苏炜杰加入OpenAI：Scaling Law撞墙后为何需数学家出手

背景

当前，人工智能大模型的发展正步入一片“没有地图的深水区”。随着 Scaling Law（缩放定律）遭遇瓶颈、高质量人类数据接近枯竭，以及 AI 可解释性难题仍未解决，行业逐渐进入“后 Scaling 时代”。在这一阶段，单纯依靠工程经验和算力堆叠已难以突破关键瓶颈，行业开始意识到需要更深层次的理论支撑。

在此背景下，宾夕法尼亚大学沃顿商学院统计学教授、2026 COPSS 会长奖得主苏炜杰宣布加入 OpenAI，参与模型训练相关工作。苏炜杰是统计学界 40 岁以下最高荣誉 14 年来首位华人获得者，其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。他的加入被视为 AI 行业从“工程驱动”向“理论驱动”转型的一个标志性事件，也反映了前沿实验室对基础科学研究的重视。

核心内容

苏炜杰的加入并非偶然，其直接契机源于去年 12 月 OpenAI 研究员 Sebastien Bubeck 的邀请。Bubeck 在学术界时期便关注苏炜杰在优化问题方面的工作。苏炜杰认为，在 Frontier Lab（前沿实验室）级别，Infra（基础设施）已相对成熟，Coding Agent 普及，这使得提出好假设、设计实验和定义评估指标的重要性超过了单纯的编码能力。他选择离开学术界顶峰投身 OpenAI，并非为了脱离学术，而是为了在拥有大规模算力和真实场景的环境中，彻底解决那些在学术界受限于实验条件而无法验证的基础问题。

在访谈中，苏炜杰针对大模型领域的几个核心痛点进行了深度解读：

关于 Scaling Law 的上限 苏炜杰认为 Scaling Law 不会有一个完备的绝对上限答案，因为数据并非良定义的单一变量。不同数据的信息密度、任务结构和长尾覆盖差异巨大。当前的核心挑战在于，由 AI 引擎生成的新数据，其“智力密度”能否维持模型能力的继续扩展，这需要实证研究来回答。

关于“对齐税”与越对齐越笨 为了让模型符合人类安全规范，RLHF（人类反馈强化学习）往往以牺牲微观数据分布为代价，导致推理和生成能力下降，即“对齐税”。苏炜杰指出，虽然不同指标间存在此消彼长，但随着模型基础能力的增强，对齐带来的负面影响是可以降低的。他借用物理学类比，认为大模型如同巨大的物理系统，理论在微观（如 Muon 优化器）和宏观（如 Scaling Law）尺度容易成功，但最难的是介于二者之间的“介观尺度”，那里涉及数据、模型、任务和人类反馈的复杂相互作用。

关于合成数据与模型崩溃 针对大规模使用 AI 生成合成数据可能导致模型崩溃的风险，苏炜杰认为，直接、不加处理地反复使用合成数据确实会导致数据分布变窄，类似封闭系统的熵增退化。但这并不意味着合成数据不可行，关键在于是否在生成和筛选过程中加入了人类先验和环境反馈，使系统成为“带反馈的开放系统”，从而避免退化。

关于思维链（Chain of Thought）的本质 对于思维链带来的推理跃升，苏炜杰曾思考过反面方案（减少 Token 直接输出），但认为其错误。他解释称，复杂问题的答案往往不存在于清晰的直接路径中，而是需要经过看似不正确的多步思考才能找到。这反映了世界的不完美性和绝对理性的不存在。

学术界与业界的互补 苏炜杰指出，美国高校与业界联系紧密，教授们自发将科研与 AI 发展结合。他认为目前 AI 智能呈现“博远超人类，精不及专家”的特点，而学术界则“精益求精有余，广博略显不足”。两者的深度协作是未来 AI 持续进化，尤其是专业领域能力提升的关键。

关键要点

• 行业转折点：AI 行业正从依赖算力堆叠的工程时代，转向需要统计学、应用数学和物理学理论支撑的深水区。
• 人才流动信号：顶尖统计学家和数学家加入 OpenAI，表明理论功底在开发 AI 模型中的优势将被放大，尤其是处理不确定性、数据分布和评估能力。
• 数据质量重于数量：Scaling Law 的有效性取决于数据的“智力密度”而非单纯规模，AI 生成数据的价值需通过实证研究验证。
• 缓解对齐税：随着模型基础能力提升，RLHF 带来的能力下降影响可被降低；理论突破点在于解决微观与宏观之间的“介观尺度”复杂相互作用。
• 合成数据的路径：模型崩溃源于封闭系统的熵增，解决之道在于引入人类先验和环境反馈，构建开放的数据生成系统。
• 思维链的哲学解释：思维链的有效性源于复杂问题答案的非线性特征，反映了现实世界的不完美性。
• 产学研互补：业界擅长广度与工程落地，学界擅长深度与理论严谨，未来 AI 的专业化突破离不开两者的深度协作。

意义与影响

苏炜杰加入 OpenAI 不仅是个人职业选择的转变，更是 AI 行业能力重心迁移的缩影。它标志着解决大模型深层瓶颈（如可解释性、数据效率、对齐机制）不再仅仅依赖工程技巧，而是需要回归数学和统计学的底层逻辑。

这一趋势预示着未来 AI 研发将更加重视基础理论研究，统计学、应用数学和物理学背景的人才将在模型架构设计、训练策略优化和数据治理中扮演更核心的角色。同时，这也打破了外界对学术界与业界存在“高墙”的刻板印象，展示了两者在解决复杂 AI 问题上的互补性与融合趋势。对于整个行业而言，这意味着在 Scaling Law 放缓的背景下，通过理论创新挖掘数据价值、优化训练过程，将成为突破 AGI 瓶颈的新路径。