最近，UniPat AI 宣布启动 UniPat Fellows 计划，未来一年将投入一亿元，邀请科学领域的顶尖研究者与 UniPat 研究员、工程师共同开展研究，并提供每人 50 万元的模型 API 调用额度，以及专业数据、专家网络、具有竞争力的薪酬和科研所需的算力与环境。
今年下半年，国内的确有不少 AI 大厂和创业公司相继发布了面向科学家的人才招募计划，试图让人类专家的知识、经验、判断更多地参与到 Scaling 中。这些动作共同说明了一个值得关注的趋势，AI 公司正在尝试把能力边界，从模型本身延伸到现实世界中那些尚未解决的问题。
而对 UniPat AI 来说，这并非近期才开始探索的新方向。连接智能与现实世界——UniPat AI 从 Day1 就确立了下来。
图源 UniPat AI 官方微信公众号第一篇内容
过去几年，AI 行业的竞争主要围绕模型能力展开：谁能训练出更强的模型，谁能更有效地利用算力，谁能提升推理效率、降低使用成本。AI 能力的提升，很大程度上发生在数字世界之中。但当模型逐渐具备更强的推理、编码和工具使用能力，一个新的问题也随之浮现：
模型接下来应该学习什么？又该用什么标准来检验能力的提升？
这或许是理解 UniPat Fellows 以及其他一系列人才计划的一个重要切口。科学家带来的不只是专业知识，更包括对真实科研问题的理解、对研究任务的定义，以及对结果是否可信的判断。如何将这些专业判断与模型训练、评测和迭代相连接，正是 AI 持续进化的关键一环。
让懂问题的人和懂 AI 的人一起工作
UniPat Fellows 正在建立这样的协作机制：
每位 Fellow 都可以从自己熟悉的研究问题出发，找出其中今天仍依赖专业研究者、未来可能由 AI 完成的任务。先建立评测基准（benchmark），评估模型在这些任务上的表现；再将专业软件、仿真系统和实验反馈接入可交互的环境，让 AI 提出方案、使用工具，并根据反馈不断改进。
评测能够识别模型在真实研究任务中的能力缺口，并验证后续改进的效果。随着模型逐步胜任这些任务，它也能协助 Fellow 推进原有课题。
可以说，Fellows 与 UniPat 的研究员一起厘清了AI for Science 中最难的环节之一，把任务设计成可评测、可训练、可规模化的形式。
研究方向不设固定的学科边界，无论问题来自物理、化学、生物、医药、材料、芯片设计，还是其他领域，只要是真实世界中的重要问题都被支持。
这条路径可以形成一个闭环：真实问题提供任务，专业环境提供空间，专家反馈检验结果，评测帮助识别模型的能力缺口，而后续的模型改进又需要在新的任务中接受验证。如果这一机制能够持续运转，真实任务及其反馈就会成为模型持续学习和能力提升的来源。
如果未来 3 个月只推进一个问题，你选择什么
当大语言模型发展到一定阶段，现有数据已难以支撑其持续进化，此时就需要让各行业的研究学者带着大模型把知识边界更快向外推。
而最终 AI 的能力边界，可能由它能够参与解决的真实问题来定义，也取决于能否在解决问题的过程中持续获得新的经验。
UniPat Fellows 正在尝试的，就是把懂科学问题的人与懂 AI 模型的人组织到一起，将真实的科研问题转化为模型可以探索、执行和验证的任务。
对许多垂直领域的科研人员而言，他们有很多好的想法，最后卡在了“条件不够”四个字上。但生物学的问题不会因为工具不够而变得不重要，耐药的患者也不会等研究者慢慢补齐短板。
如果你也有一个问题在心里构想了很久，缺的是一支能把想法落地的 AI 技术团队，和一套真正能用的资源，UniPat Fellows 希望为你提供与 AI 研究员、工程师协作的机会。
不妨先想一想：如果未来 3 个月只能推进一个当前 AI 还无法完成、但值得完成的问题，你会选择什么？为什么？然后给 UniPat Fellows 写个邮件 [email protected]。
或许，这就是一次新的研究探索的起点。
