前沿AI公司或将成为21世纪的“贝尔实验室”

原创范阳 2025-08-07 17:49 上海

Show me the money，GPU and attention.

“雪原依旧纯净无暇，

从未有飞鸟在那片圣洁的雪白上留下爪痕。”

21 世纪最先进的科学研究与发现实验室，可能仅仅存在于世界上几个地址当中，也可能根本没有地址。它可能是一个新的网络和经济体，也可能是一群人与机器的“信任链”与元协议，为所有人创造更公平的价值。

但如果今天有人提出这个问题：谁会成为“21 世纪的贝尔实验室”？是 OpenAI、谷歌 & DeepMind、我们中国的科研产业集群，还是未来某个 AI 新实体？从资源资本的实力、人工智能与自然科学顶级人才密度、GPU /算力基础设施等“概率上的”角度来看，答案更倾向于在最具实力的前沿 AI 实验室当中。

“Show me the money and GPU”, 这是今天绝大多数科学家们面临的困顿。

自然科学是人工智能真正的前沿，人和人工智能一起探索自然也是那个终极游戏，有一天它会是让人感到深度快乐的，不会像现在一样艰深（当然也会有惊喜与刺激，汗水和眼泪，像是《星际穿越》里那样）。

今天分享的这篇文章来自于 Jolie，很欣赏她的多元身份和做的事情，她是一位即将开启神经科学博士研究之路的学生，作为创作者她发起了“困顿科学家研究部（ The Distressed Scientists Department ）”，她在网站上的介绍：The Distressed Scientists Department 是一本实验性的笔记，记录了在 21 世纪做科学的艺术、建构、痛楚与荒谬。你将进入一个鲜活的合集，收录了散文、案例研究和带有敬意的批注，共同探索科学进步与研发未来的脉络。”

她也分享了自己看待科学的价值观，也说出了我的心声：

“科学不是某种产品，而是一场求索的过程、一次发自好奇心的实践，亦是一门艺术。

我们为未完成之物留出空间。为不确定的，为进行中的。这里的内容未必总是工整清晰。

美至关重要。形式与功能本无冲突。叙事可以神圣，交互亦能启迪。在内容与秩序之间，创造一种优雅的互动体验。

交汇催生进步。艺术、科学与人文并非割裂的疆域。它们共存于每个人，也能交融于公共领域。致敬先辈科学家与研究者的同时，莫忘艺术家、作家、电影人及其他创造者，他们同样塑造了今天的我们。想想文艺复兴时期吧。

将科幻拉近“科学”而非“虚构”。许多曾被嘲为“不可能”的构想，如今正重塑我们的世界。无限可能，确有可能。”

“我们研究科学，不是为了光环，而是因为我们是人类（ We study science not for prestige, but because we are human ）。

这是一个起点，为新的内容形式奠基的平台。一切都不是定数：我唯一知道的，是它会始终围绕科学与叙事旋转。唯一的确定，就是它会不断演化。”

非常推荐订阅她的“写作通讯”，在原文链接里你能找到。我也希望我的公众号能成为这样的基础，如果你希望一起来搭建内容和技术产品，也欢迎找到我。

所以我倾向于相信什么呢？我们的世界比我出生的 20 世纪末更加复杂、更加紧密互联。世界的高度复杂性决定了科学不会被商品化，科学本身是不确定的，没有任何单一机构，哪怕拥有顶级工程师和巨量资金，也无法预测重要的突破从哪里产生，以及独立完成人类最重要的研究任务。

所以我相信费曼教授曾经的愿景，人工智能到科学研究会是开放的网络，即使短期不是这样。

希望今天的文章对你有启发。

下一个贝尔实验室已经出现了，

就在某家前沿 AI 公司中。

Entry 004: The Next Bell Lab is Already Here. It's in One of the Frontier AI Firms.

如果 21 世纪真的出现了一个新的贝尔实验室，

谁有能力来领导它？它又会是什么样子？

If a 21st-century Bell Labs were to emerge, who could actually run it, and what would it look like?

作者：Jolie, Distressed Scientists Dept

编辑：范阳

发表日期：2025年7月22日

欢迎来到「困顿科学家研究部」（ The Distressed Scientists Department ），这是一个纸面上的实验性实验室，致力于探索 21 世纪科学研究的艺术与苦楚（ an experimental lab on paper exploring the art and ache of scientific research in the 21st century ）。如果你是第一次来，我诚挚邀请你阅读我们的宣言（ manifesto ）。

本篇文章还附有一份财务附录，包含预计资本支出（ CapEx ）与压力测试结果，供你在阅读时参考。

我第一次读 Jon Gertner 的《创意工厂》（The Idea Factory）是在15岁那年，记得当时一页接一页地读下去，内心的兴奋如同渐强的音符不断高涨。对那个热爱科学的少年而言，贝尔实验室就是一片应许之地。

贝尔实验室的镜像超级街区。摘自《RECORD》档案馆。

然后我发现，这家实验室在我出生前的二十年就已经没落了。而等我上幼儿园时，它的物理部门只剩下四位科学家。

在 20 世纪中叶的巅峰时期，贝尔实验室每年申请大约 503 项专利（令人惊讶的是，平均每天就超过一项），其“单个研究员的产出比”至今没有任何现代机构能够匹敌（ an output-per-researcher ratio no modern institute has matched ）。每次我把这个数字告诉朋友们时，他们总会立刻问我：我们为什么没有一个 21 世纪的同类机构？又需要什么条件才能建立一个（ Why don’t we have a 21st-century equivalent – and what would it take to build one ）？

我们或许再也不会有一个单一的、拥有市场霸主地位的大型研发巨头了（ we probably won’t get a single, hegemonic R&D behemoth again ）。如今的资本和人才早已广泛分布（ Capital and talent are widely distributed ）。即使是 Web 2.0 时代后出现的 Google X，也远未能像当年的贝尔那样一统天下。现代业界实验室也往往专注于某个细分领域（ Modern corporate labs also tend to narrow into domains ）：Verily 专注生物医疗，丰田研究所聚焦机器人，Arc Institute（注：与 Stripe 无直接关系）专攻生命科学底层突破。

延伸阅读：Arc Institute 与 Convergent Research 深度访谈：FROs、元科学运动、 ARPAs、快速资助。

聚焦能让战略更清晰，但也容易让探索陷入“筒仓效应”（ Concentration makes strategy cleaner, but it also siloes discovery ）。如果每个重要的实验室都只选一个专属领域，那么那些天生跨学科、异想天开的“登月项目”由谁来资助（ If every major lab chooses a single niche, who funds the weird cross-disciplinary moonshots ）？现在还有哪一个组织，有能力运行和驾驭一个既跨学科、又具工业级规模的实验室（ Which organization today is even capable of running a laboratory that is both cross-disciplinary and industrial-scale ）？

目前最接近 AI 前沿的几家公司：OpenAI、Anthropic 和 Google/DeepMind，正好处在几乎所有科学与商业领域的交界处，它们掌控着足够规模的资本与算力资源，能够支持持续长达十年、跨多个领域的研究（ operate at the interstice of nearly every scientific and commercial field and control a capital & compute stack large enough to bankroll decade-long, multi-domain research ）。这种独特的组合，让它们成为最有可能孕育下一个“贝尔式”企业研发实验室的候选者，尽管它们或许永远无法再现贝尔当年在市场上的主导地位。本文，我将尝试探索这类实验室在今天可能的样貌。

免责声明：笔者从未供职于上述机构，且其内部数据多属机密。我们所讨论的"企业研发实验室"（ a corporate R&D lab ）构想，或许已在推进，或许早已搁置。本文也并非宣称前沿 AI 公司是创新断层的唯一解药。事实上，我将详述潜在陷阱与失败可能。这篇文章的目的是提供一个大致的框架。

如果你正在建设或资助类似的事情，或者愿意聊聊，欢迎通过 X（推特）、邮箱 joliegcy@gmail.com，或在 Substack 上私信联系我。

目前，我将这份“框架”划分为以下几部分：

1. 历史模式对照 Historical pattern-match

为何强劲的现金流和生死存亡的押注，催生了贝尔实验室、Xerox PARC 和 BP Venture Research，以及这些宏观前提如何再次在前沿模型公司周围重新浮现。

2. 当下的行为信号 Current behavioural signals

驻地学者计划（ Residency cohorts ）、博士奖学金（ PhD fellowships ）和微型风投基金（ venture micro-funds ）等举措，正复刻昔日工业实验室的孕育轨迹。

3. 建立一个广谱内部实验室的可能 Case for an internal, broad-spectrum lab

从收益、风险到现实约束，包括实验室架构蓝图与既有条件限制。

4. 仍待解答的问题 Open questions

治理结构、环境影响，以及在 AI 仍是核心驱动力的前提下，此类研究能否保持"开放科学"（ open science ）属性。

为何还要重提工业实验室的构想？

Why entertain the industrial lab question at all?

毕竟，2020 年代的现实与孕育出贝尔实验室或 PARC 的年代截然不同。如今，基础（甚至复杂）科研已经可以通过 FROs（ Focused Research Organizations，聚焦研究组织）、风险工作室（venture studios），甚至是靠着一个周末的 Colab 点数在 arXiv 上发论文的独立研究者来实现。如果知识的生产力已经如此“民主化”，而任何单一实验室都不可能像当年的 AT&T 那样垄断突破性的进展——那我们为什么还要重新把“特许、跨学科的研发机构”这个古老构想搬回讨论桌？

问题的关键不在于是否已经有其他研究机制存在——它们确实存在，许多也早已证明了自己的价值。真正的问题是，我们是否真的能忽视眼下这场罕见的资本、人才与紧迫感的三重共振。

当我提到一个“工业级 R&D 实验室”（ industrial R&D lab ）时，我指的是这样一种机构：

在条件允许的范围内，践行开放科学（ open science ）

以广泛的公众利益为导向（ broad public benefit ），而非局限于企业收益

不被狭窄的学科分工所限制，能够支持真正的跨学科研究

为多年期高风险项目提供充足资源与基础设施

早在 2022 年，诺亚·史密斯（ Noah Smith ）就在《重建贝尔实验室的梦想》（ The Dream of Bringing Back Bell Labs ）一文中提出了类似问题。但从那时起，资本与算力的集中度进一步加剧，OpenAI 的训练成本已达数亿美元，Anthropic 融资高达 40 亿美元。这种对计算资源和资本的强势集中，反而让“工业实验室”重现的可能性更大了。

等等，Google X、Google Brain 不就是 R&D 部门吗？

是的，类似的企业研发部门确实存在（当然，Google Brain 现在已经不复存在），但我想提出的是一个更具聚焦性的假设：如果是一家以 AI 为核心的公司主导这个实验室，会是什么样？

Google 的研究体系极为庞杂，涵盖 Google Research、DeepMind、X、Verily 等多个组织，变量太多，难以形成统一愿景。本文聚焦的是头部 AI 公司。我将 DeepMind 视为 Alphabet 旗下独立的 AI 原生组织（ AI-native organization ），而非谷歌研究帝国的一部分。

历史先决条件与激励模式

Historical Preconditions & Incentive Patterns

历史上有哪些成功的广谱实验室案例？它们背后又依赖什么样的“结构性营养”？无论是行业还是时代背景多么不同，那些真正推动科学和技术飞跃的工业级 R&D 实验室，几乎都依赖同样的六大结构要素（ structural nutrients ）。

下表总结了这六要素如何在不同时期和不同机构中得以体现，包括：

贝尔实验室（Bell Labs）

施乐帕洛阿尔托研究中心（ Xerox PARC ）

BP风险研究项目（ BP Venture Research ）

飞利浦国家实验室（ Philips NatLab ）

传统实验室蓬勃发展的六大"结构养分"

（数据来源：诺基亚、大英百科全书、Works in Progress、EBSCO、兰德公司、飞利浦）

延伸阅读：唐·布雷本：风险科研 (Venture Research) 如何挑战传统科学资助体制？

那么，今天的前沿 AI 公司是否有能力“效仿”（而非复制）这些实验室的经验呢？

有趣的是，我们已经能看到它们在孕育过程中出现了类似的早期迹象。那六大曾滋养贝尔实验室、PARC、BP 风险研究、飞利浦 NatLab 的“结构性营养”，如今正在三家掌握算力主权的 AI 公司( the three compute-sovereign AI companies ) 体内悄然发芽, 唯一的不同，是节奏和规模已今非昔比。

共享的推论：

受保护的现金流、稳定的人才输送管道、跨学科交流机制，以及以公众利益为导向的治理结构 —— 所有曾驱动 20 世纪科研巨头的特征，如今都已在 Anthropic、OpenAI 和 DeepMind 内部再次出现。

虽然相关性不等于因果性，但重点在于：这些条件曾经促成重大突破，如今正在重新浮现，尽管它们并不保证未来一定会产生同样的成果。

信息来源：Axios，Anthropic，Anthropic Fellows 项目，Anthropic Economic Index，OpenAI，OpenAI Preparedness Framework，Google Cloud，Google Research。

为何前沿 AI 公司是当代最佳载体？

Why Frontier Firms are Best Suited Today

三大趋势表明，跨领域研发实验室最适合在前沿 AI 公司中孕育（ housing a cross-domain R&D lab inside frontier AI companies ）：

1. 基础研究的长期投资不足

Chronic under-investment in fundamental research

尽管企业在研发上的支出巨大，但大多数投入都用于产品开发，而非开放式的基础研究（ product development rather than open-ended research ）。基础研究是一种公共产品（ Fundamental research is a public good ），其收益远超发明者本身，因此私营企业往往投资不足。

大学虽然擅长深度科研，但往往按学科分割，很难实现贝尔实验室时代那种“受应用启发的基础研究”（ use-inspired basic research ）。目前，我们正严重缺乏那种兼具基础性与应用性、能推动整个经济体系进步的研究（ We're under-investing in the kind of fundamental yet application-oriented breakthroughs that fuel economy-wide progress ）。

注：本文也提及了其他填补 R&D 缺口的新型模型，例如 Bell Labs 之后发展出的模式，详见脚注2。

脚注2:

聚焦研究机构（ FROs ）和专业领域实验室虽然填补了一些空白，但其作用仍受限于范围狭窄。

近年来，一些有远见的科学家和资助人提出了新的组织结构，试图解决特定的科研问题。其中之一就是“聚焦研究机构”（ Focused Research Organization，简称 FRO ）。它本质上是一个使命驱动型的科研初创团队，组建起来解决某个中等规模的挑战，时间上设有明确期限（ essentially a mission-driven research startup that assembles a team to solve a specific mid-scale challenge in a fixed timeframe ）。FRO 的目标是产出传统资助渠道容易忽视的公共物品，比如数据集、工具、原型系统等。

但重点是，FRO 有意保持聚焦：每个 FRO 只攻克一个清晰定义的问题，通常在几年后就会解散或转型。这种聚焦避免了官僚化和拖延，但也意味着它们无法像贝尔实验室那样，形成跨学科的“意外惊喜型”创新生态系统。与其说它们是科研园区，不如说它们是威力强大的点射步枪，而非广撒网的基础研究文化。

类似地，今天很多大型公司也设有“实验室”或研发部门，专注于特定领域——比如制药公司设有药物发现实验室，科技公司有 AI 或量子计算实验室，航天企业则有推进系统实验室。这些机构的确重要，但从定义上讲，它们都局限于某一个垂直领域。

我们今天真正缺乏的，是一个能让多个学科交叉授粉、自由探索、跨领域协作的空间，这正是过去那些伟大工业实验室最显著的特征（ What’s missing is a place with the cross-pollination of multiple disciplines and the freedom to range across scientific fields that characterized the great industrial labs of the past ）。

那慈善资助呢？

确实，像陈-扎克伯格研究计划（ Chan Zuckerberg Initiative ）、西蒙斯基金会（ Simons Foundation ）这样的慈善项目，为基础研究提供了关键资金支持。

然而，即便是最大的慈善承诺，在今天的前沿 AI 时代面前也显得力有未逮。例如，美国国家科学基金会（ NSF ）2024 年的全年预算为 85 亿美元，甚至不足以支撑一次 GPT-5 等级的大模型训练。

目前一次主流 AI 模型的训练成本，往往已超过许多基金会在全年对各领域科研的总资助。

那为什么不直接扩展现有的企业实验室，比如 Google X？

原因在于，企业的季度财务压力，与基础研究的长期时间尺度之间存在根本性张力。

尽管 Google X 打着“登月计划”的旗号，现实中却越来越受到短期商业成果的压力。尤其是一些风险投资者并不认同其“开放科学”的初心，这也导致许多抱着理想主义加入的研究人员陆续退出。

比如，受到果蝇大脑启发的神经网络研究项目就曾被终止，并不是因为它在科学上失败，而是因为它“缺乏明确的商业化路径”。

这一趋势反映出当代企业 R&D 面临的更广泛困境。Arora 等学者的研究指出：由于市场竞争加剧、技术生命周期缩短、投资者要求更高，大型企业实验室很难再恢复昔日的战略地位。历史上的贝尔实验室之所以成功，是因为它受到监管保护与长期资金承诺的双重庇护，而这两点在当今的企业环境中已难以复现。

2. 前沿规模的算力成本排除了大多数参与者

Frontier-scale compute costs that exclude most actors

若 20 世纪实验室的繁荣得益于当时"技术货币"（ technological currency ）（如 AT&T 电话垄断）的充沛供给，那么当代的"稀缺资源"（ unique conditions ）是什么？

1. 算力瓶颈（ Compute chokepoint ）：

超越监管算力阈值的模型仅来自 OpenAI/Anthropic/DeepMind 三巨头

全球具备超大规模训练能力的机构不超过 10 家（ 2024年AI指数报告）

2. 资本高度集中（ Concentrated capital ）：

10²⁵ FLOP级训练成本：700-1000万美元

10²⁶ FLOP级训练成本：7000万-1亿美元

正是这些公司，已掌握了数十亿美元的“干粉”（可调配资金）：

Microsoft 与 OpenAI 的 100 亿美元合作协议

Alphabet 每年超 700 亿美元的自由现金流

Amazon 向 Anthropic 提供的 80 亿美元云计算额度

这些资源让它们有能力吸收下一轮数量级的训练成本上升，无需外部资本援助。

前沿模型最终训练的硬件折旧成本与能源成本摊销（ Amortized hardware cost plus energy cost for the final training run of frontier models ）。

选定模型均属于其时代中前 10 大计算密集型模型之一。这里所述的“折旧硬件成本”是通过训练芯片小时数与折旧后的硬件成本的乘积计算得出，并在此基础上额外增加 23% 的集群级网络开销。

图表中的空心圆点表示使用了估算的 Google TPU 硬件成本，这类成本通常比其他项更不确定，因为后者使用的是实际价格数据而不只是估算。

3. 社会公益与快速反馈

Social good and rapid feedback

在政策周期滞后于技术周期的环境中，制造冲击的前沿公司同时也是最有能力快速响应、进行测量的参与者。每家公司都已经开展了面向公众的项目：Anthropic 的《经济指数》（发现美国已有 36% 的工作任务已涉及 Claude 级别的 AI ）、OpenAI 的《预备性框架》及其安全检查点、DeepMind 内部的责任与透明度团队，但这些项目目前仍是各自为政的。一个经过授权的跨领域实验室可以将这些努力整合为一个统一的闭环：实时捕捉外部性，将其直接反馈进产品设计与对齐研究中，把私营能力转化为持久的公共资产，并传递出透明治理的信号，从而维系（至少是表面上的）公众信任，我们知道，这正是前沿公司极为在意的。

可行性评估清单：谁真正具备运营此类实验室的资质？

Suitability Checklist - Who Could Actually Run Such a Lab?

（数据截至 2024 年第二季度）

此处将 50 亿美元列为资本缓冲门槛的依据说明。

注4:

灵活的资本缓冲（至少 50 亿美元的毛利或等值的算力信用）作为当代的必要条件，是基于对“贝尔实验室”规模工业研发实验室运营经济学以及当今前沿 AI 实验室资源需求大幅增长的综合考量。

贝尔实验室在 1982 年预算峰值约为 20 亿美元。根据 1982 年至 2025 年美国累计通胀调整，折合成 2025 年的货币约为 75 亿美元，远高于 50 亿美元的门槛。这个数字符合此类实验室高额固定成本、长期时间跨度以及庞大员工规模的特征。

50 亿美元的最低灵活资本缓冲不仅有充分理由，而且从历史标准来看对贝尔实验室规模的工业实验室而言是保守的，同时在当今前沿AI领域进行广泛、多年代、开放式科学研究几乎是必需的。任何希望达到贝尔实验室规模、持续时间及跨领域影响力的实验室，都需要至少这一规模的资本基础。

发展进程正在急剧加速（ How fast the playbook is compressing ）。从公司创立到首个研究员计划乃至完整实验室启动的时间（根据成立年限调整后）。如今的前沿AI公司，尤其是在人才招募方面，正以不到6年的时间达成类似里程碑。

贝尔、施乐和英国石油公司仍然花费了 40 至 70 年时间才建立起独立实验室。“第二代”科技宠儿（谷歌、谷歌X ）则用了 8 至 12 年。前沿模型的公司（ OpenAI、Anthropic、DeepMind ）在 4 至 6 年内就达到了他们的第一个研究员计划阶段，按照这个加速趋势，它们很可能在成立不到十年时就建立起完整的实验室体系。

为什么前沿 AI 公司建立内部研发实验室是有意义的？

Why an Internal R&D Lab Could Make Sense for Frontier AI Firms

这对公司本身有什么好处？或者说，既然如此雄心勃勃地建设一个大型内部研发中心代价不小，那为何这些公司不选择将投资外包，例如资助大学与初创公司，或通过代理GP（普通合伙人）来部署资本，从而通过合作或收购来获取创新成果？毕竟，大公司通常更倾向于“买创新”而非“自研创新”。

但正如 AT&T 早在 1972 年悄然启动“合作研究奖学金”项目，随后才扩张为贝尔实验室那样的体系一样，Anthropic、OpenAI 和 Google DeepMind 已经在铺设类似的小型基石：研究员计划、小额资助基金、内部基准测试、黑客马拉松。这些动作暗示了一个共识的形成：在内部进行复利式的投入，包括未来建立实验室，不是慈善行为，而是一种战略杠杆（fellowships, micro-grant funds, in-house benchmarks, hackathons. These moves hint that the firms have realized compounding internally, including a potential lab, is not charity but a strategic lever that ），能够：

(i) 提升核心模型能力的复利增长，

(ii) 加深竞争护城河，

(iii) 预先抵御即将到来的算力许可制度与信任监管。

即便不是此刻，在可预见的将来，在前沿 AI 公司内部建设一个广泛的研发实验室，在战略上将具有多重合理性。

前沿 AI 公司建立内部研发实验室的战略价值分析

1. 核心 AI 开发协同

机制：通过将领域专家与模型工程师集中同地协作，实现硬件与算法的双向加速突破

实证：Google DeepMind 成功在同一研发体系下同步推进 TPU 芯片与 AlphaTensor 算法的开发

2. 直接控制与 IP 捕获

机制：内部研发项目产出的模型参数、训练数据及安全协议可直接注入产品线，完全规避外部授权摩擦

实证：OpenAI 建立的"预备框架"制度要求所有前沿模型发布前必须通过内部红队安全测试

3. 人才磁吸与留存

机制：提供贝尔实验室级的科研自由+顶级算力资源，形成对学界顶尖人才的虹吸效应

实证：OpenAI 驻地学者计划与 Anthropic 研究员项目每年提供 25+ 名额，复刻了贝尔实验室 1970 年代的人才培养模式

4. 算力杠杆与数据飞轮

机制：利用私有超算集群开展学界无法负担的大规模实验，同时持续生成高价值训练语料

实证：亚马逊通过 48 亿美元可转换票据协议，为 Anthropic 预先锁定了 Bedrock 超级集群的使用权

5. 监管护城河构建

机制：通过公益科研展示弱化监管机构的算力限制诉求，以主动治理规避许可管制

实证：Anthropic 采用公益公司章程架构，并率先签署美英两国前沿模型安全协议

6. 垂直领域风险对冲

机制：在机器人、气候科学、药物研发等衍生领域布局，降低对核心聊天模型的单一依赖

实证：OpenAI 成为白宫 AI 安全承诺的核心签署方，同时建立系统卡公开制度

7. 战略投资布局

机制：通过早期微基金投资监控技术突破点，构建创新雷达网络

实证：OpenAI 创业基金（规模1.75亿美元）已完成 31 笔种子轮投资，Anthopic 联合 Menlo 设立 1 亿美元专项基金

这些理由都支持在企业内部建立"广谱实验室"功能的考量。这并不一定意味着要建造一个独立的庞大园区并命名为" OpenAI 实验室"（尽管这也是一种选择）。实际上，它可能更像是公司内部的帕洛阿尔托研究中心（ PARC ）和国防高级研究计划局（ DARPA ）的混合体：一部分研究人员在内部从事长期项目，另一部分则负责协调外部合作。数据来源：Anthology基金、亚马逊、TechCrunch。

迹象已经显现。资本、人才、算力以及公共使命（ Capital, talent, compute, and public mandates ）正在聚集到少数几家 AI 实验室，而这些实验室，无论自觉与否，正在重走 20 世纪科研巨头的路径。但仅靠模式复刻是远远不够的。

实验室设计：一份运行蓝图

Designing the Lab: an Operating Blueprint

战略的目标并不是简单复制贝尔实验室当年做对的事。传统实验室繁荣于永不复返的 20 世纪的环境：比如长达数十年的产品周期、隔绝公众审视的厚重屏障。而前沿AI公司面临的游戏规则截然不同 — 它们受 GPU 算力限制、资本密集、文化渗透性强（ GPU-constrained, capital-intense, and culturally porous ），安全预期以月而非十年为单位。

在你继续阅读之前，我想提醒你，我编制了一个财务附录，包含预估的资本支出和压力测试，这部分或许能为你提供有用的补充背景。

关键设计考量

Key Design Considerations

以下是指导 21 世纪实验室思维的核心设计原则。请把这部分当作蓝图而非报告：结构足够清晰以展示各原则如何协同，但也刻意保持松散，以便在技术前沿变动时具备适应性。

1. 使命对齐（ Mission Alignment ）

蓝图直接纳入了三家前沿 AI 公司各自明确的使命：

OpenAI：“确保人工通用智能造福全人类”

Anthropic：“构建可靠、可解释、可操控的 AI 系统”

Google DeepMind：“解决智能问题，并以此解决其他一切问题”

2. 安全优先架构（ Safety-First Architecture ）

借鉴 Anthropic 的《负责任扩展政策》（ Responsible Scaling Policy ）与 OpenAI 宪章中对“长期安全”的强调，蓝图在各处嵌入安全考量：

在资本预算中设置负责任扩展的检查点

资源分配设定安全评估门槛

专设的安全研究算力配额

宪法式 AI 方法的分享与透明性机制

3. 聚焦有益应用（ Beneficial Applications Focus ）

呼应三家公司对“有益AI”（ beneficial AI ）的共同承诺：

15% 的 GPU 算力专门用于“有益的AGI”研究。我们以 GPU 小时作为预算锚点（稀缺输入的核心单位），这一指标比“资金”或“博士人数”更具反映力。

衍生项目中优先考虑人道主义应用场景

设立与核心兴趣领域匹配的科学方向组（持续扩展）

有益应用默认开放授权

4. 协作式治理（ Collaborative Governance ）

结合 OpenAI 的“协作导向”（ cooperative orientation ）以及三家公司对合作的共同重视：

启动研究人员的学术交流计划

与大学和政府机构联合资助

安全研究领域保持公开发表

组建跨学科的团队结构

5. 可解释性与透明度（ Interpretability and Transparency ）

作为使命核心，在安全研究中反复强调：

设立专门的可解释性小组并分配独立算力

开发并共享宪法式 AI 方法

成本账本与决策流程透明公开

默认对安全相关研究成果进行公开发表

下方的矩阵图展示了如何将上述目标转化为具体的操作层。

十个运行层级，信息来源：OpenAI Residency、OpenAI Preparedness Framework、Analysys Mason、Anthropic 长期利益信托（Long Term Benefit Trust）、Amazon 等

各个模块如何协同运作

How the Pieces Fit Together

1. 章程将“长期主义”写入基本规则。

Charter hard-codes patience

设定一项常规性规则：每年 GPU 小时中，有 15% 来自指定专项预算流（重申：是指定专项预算的一部分，而非全部预算）用于“探索（ Explore ）”方向。这既兑现了各家公司对“造福公众”的承诺，又避免挤占基础研究资源。理想情况下，Explore 所占比例应随时间增长；最初的 15% 设定较低，政治上易于接受，待实验室证明其产出价值后可逐步扩大。

2. 将 GPU 作为真正的“记账单位”。

Turn GPU into the true unit of account

各领域组每季度共享算力信用池，这一机制借鉴了DARPA（以及部分Google X ）的"项目经理封地"模式（ “program-manager fiefdom” playbook ），迫使团队暴露真实机会成本，及时终止僵尸项目。该机制将根据GPU成本变化和实际运行效果进行动态调整，欢迎反馈意见。

3. “主权算力”让监管者安心。

Sovereign compute keeps regulators calm

由于实验室拥有完整的训练堆栈，Anthropic 的长期利益信托董事会（ LTBT Board ）或 OpenAI 的安全委员会（ Safety Council ）可以中止高风险的训练任务，使“对齐刹车”在实践中真正可执行。

4. 领域小组。

Domain groups

一些可能的领域小组包括：劳动经济组支撑 Anthropic 的《经济指数》（ Labour-economics feeds Anthropic’s Economic Index ）；生物铸造工坊组延续 DeepMind 的 AlphaFold 路线（ Bio-foundry extends DeepMind’s AlphaFold lineage ）；材料与光子学组支持 OpenAI 的硬件协同设计议程（ Materials-photonics supports OpenAI’s hardware co-design agenda ）。每个小组都应具备明确、对外清晰可识别的目标，以避免“使命漂移”。（注：这是我在撰写中最难的一段，详见脚注）

注：对于将研究领域如此生硬划分的做法，我其实持保留态度。包括曾领导BP风险研究部门的Donald Braben在内的许多思想家都指出，这种划分是武断的，"领域划分"本质上只是人为设定的框架。真正的开放科学不应该强行将事物归类到特定名称或领域中——尤其是对那些处于交叉地带或尚未被发现的现象而言（ True open science doesn't try to force things into names and silos, especially for phenomena that are in-between or not yet discovered ）。然而现实情况是，组织机构（特别是规模扩大后）如果没有清晰的界限和"重点领域"划分，就会感到极度不适。

5. 从驻留到学术假期的阶梯式人才机制。

Residency-to-Sabbatical Ladder

初级研究员可以通过在不同研究组之间轮岗来替代辞职回到学术界。这正是贝尔实验室如何将博士后培养为长期内部研究员的方式。同时，资深学者则以 DARPA 模式，每两年轮岗担任项目经理（ PM ）。

6. 默认发布机制换来“运营许可”。

Publish-by-default earns licence-to-operate

预印本、开放基准测试和人道主义授权等举措向监管机构展示了切实的治理能力，强化了企业自愿安全承诺。所有具有双重用途或涉及商业敏感性的成果在发布前都需经过治理委员会审核。

7. 项目孵化将风险转化为收益。

Spin-outs recycle risk into upside

标准的拆分机制配合廉价的 TPU 计算资源，使成功的研究单元（ pod ）成果能够转化为新的营收来源。在为聊天模型业务对冲风险的同时，也催生了全新市场。

8. 开放科学轨道保障飞轮诚实运转。

Open-science rails keep the flywheel honest

透明性：公开年度算力支出和溢出项目报告

协作性：与 FROs 和学术界联合攻关重要里程碑，延续《贝尔系统技术期刊》研讨会传统（ Bell System Technical Journal symposia ）。

互惠性：任何进入实验室的外部数据集或模型，在输出时都必须附带改进说明和可复现代码（ any external dataset or model that crosses the lab boundary returns improved, with documentation and reproducible code ）。

您可能会疑惑，"以 AI 为中心"的定位是否与真正开放科学（涵盖广泛科学领域）的价值观相矛盾（ doesn’t an “AI-centric” mandate contradict the values of true open science, covering a wide range of domains ）？请记住，贝尔实验室将其项目和研究的范围限定在"通信相关"领域（ Recall that Bell Labs grounded its ventures and research in anything “communications-oriented” as a constraint ），但在实践中却极为灵活。AI 同样是一种通用的基础技术（可能是目前最通用的技术），使我们能够探索无限多维度的学科领域（ AI is a similarly broad general-purpose technology ( probably the broadest we have at the time of writing) that lets us explore an n-finite array of disciplines ）。

9. 伦理与风险护栏是内嵌的，而非外挂的。

Ethics & risk guardrails are embedded, not bolted on

一个独立的“红队”对每一个高风险项目进行压力测试；对具有双重用途的敏感研究（如生物风险），采用安全算力协议与分级访问的发布模式（ dual-use research of concern (e.g., biorisk) follows a secure-compute protocol and tiered-access publication model ）。

最终效果：算力被标价（ compute is priced ）、耐心资本被保护、外溢成果被发表（ spill-overs are published ）、安全被主动管理。

注：贝尔系统技术期刊（ Bell System Technical Journal ），这个期刊不仅是技术论文的发表平台，更是一种组织内部知识公开化、标准化、开放合作的载体。

一个假想案例：想象五年后的 OpenAI 研发实验室，其架构分为六个领域组：核心 AI 研究、对齐与伦理、物理科学、生物与健康、计算基础设施和社会科学（ Core AI Research, Alignment & Ethics, Physical Sciences, Biology & Health, Computing Infrastructure, and Social Sciences ）（均为假设）。

团队使用 GPT 模型设计新型电池材料（与国家级实验室合作制造）、根据基因组数据预测 mRNA 疫苗、开发能使 AI 芯片能耗降低 5 倍的光学互连技术（ Teams use GPT models to design new battery materials (partnering with national labs for fabrication), predict mRNA vaccines from genomic data, and develop optical interconnects that cut AI chip energy use by 5x ）。核心 AI 团队从内部神经科学研究中获得启发，创造出新架构（ Core AI invents new architectures inspired by internal neuroscience findings ）。对齐研究人员制定行业标准审计工具。社会科学家与政策团队合作，基于实证研究指导教育 AI 的部署。

大多数研究成果都会公开：白皮书、开源工具、政策简报（ white papers, open-source tools, policy briefs ），只有敏感工作会按照政府协议共享（效仿贝尔实验室二战时期的做法）。OpenAI 获得多重收益：保持对学术界发现的领先、获取芯片创新的知识产权、分拆孵化电池初创公司，以及通过医疗和气候领域的科研突破建立公众信任（ staying ahead of academic surprises, capturing IP from chip innovations, spinning off battery startups, and building public trust through healthcare and climate breakthroughs ）。

必须承认，这一愿景颇具雄心，也面临重大挑战。

风险与待解决问题

Risks & Open Considerations

历史表明，真正的危险往往不是突发灾难，而是缓慢的偏离（ a slow drift ）：激励机制扭曲变形、预算紧缩、治理滞后，最终导致本该拓展边界的研究室走向衰落。

本节将从两个维度对该提案进行"红队评估"：

外部压力点（ External pressure-points ）— 实验室无法完全控制（资本市场、公众情绪、监管变化）但必须预见和防范的力量。

内部失效模式（ Internal failure modes ）— 易受日常政治、人才流动或领导/治理挑战影响的设计选择。

外部因素

External

合作与竞争的平衡（ Collaboration vs Competition ）：内部实验室面临的挑战是平衡其科学合作角色与私营企业的竞争本能（ A challenge for an internal lab is balancing its collaborative scientific role with the competitive instincts of a private company ）。实验室领导层应明确哪些领域属于"竞争前"（ pre-competitive ）（可以共享），哪些是必须内部保留的核心竞争优势。实验室可能采取"开放核心"模式：基础研究公开发表，但在训练大模型或开发产品时保持内部封闭。这样他人可以基于科学成果继续研究，而公司仍在实施层面保持领先。

资本独立性（ Capital Independence ）：这些都是有投资回报要求的私营企业。任何被视为将资金"浪费"在看似科幻研究上的行为都可能引发反弹（ Any perception that money is being “wasted” on what seems like science-fiction could cause backlash ）。BP、施乐研究院（ Xerox PARC ）和贝尔实验室的共同困境就是如何在不受财务和公司现实政治干扰的情况下独立运作，它们的优势在于实验室依靠自身收入（见上文表格）而非投资运营。前沿 AI 企业仍相对依赖外部资金来源，特别是在当前高资本消耗率的情况下。

舆论场法庭（ The Court of Public Opinion ）：前沿 AI 公司已然成为热议焦点，尤其在推特平台。其一举一动都备受审视。那些无法立即显现财务合理性的决策必将引发质疑与激烈辩论（尽管这些舆论的可信度参差不齐，但显然这些企业都极为重视自身的公众形象与舆论观感）。

注：“这家公司对推特动态极为关注。如果你发布关于 OpenAI 的内容并引发热议，很可能会有内部人员看到并加以考量。我的一位朋友曾开玩笑说："这家公司是靠推特氛围运作的"。作为一家面向消费者的公司，这种说法或许不无道理。当然，他们仍然非常重视使用数据、用户增长和留存率等分析指标，但如今氛围同样至关重要。”

防范人才流失（或流入）问题

Preventing brain drain out ( or in )

此类研究机构的成功可能诱使顶尖人才离开学术界或其他重要领域（即所谓的"人才流失" ）。我们已经目睹众多知名教授离开大学加入 OpenAI 或 DeepMind 。若实验室覆盖多个学科领域，这一趋势或将加剧。这究竟是弊病，还是研究者自主选择的结果？（历史先例：贝尔实验室当年从顶尖大学吸纳了大量博士生和终身教职候选人，而学术界依然存续。）

环境影响

Environmental impact

毋庸置疑，这类实验室将消耗大量能源和资源。训练巨型模型、开展实验，这些都会产生碳足迹。若实验室还涉及硬件或化学研究，则需额外应对电子垃圾或化学废料等问题。

内部挑战

Internal

成功标准的制定

Metrics of Success

传统商业指标（收入、用户数）难以直接套用于纯研究型实验室（ Traditional business metrics ( revenue, users ) don’t apply neatly to a pure research lab ）。这对长期研发机构始终是难题：如何根据项目不同的时间跨度决定裁撤或保留哪些研究（ This has always been tricky for long-term R&D labs: how do you decide what to slash and what to keep given varying temporal timelines for projects ）？或许可考虑以下混合评估标准：

科学影响力（ scientific impact ）（论文发表、引用量、奖项、受邀演讲，本质上是看其是否推动多领域前沿的进展）

战略价值（ strategic value ）（是否为公司带来新能力？是否规避了风险？是否开辟了新业务线或社会贡献的可能性？）

具体可追踪的产出包括（ tangible outcomes could be tracked ）：

专利申请数（虽然在快速迭代领域专利并非最佳指标）

技术成功转移至产品部门的数量（ successful technology transfers to product divisions ）

人才留存率（顶尖研究者是否因实验室而留下？）

外部声誉（科学界是否视其为理想工作地？政府或大学是否积极寻求合作？）

类似谷歌衡量 Google Research 对 AI 发展的贡献，或 IBM 长期以专利和诺贝尔奖评估 IBM Research 的模式。

领导与组织架构

Leadership and Organization

谁适合执掌此类实验室？理想人选应兼具科学素养与战略眼光，正如贝尔实验室曾由科学家主导。实验室负责人（首席科学家级角色）需在公司高层拥有话语权（或许直接向 CEO 或 CTO 汇报），以维护实验室利益，同时保持足够独立性以抵御外部干预（参见 Alan Kay 的相关论述）。但实践证明，此类复合型人才对多数研发实验室而言都难以觅得。

范阳注：Alan Kay 的这段洞察也依然适用于今天的知识创造到科学资助和商业应用：“现代科技富豪们早已从恩格尔巴特等 ARPA/Parc 研究者的成果中获利颇丰。他们若真理解自己攫取的万亿级财富从何而来，就该支持这种创新生态的延续，而非坚持将资助视为"投资"要求回报。黄金时代资助者与当代的根本区别在于：前者将责任与控制权分离（他们负责出资，研究者掌控研究方向）；而今无论是科技富豪、企业高管还是DARPA/NSF官僚，都执着于控制权。结果既选错目标，又用错方法，真正的智慧在于"资助人，而非项目"（ The "Golden Age" funders "funded people, not projects"）。

若有朝一日优质科研资助能来自大众流行文化（ If "good funding" were to come from the pop culture），我和同仁定会欣然接受。毕竟终极目标是改善人类生存状态（ The main aim is to make qualitative improvements in the human condition ）。拥有十亿美元既不能使人成为职业运动员或小提琴家，同样不意味具备指导基础研究的能力，这些都需要专门修习的真功夫。若出资者不愿学习这些技能，却要深度介入研究，必将阻碍真正的进步。

worrydream.com/2017-12-30-alan/

治理与监管的不稳定性

Governance and Oversight Volatility

在这三家公司中，OpenAI 因领导层/治理结构的频繁变动而备受诟病，这给持续监管带来挑战。贝尔实验室最终因 AT&T 解体而陷入困境：资金遭削减，优先事项被迫调整。对 AI 实验室而言，若领导层更迭或投资者失去耐心，实验室可能面临规模缩减或被迫转向短期项目。引入外部监管虽是选项之一，但会模糊边界，更难实现开放科学的独立性（ to achieve open science independence ）（参见前文论述）。

与企业战略的对齐

Alignment with Corporate Strategy

潜在风险在于实验室可能过度孤立，沉迷于"自娱自乐"，研究虽卓越却与公司需求脱节（ A potential failure mode is if the lab gets too isolated and “does its own thing” that is brilliant but irrelevant to the company ）。实验室管理的关键职责之一，是向高层持续论证非常规项目的重要性（ Part of the job of lab management is internally selling the importance of the weird projects to the suits ）。贝尔实验室当年的处境相对轻松，因为母公司 AT&T 作为垄断企业享有广泛市场所有权和受监管的利润，而当今前沿 AI 公司的生死完全取决于市场竞争和投资者情绪。因此，实验室既需要开展中长期突破性“登月计划”研究，也需保留能展现中期价值（给市场证明影响力）的内部项目（ The lab will likely need some internal projects that yield medium-term benefits ( to show impact ) as well as the moonshots ( which might be slow burn) ）。

历史对照的启示是，正如 AT&T 的垄断利润曾支撑昂贵的基础研究，当今 AI 公司掌控着新型的垄断资源：推动智能边界所需的 GPU 算力集群和顶尖工程人才（ the GPU clusters and engineering talent needed to push the boundaries of intelligence ）。

使当前时刻格外特殊的原因在于：这些公司正处于我们前文所讨论的多重矛盾之间。它们既拥有重新定义变革性研究所需的手段（前所未有的资本、算力和人才集中度），也拥有强烈的动机（ AI 发展轨迹中所蕴含的生存级问题），去重构“重大研究”应如何发生（ to fundamentally reimagine how transformative research happens ）。

但仍有若干未解问题：

关于制度设计

On institutional design

使命驱动的研究，真的能在逐利型公司实体中蓬勃发展吗（ Can mission-driven research truly flourish within profit-driven entities ）？历史给出的信号并不一致：贝尔实验室在 AT&T 拆分前表现出色，Xerox PARC 则虽发明了未来，却未能兑现其价值。即便是 BP 的 Venture Research 团队，也在管理层更迭后关停。我们是否可以设计出一种治理结构，能在不被短期压力左右的前提下，保护长期研究（ What governance structures might protect long-term research from short-term pressures ）？

关于时间跨度

On time horizons

最重大的突破往往需要以“十年”为单位来衡量，而不是按“产品周期”计时。在追逐 AGI 的竞赛中，我们是否能保持这种耐心，同时应对市场下行、领导层更替或满足投资人季度期待的节奏？

关于评估标准

On measurement itself

我们继承的是一种被“指标”主导的科研文化（ a scientific culture obsessed with metrics ）：h-index、影响因子、专利数量。但如果“真正重要的，未必能被量化”，那么这些新兴研究机构应如何以其他方式衡量成功（ not everything that counts can be counted, how might these new institutions measure success in other ways ）？

关于机会与公平性

On access and equity

谁有权设定研究议程（ Who gets to shape these research agendas ）？旧式工业实验室虽超前于时代，仍难逃当时排斥性政策的影响。新机构必须做得更好。

原文链接：

https://distressedscientists.substack.com/p/entry-004-the-next-bell-lab-is-already#footnote-5-168604145

全假设研究（ All-hypothesis research ）

深度科技风投的盈利模型：让研究者边接单，边追逐星辰大海。| Deeptech VC

谷歌 DeepMind：科学研究的工程化（ Engineering for Science ）

FutureHouse 创始人：如何在生物学领域创造 AI 科学家？人类科学家的未来工作是？

Arc Institute 与 Convergent Research 深度访谈：FROs、元科学运动、 ARPAs、快速资助。

阅读原文

跳转微信打开

Fish AI Reader

FishAI

联系邮箱 441953276@qq.com

相关标签