Több tucatnyi kiváló egyetemi kutató gyűlt össze múlt héten Mountain Viewban, Kaliforniában, egy Schmidt Sciences AI2050 program rendezvényén — az eseményen kerekasztal-beszélgetéseket tartottak és médiaképzést is szerveztek. Az AI2050 programot Eric és Wendy Schmidt finanszírozza, és olyan akadémikusokat támogat, akik munkájuk során mesterséges intelligenciával foglalkoznak. A résztvevők között sok ismert név és ígéretes fiatal kutató volt; az eseményen a beszámoló szerzője megjegyzi, hogy 2024-ben Schmidt Sciences által finanszírozott tudománykommunikációs díjat kapott.
A találkozó résztvevői szerint különös helyzetben vannak az egyetemi AI-kutatók. Az elmúlt négy évben a mezőgazdaság — pardon, a mező — a nagynyelvű modellek (LLM-ek) köré rendeződött, és a kutatás éllovasa nagyrészt az akadémiáról a magáncégekhez vándorolt. Egyetemi laborokban egyszerűen nincs meg a pénz és az infrastruktúra azokhoz a GPU-khoz, amelyek szükségesek a korszerű modellek betanításához és futtatásához. Még ha volna is hozzáférésük a számítási kapacitáshoz, olyan vállalatok, mint az Anthropic és az OpenAI, nem teszik nyilvánossá Claude vagy ChatGPT belső felépítésének és tréningadatainak részleteit.
Nika Haghtalab, a University of California, Berkeley számítástudományi professzora ebben a helyzetben azt hasonlította össze: olyan, mintha egy biológus egy olyan világban dolgozna, ahol a magáncégek kizárólagosan kontrollálják a CRISPR génszerkesztő eszközt. A kutatók kívülről vizsgálhatják, hogyan viselkednek a ChatGPT-hez vagy Claude-hoz hasonló rendszerek, de nem tudnak részletesen kutatni azok tervezésén vagy tanítási folyamataiban, és nem tudják közvetlenül befolyásolni azokat.
Az AI2050 program ugyan biztosít a tagoknak némi forrást GPU-vásárlásra — több résztvevő ezt jelentős előnynek nevezte —, de a pénzügyi korlátok továbbra is égető problémát jelentenek, különösen a szövetségi finanszírozás visszaesése mellett az Egyesült Államokban. Még azoknak a kutatóknak is, akik nem futtatnak helyi modelleket, komoly költséget jelenthet, ha ismételten lekérdeznek OpenAI, Anthropic vagy Google modelleket, hogy alaposan tanulmányozhassák azok viselkedését.
Sok AI2050-tag ezért inkább olyan kutatási kérdések felé fordul, amelyeket valószínűtlennek tartanak, hogy a nagy vállalatok megoldanának. Anjalie Field, a Johns Hopkins University számítástudományi professzora elmondta: igyekszik nem olyan problémákon dolgozni, amelyeket szerinte egy techcég meg fog oldani. A vállalatoknak profitot kell termelniük, így a kevésbé jövedelmező vagy az üzleti érdeket sértő kérdésekbe kevésbé fektetnek — például Field egyik vizsgálata szerint a nyelvi modellek kevésbé kifinomult válaszokat adnak olyan promptokra, amelyeket nők nagyobb arányban használnak, mint férfiak; ezt a jelenséget nehéz lenne elképzelni, hogy Anthropic vagy OpenAI publikusan vizsgálná.
Ugyanakkor sok egyetemi kutató egyáltalán nem LLM-ekkel dolgozik. Ők specializált modelleket építenek adatfeldolgozásra, előrejelzések készítésére vagy fizikai rendszerek szimulációjára. Ezek a csoportok nem feltétlenül versenyeznek közvetlenül a frontier laborokkal — példaként említik, hogy a Google DeepMind AlphaFold-csapatát, amely Nobel-díjas modellként ismertté vált a fehérjék szerkezetének előrejelzésében, a beszámoló szerint „feloszlatták” a múlt hónapban — de saját kihívásaik vannak. A konferencián többen panaszkodtak arra, hogy a nem-LLM AI iránti általános tudatlanság nehezíti munkájuk értékesítését és támogatását: például klímaügyekben dolgozó AI-eszközöket építő kutatók néha nehezen tudják képviselni munkájukat egy olyan közegben, ahol „AI” sokak fejében egyenlő az energiaigényes nagyméretű nyelvi modellekkel.
E problémák alakítják az akadémia jövőjét is: több ismert tudós nemrég saját egyetemétől szabadságot vett, hogy frontier laboroknál dolgozzon, és sok AI2050-fellow párhuzamosan ipari pozíciót is betölt. Az elmúlt hat hónapban újabb aggodalom jelent meg: az OpenAI modellek több matematikai kutatási problémát is megoldottak, és egyes szakértők attól tartanak, hogy a tiszta matematikában csökkenhet az emberi szerep. Egyes résztvevők aggódtak kollégáik mentális egészségéért is.
Nem minden azonban sötét. Az empirikus tudomány automatizálása valószínűleg nehezebb lesz, mint a matematika automatizálása, hiszen az adatok gyűjtése lassú és helyspecifikus folyamat. Többen pedig úgy látják, hogy az AI-matematikusok és -tudósok inkább kiegészítik, semmint helyettesítik az embereket. Tim Dettmers, a Carnegie Mellon University számítástudományi kutatója, aki a modellek gyorsításán és költséghatékonyságán dolgozik, azt mondja: az AI rendszerek növelhetik az emberi kutatók hatékonyságát, így több idő maradhat „vad” és inspirált ötletek kipróbálására.
Végül a kutatók reziliensek: a korlátozott erőforrások serkentik az innovációt — kisebb, hatékonyabb modellek fejlesztésére, vagy teljesen új architektúrák felfedezésére ösztönöznek. Ha a következő nagy áttörés nem egy nagyvállalattól, hanem egy szívós egyetemi laborból érkezik, az sokakat nem lepne meg.
Mikor és miért számít
A Schmidt Sciences AI2050 rendezvénye rávilágít arra a strukturális eltolódásra, amelyet az AI-fejlődés elmúlt évei hoztak: a közpénzes akadémiai kutatás és a magántőke által finanszírozott, zárt fejlesztések közötti feszültség konkrét hatásokat gyakorol az egyetemi kutatók témaválasztására, forráshoz jutására és pályamozgására. Ezek a dinamika változtatják meg, hogy milyen problémákat vizsgálnak, ki fér hozzá az alapvető eszközökhöz, és végső soron milyen irányba halad az AI-kutatás.
body_en:
University researchers respond to privatization of AI frontier
Last week, dozens of academic AI researchers gathered in Mountain View, California, for a Schmidt Sciences AI2050 convening that included roundtable interviews and media training. The AI2050 program, funded by Eric and Wendy Schmidt, supports academics whose work involves artificial intelligence. The author notes receiving a Schmidt Sciences–funded science communication award in 2024.
Participants described a difficult moment for university-based AI research. Over the past four years the field has re-centered around large language models (LLMs), and the research frontier has shifted from academia to private companies. Universities often lack the funds and infrastructure — especially GPUs — needed to train and run state-of-the-art models. Even with compute access, firms such as Anthropic and OpenAI do not disclose the internal design and training details of systems like Claude or ChatGPT.
Nika Haghtalab, a computer science professor at the University of California, Berkeley, compared the situation to a biologist working in a world where private companies have exclusive control over the gene-editing tool CRISPR. Outside experts can study how models like ChatGPT and Claude behave, but they cannot perform detailed research on model design or training, nor directly steer those processes.
The AI2050 program provides some funding that fellows can use to buy GPUs; several attendees said that was an important benefit. Still, money remains a pressing concern, especially given reductions in federal scientific funding in the United States. For researchers who do not run local models, the repeated cost of querying OpenAI’s, Anthropic’s, or Google’s models to study them rigorously can be prohibitive.
Many fellows therefore focus on research questions they believe tech companies are unlikely to pursue. Anjalie Field, a computer science professor at Johns Hopkins University, said she tries not to work on problems she expects a tech company will solve. Companies need to make money, and questions with limited profit potential — or answers that might cast companies in an unfavorable light — are less likely to attract industry investment. Field recently found in a study that language models give less sophisticated responses to prompts phrased in ways more commonly used by women than by men, a result that would be hard to imagine coming from Anthropic or OpenAI.
A large group of academics work on non-LLM AI altogether. These researchers build specialized models to analyze data, make predictions, or simulate physical systems. They are not always in direct competition with frontier labs — for example, Google DeepMind’s AlphaFold team, known for its model that predicts protein structures, was disbanded last month — but they face their own challenges. Several attendees voiced concern that the broad lack of understanding about non-LLM AI hampers their work: researchers building AI tools for climate applications, for instance, sometimes struggle to argue for their projects in an environment where “AI” often conjures energy-intensive LLMs.
Those pressures are reshaping academia: several prominent academics have recently taken leave from universities to join frontier labs, and many AI2050 fellows hold industry positions alongside their academic posts. In the past six months another worry has surfaced: OpenAI’s models have solved a number of real research problems in mathematics, and some experts fear a diminished future role for humans in pure math. One fellow expressed concern about the mental health of mathematician peers.
It is not entirely bleak. Empirical science may be harder to automate than mathematics, since data collection is intrinsically slow. Some researchers view AI mathematicians and scientists as augmentative rather than replacement technologies. Tim Dettmers, a computer scientist at Carnegie Mellon University who works on making AI models faster and cheaper to run, argues that AI systems could make human scientists far more efficient, freeing them to pursue more ambitious and creative ideas.
Researchers are resilient: the very resource constraints that prevent them from training frontier models also drive efforts to build smaller, more efficient models or to explore new architectures. If the next major AI breakthrough comes from a scrappy academic lab rather than a large company, many would not be surprised.
Why it matters
The AI2050 convening highlighted a structural shift: the movement of cutting-edge AI development into closed, privately funded labs affects which questions get investigated, who has access to foundational tools, and how academic careers evolve. Those shifts will influence the trajectory of AI research and the kinds of innovations that emerge.
