一个数学天才决定不写论文了

2026年5月30日，苏炜杰在X上发了一条帖子。

内容很短，大意是自己正在沃顿商学院休学，已经加入OpenAI，回到湾区训练AI模型。末尾补了一句，阔别十年，很高兴回来。

Greg Brockman在下面留言欢迎。一个统计学界的最高奖项得主，一个沃顿的正教授，就这么轻描淡写地宣布，他要进训练舱了。

这条帖子没有配图，没有视频，连感叹号都没有。但看到的人心里都清楚，这不是一次普通跳槽。

image

image

一、黄金二代的另一条路

2007年，苏炜杰走进北大数院的时候，那间教室里坐着的，是中国数学界后来被称为黄金二代的一群人。

同级的王虹和唐云清，后来拿了科学突破奖。张明嘉拿了米尔扎哈尼新前沿奖。那几年的北大数院，随便一个走廊里擦肩而过的年轻人，都可能是未来某个数学领域的领军人物。

苏炜杰在里面排第一。不是某一门课的第一，是年级第一。

但他没走纯数学的路。本科毕业，他去斯坦福读统计学博士。2016年拿到学位，直接去了宾大沃顿商学院执教。从应用数学到统计，再到机器学习，他的每一步都在往更实用的地方偏。

当时很多人觉得可惜。一个能在纯数学里走得这么远的人，为什么要去搞数据科学。

这个问题，苏炜杰自己大概也没回答过。但从他后来的研究轨迹看，他早就认定了一件事，数学如果不能解决真正的问题，就只是纸上的漂亮游戏。

二、统计学诺贝尔奖的颁奖词，像一份AI公司的招聘需求

2026年2月，苏炜杰拿到了COPSS Presidents' Award。

这个奖每年只给一个人，年龄限制在40岁以下，被业内叫做统计学诺贝尔奖。上一位拿奖的华人，还是2012年哈佛的寇兴昌。中间隔了整整14年。

颁奖词写得很有意思。它没有夸苏炜杰解决了什么百年难题，而是列了一张清单。

生成式AI的统计基础。大语言模型的水印检测。偏好对齐与排序机制。隐私保护数据分析在2020年美国人口普查中的应用。机器学习同行评审流程的改进。凸优化和高维统计推断。

这不像一份学术颁奖词，更像OpenAI的岗位职责描述。

尤其是水印检测那项工作。现在市面上很多AI检测工具，靠的都是加特殊字符或者找文本规律，容易被绕过。苏炜杰的做法完全不同，他用统计方法直接找到最优检测边界。模型生成内容的时候，哪怕有微小扰动，也能被识别出来。

还有偏好对齐。传统做法是用投票排序，他发现了里面隐藏的孔多塞悖论，也就是说人类偏好本身就存在循环矛盾，任何对齐方案都不可能同时满足所有人。他的解法是把问题重构为纳什均衡，让模型在多个目标间自动找平衡点。

image

image

这些研究，在学术界是顶刊论文。在OpenAI的训练团队眼里，就是可以直接写进代码的模块。

三、OpenAI正在变成一所大学，还是大学正在变成OpenAI

苏炜杰不是近期唯一加入OpenAI的华人学者。

今年年初，清华姚班出身的陈立杰去了OpenAI，负责数学推理方向。2月，Meta的庞若鸣和张鹏川也相继转投。5月底，哈佛物理系教授尹希也被曝加入。

这些人有个共同点，都不是传统意义上的AI工程师。陈立杰是理论计算机科学家，尹希是弦理论物理学家，苏炜杰是统计学家。

OpenAI为什么突然开始疯狂招揽基础学科的人。

答案藏在Ilya Sutskever的一句话里。他说，只靠Scaling Law的时代已经结束，我们重新回到了探索与发现的阶段。

翻译一下，就是堆算力和堆数据的红利快吃完了。GPT-4到GPT-5，参数大了十倍，能力提升可能不到10%。再往后，谁能在训练方法、评估体系和模型稳定性上做出突破，谁才能赢。

这些恰恰不是工程师擅长的事。工程师能把模型做大，但模型为什么会在某些任务上突然崩溃，为什么会产生幻觉，为什么优化过程会掉进虚假的局部极小值，这些需要数学和统计来回答。

苏炜杰的研究方向，几乎就是照着这些问题开的药方。

四、训练舱里的数学家

苏炜杰加入OpenAI的时候，有个细节很有意思。

他宣布入职的同一天，也宣布了自己晋升为沃顿正教授。而且他不是辞职，是休学。也就是说，他保留了学术身份，只是暂时离开讲台，去公司里待一段时间。

这种模式在硅谷越来越常见。学术休假制度让顶尖学者可以在不丢掉铁饭碗的情况下，去工业界做几年实战。对公司来说，花一份钱买到了最前沿的理论视野。对学者来说，论文里的公式终于有机会变成真正跑起来的代码。

苏炜杰在OpenAI具体做什么，公开信息不多。但从他的研究背景推测，他的日常可能是这样的。

上午在白板上推导高维凸优化的收敛条件，下午和工程师讨论怎么把这个条件写进AdamW的变体里。他的论文不会只挂在arXiv上，很多内容会直接变成训练脚本里的一个函数、一个约束项。

image

image

OpenAI请他，不是来当顾问的，是来改底层逻辑的。

有个细节可以佐证。UCLA的Ernest Ryu，也是斯坦福Stephen Boyd的学生，和苏炜杰师出同门。Ryu之前用GPT-5 Pro解决了一个42年未解的优化问题，Nesterov加速梯度法的点收敛性。而苏炜杰在2016年的博士论文里，正是用微分方程描述了Nesterov加速梯度法的连续形式。

同一数学脉络，在训练环节里长出了新枝。

五、出走与归来

OpenAI这一年的人事变动，像一部反转剧。

一边是顶级学者涌入。苏炜杰、陈立杰、尹希，还有更早的Ernest Ryu。

另一边是核心高管接连离开。后训练负责人Max Schwarzer去了Anthropic。Sora之父Bill Peebles离职。首席产品官Kevin Weil出走。机器人负责人Caitlin Kalinowski因为国防部合同辞职，她说这是治理失败。

Anthropic的CEO达里奥·阿莫代伊公开说，他们无法在良知上接受无限制军事使用的合同条款。而OpenAI签了那份2亿美元的五角大楼订单。

两拨人的流向完全相反。一拨人觉得OpenAI正在变成一家真正做AGI的公司，理论终于有机会落地。另一拨人觉得OpenAI正在偏离初心，商业化压过了一切。

苏炜杰选择在这个时候加入，说明他属于前者。

但他也不是没有退路。休学意味着随时可以回去。沃顿的正教授头衔还在，宾大的机器学习研究中心还在等他。这种双向门的心态，恰恰是当下顶尖学者的典型状态。

他们不再满足于发论文和带学生。他们想知道，自己研究了十几年的理论，到底能不能让模型少说一句胡话，能不能让训练过程少崩溃一次。

六、黄金二代的选择题

苏炜杰的同窗们，这些年走上了截然不同的路。

王虹和唐云清深耕纯数学，拿了突破奖。他们的工作可能几十年后才会被大众理解，但在数学史上会留下名字。

苏炜杰选择了另一条路。从丘成桐金奖到美赛冠军，从斯坦福博士到沃顿教授，再到OpenAI的训练团队。他的每一步都离纸和笔远一点，离代码和GPU近一点。

image

image

有人说这是降维。其实恰恰相反。

大模型发展到今天，数据和算力的红利即将耗尽。模型规模不断扩大，但训练中的噪声、幻觉和不稳定性问题愈发突出。这时候光靠堆叠GPU已经不够，必须借助数学方法来压制这些混乱因素。

苏炜杰做的，就是为训练过程加上数学刹车和数学导航。

别人还在争论AI该不该有意识的时候，他已经开始算梯度下降时怎么避免掉进虚假的局部极小值。这种务实，某种程度上比任何哲学讨论都更接近AGI的真相。

七、湾区十年

苏炜杰说，阔别十年，很高兴回到湾区。

十年前他离开的时候，是一个刚拿到博士学位的应用数学家。深度学习还没爆发，Transformer还没出现，OpenAI还是一家名不见经传的小公司。

十年后他回来，AI已经改变了整个世界。他的研究清单上写满了大模型时代最急迫的理论问题。而他不再满足于把答案写在论文里，他要亲自下场，把这些答案写进模型的训练代码里。

这不是一个天才的堕落，而是一个数学家找到了更大的战场。

黄金二代的其他人，在纯数学的高峰上继续攀登。苏炜杰选择了一条更泥泞的路，把统计和优化这些看似枯燥的工具，锻造成AI时代的底层基础设施。

哪条路更高尚，没有答案。但苏炜杰的选择提醒我们，当技术革命进入深水区，最需要的也许不是更多数据，而是更深刻的数学。

image

image

写在最后

苏炜杰的故事，说到底是一个关于选择的故事。

选择在学术巅峰期离开象牙塔。选择把公式变成代码。选择在争议最大的时候加入一家争议最大的公司。

这些选择没有标准答案。但有一个事实很清楚，大模型的下半场，拼的不再是谁的数据多、谁的GPU多，而是谁能保持模型在噪声中稳定收敛，谁能让AI在复杂任务中保持可靠。

这些问题，最终都要回到数学和统计。

苏炜杰去了OpenAI，不是因为OpenAI需要一位统计学家来装点门面。是因为OpenAI发现，没有数学家的训练团队，可能已经摸到了天花板。

而苏炜杰也发现，没有真实训练场景的数学研究，可能永远不知道自己的公式缺了哪一块。

这不是一个单向的雇佣关系。这是两个领域的互相需要，也是两个时代的交接。

十年前，数学家们看着深度学习崛起，觉得自己被边缘化了。十年后，最顶尖的AI公司开始重新请数学家回来坐主桌。

历史有时候就是这样转圈的。