统计学「诺贝尔奖」颁给了一名华人量子位
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。
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。
