非常出色，很大原因来自北大数学培养模式的成功，以及一群真正对数学感兴趣的同学聚在一起产生的群体激励效应。

“对我而言，我的底色是数学。数学训练给人的不是某个固定工具，而是在复杂问题里寻找结构的能力。”

但他也强调，自己并非一开始就奔着应用方向去的。

“因为各种机缘巧合，我本科时在微软亚洲研究院的实习，之后到斯坦福读博，比较早的接触到了机器学习和人工智能，这些经历奠定了我日后做应用数学研究的学术品味。”

提及当下去向选择，他的回答十分坦诚。

“到了我这个职业阶段，身边很多学术界的朋友已经在创业。”

但他选择投身OpenAI的原因，还是让人好奇。

苏炜杰解释道，很多自己长期关心的基础问题，今天正在大模型最前沿以非常真实、非常大规模的方式出现。

“在学校，我们组提出过不少关于AI算法的想法，但受限于算力和Infra，很难做大规模的实验验证。而在Frontier Lab，就没有这些问题。”

这番回答，传递出了一个清晰的思考。

他去OpenAI，不是为了离开学术，而是为了把学术问题研究做得更彻底，更多观点，欢迎添加作者微信 IHAVEAPLANB- 沟通交流。

02

OpenAI为什么需要数学家？

谈及入职OpenAI后负责的具体内容，苏炜杰表示暂时不便透露。

但他坚信，未来理论功底不错的人，开发AI模型的优势会被放大。

苏炜杰的判断，主要基于两个原因：

第一，Frontier Lab的Infra已经比较成熟，Coding Agent在研发中已经普及使用。

“这并不是说工程能力不重要，而是工程能力的重心发生了变化，idea的重要性会提升。稀缺的是提出好假设、设计好实验、定义好eval、及时的反馈、并判断能不能scale的能力。”

第二，大模型的性能提升已经进入深水区。

“普通对话能力对各家来说都已经饱和，拉开差距的突破点，在于高难度任务在复杂环境下能力的稳健性。这个时候，对数据的深刻理解会变得尤为重要，特别是对数据分布、泛化能力、和评估不确定性的洞察。”

他表示，也正是由于上述原因，现在有越来越多的统计学家、应用数学家、和物理学家活跃在 AI 领域。

苏炜杰所描述的不是一个人的职业判断，而是整个行业正在发生的能力重心迁移，不同见解，欢迎添加作者微信 IHAVEAPLANB- 沟通交流。

过去三年，AI行业最核心的竞争，在于谁拥有更多GPU、更大的数据中心、更强的工程团队。

但是在今天，新的问题正在浮现。

对齐税怎么算？

合成数据的崩溃风险如何量化？

训练过程的收敛性能不能被严格证明？

......

这些问题，已经逐渐超出传统工程优化能够解释的范围，越来越像数学问题。

03

他关心的问题，正是大模型头疼的问题

在采访苏炜杰之前，雷峰网梳理了他过去几年的论文方向，发现一个有趣的现象：

他的研究重点，与当下大模型在训练和应用中遇到的某些瓶颈高度相关。

这并非巧合，两条路径都指向了同一个核心问题，不确定性。

统计学研究的本质就是处理不确定性，而今天的大模型，恰恰建立在诸多不确定性之上。

以下是他对几个核心问题的判断：

Scaling Law真的存在绝对上限吗？

硅谷过去几年笃信Scaling Law，认为算力、数据、参数只要指数级堆上去，AGI就会自然涌现。

但当下，回报率在下降的信号越来越明显，Scaling Law真的要撞墙了吗？

这个问题苏炜杰两年前就思考过，他认为不会有一个完备答案。

“算力和参数量相对是良定义的，但数据不是一个良定义的单一变量。两份同样大小的数据，信息密度、任务结构、长尾覆盖、可验证性可能完全不同，Scaling Law可能在一个数据上成立，而另一个不成立。”

他还指向了一个被很多人忽略的维度。

“因为AI引擎的普及，这个世界产生数据的速度比任何时期都快。真正的问题是，这些新生成数据的智力密度，和早期更自然、更原生的数据相比，能不能维持模型能力继续scale上去，这个问题需要实证研究。”

对齐税在数学上有解法吗？

越对齐越变笨，是眼下AI行业最令人头疼的问题之一。

为了让模型符合人类的安全和道德规范，RLHF（人类反馈强化学习）会破坏模型的微观数据分布，导致推理和生成能力下降。

这就好比你让一个天生自由奔跑的机器狗学会走直线，它的速度和敏捷性不可避免地会受到限制，这就是所谓的对齐税。

那么这个问题真的无解吗？

“‘对齐税’直觉上很容易理解，没有两全其美的事，不同指标之间确实存在一定此消彼长。但越对齐越变笨一定程度上是可以缓解的。随着模型能力增强，对齐对能力下降的影响是可以降低的。”苏炜杰表示。

至于有没有可能在数学层面推导出一个完美边界，他打了一个物理学的比方：

“大模型由于规模巨大、结构复杂，其实有点像一个巨大的物理系统。理论比较容易成功指导的，往往是微观和宏观两个尺度：微观上，像Muon优化器这类方向；宏观上，比如Scaling Law。”

苏炜杰认为，真正难的是介于二者之间的中间尺度，那里有数据、模型、任务和人类反馈的复杂相互作用。就像物理在高能粒子物理和宇宙学上很成功，但对介观尺度的生物系统解释起来难度很大。

“有志于为 AI 建立有实际指导价值理论框架的同学，可以参考这个物理类比。”

合成数据这条路走得通吗？

当人类高质量数据被大模型吃光，行业开始大规模用AI生成的合成数据训练下一代模型。

随之而来的警告是，这也许会导致模型崩溃。

对这个问题，苏炜杰的判断干脆利落。

他认为，模型崩溃主要来自直接、不加任何处理地反复使用合成数据。从理论上讲，这几乎是必然的。因为反复直接用合成数据，AI模型就成了一个没有跟真实世界互动的封闭系统。

“这样的话数据分布就会越来越窄，借用一个不完全严格的说法，这有点像熵增，封闭系统最终会走向退化。”

但苏炜杰认为，这并不意味着合成数据这条路走不通，更多一手采访资料，欢迎添加作者微信 IHAVEAPLANB- 沟通交流。

“关键不在于数据是不是AI生成的，而在于生成和筛选数据时有没有加入外部信息。现在已经有很多工作在研究，怎样在合成数据时小心地加入人类先验和环境反馈，这样合成数据就成了一个带反馈的开放系统。”

思维链真的能让模型更理性吗？

思维链带来的模型推理跃升，在很多人眼里仍然是个谜。

苏炜杰直言，他曾经甚至想过思维链的反面：

能不能减少token，要求模型直接输出答案，通过提高训练难度来提升模型推理能力。现在看，这个想法可能是错的。

“因为很多复杂问题里，正确答案未必以一个很清晰的形式存在，需要通过大量思考找到相对合理的答案；即使正确答案存在，也往往需要经过很多看起来不正确的路径，最后才能找到。”

对此，他给出了一个偏哲学的解读：

“这是世界不完美、绝对理性不存在的一个例证。”

04

AI正在拆掉“象牙塔”的高墙

外界常有一种刻板印象，认为学术界和业界之间存在着一堵高墙。

尤其是在AI这样节奏极快的领域里，两者之间的文化摩擦似乎必然存在。

苏炜杰指出，其实美国高校“象牙塔”的围墙，并没有大家想象的那么高。

“学校经费大多来自政府和业界的资助，因此尽管学校层面赋予教授充分的自由，许多教授仍会自发地将科研与业界发展、尤其是AI紧密结合。即便是纯数学领域，也有不少学者开始主动拥抱AI，这一点与欧洲学术界形成了鲜明对比。”

从宾大沃顿到OpenAI，在他看来，虽然工作模式有所变化，但所追求的东西并没有根本性不同。

“就目前而言，AI的智能呈现出博远超人类，精不及专家的特点。涉猎之广远超个人所能，但在专业纵深上尚不及顶尖的知识工作者。而学术界恰恰相反，精益求精有余，广博略显不足，二者构成了极好的互补。”

苏炜杰预计，未来 AI 的持续进化，尤其是专业领域能力的进一步提升，将离不开与学术界的深度协作。

这种互补，或许也是理解他这次选择的另一个角度。

“象牙塔”并没有倒，但它和外部世界之间的通道，正在变得越来越宽。

当一位统计学家决定走进风暴眼，他看到的，或许正是那些工程师还没来得及定义的问题。

注：文中所载苏炜杰观点仅代表个人立场，不代表 OpenAI 官方立场。