34岁UCSD正教授商静波：AGI已实现，下一步押注超级智能

过去几年，大语言模型的发展让AI研究越来越围绕同一个问题：一个通用模型究竟还能变得多强？当越来越多的人沿同一条Scaling路线前进，学术界面临更尖锐的问题：不拼算力、不拼模型规模，下一步还能做什么？

商静波给出的答案是超级智能。他认为，若把AGI理解为达到普通人水平的通用智能，某种意义上已经实现；真正尚未到来的，是能在重要领域持续超越最优秀人类的智能。但通往这一目标的路径未必是继续训练一个无所不能的巨型模型。在资源有限时，与其追逐通用超级智能，不如先收缩边界，在足够重要、能高效验证的领域里，让机器真正做到人类做不到的事。

这与他的经历呼应。小学五年级接触Pascal编程后，他发现编程比奥数更吸引自己，因为反馈即时。高中信息学竞赛，他以一名之差错过全国金牌；进入上海交大ACM班后，两次闯入ACM-ICPC世界总决赛，最终获世界第二。从上海交大到UIUC，师从韩家炜，再到2019年底进入UCSD建团队，他约四年半拿到终身教职，34岁晋升正教授，今年入选《麻省理工科技评论》亚太区TR35。

他并不认为每一步都有明确规划。选择UCSD部分因家人；留在高校，是因相比更高薪酬，他更看重对时间和研究方向的控制权。

从数据挖掘、弱监督学习，到探索AI自主发现算法、预测复杂决策，这条主线贯穿始终。他希望AI不再只是解题者，而能成为算法研究者：自主提出假设、设计实验，发现人类可理解、验证和复用的新算法。在模型参数膨胀的时代，他主张把一部分知识从模型权重中拿出来。“Logic的东西，就应该回归logic。”可形式化的知识应尽可能变成可阅读、可修改、可积累的程序和规则。

研究之外，他写过科普书和以信息学竞赛为背景的小说。课堂里学生使用AI的方式，也让他思考：获得答案和真正学会之间差在哪里？这些经历回到他对教育的朴素理解：让真正想学的人学到东西。

对学术界，他也有反思。“现在LLM正在converge，可能已经快到头了。”当下AI行业大量顶尖人才和算力沿同一路径集中投入，学术研究者更重要的任务或许不是挤上“最后一班车”，而是寻找下一条真正值得长期探索的道路。

从ACM竞赛到超级智能，从弱监督、算法发现到AI系统下一种形态，商静波的经历背后或许藏着AI时代的启示：当所有人都在追逐更快的答案，真正重要的可能是判断什么问题值得花十年去解决。

他认为，比“用不用RL”更重要的是Supervision从哪里来、能否scale。训练方法会变，但决定模型走多远的是能否持续、低成本获得高质量Supervision。他不是只想让AI成为更好的solver，而是希望它成为algorithm researcher，最后交给人类一套可复用的新算法。在不影响正确率时，能symbolic的尽量symbolic，确定性交给确定性系统，不确定的再交给learning model。

他也认为，很多时候我们以为在评价模型，其实是在用自己的能力作尺子。当模型超过你，你可能越来越难判断它多强；在你比模型强的地方，又容易看到问题。博士应留给真正学有余力的人，课内轻松完成后再做科研探索，若游刃有余且open to explore，PhD会是很好的experience。