14 个实验室，6 所大学，覆盖 Agent 推理、AI 基础设施、医疗、金融、教育、劳动经济等领域。 这些研究者不争 Leaderboard——他们在定义 AI 真正做了什么，做不到什么。
2023—2025 年是美国顶尖大学 AI 研究的质变期。OpenAI 和 Google 在竞争参数规模的同时，大学实验室做了企业不会做的事：测量 AI 真正能做什么、做不到什么——以及它正在对人类社会做什么。
这 14 个实验室分布在六所大学，沿着六个方向展开：Agent 能否独立完成真实任务？LLM 对劳动市场的冲击有多深？推理效率如何成为新的能力竞赛？AI 能不能真正做出医疗诊断？芯片设计能否被 AI 接管？教育 AI 何时超过真正的教师？
这些问题的答案，没有一个能从参数量或 MMLU 分数上读出来。它们需要用 RCT 实验设计、神经科学方法、历史档案分析、甚至对 500 万份房产契约的逐条扫描来回答。这是大学 AI 研究与产业 AI 研究在方法论上的根本差异。
87% 的 AI Agent 没有任何安全文档。这不是产品缺陷，是系统性的遗漏。
Ayush Chopra 和 Ramesh Raskar 带领的团队，开发了 GPU 并行的百万智能体仿真框架 AgentTorch。核心创新是 LLM Archetypes——用语言模型代替传统 ABM 的行为规则集，让每个数字人根据人口普查画像做个性化决策，而不是遵循同质化的数学方程。
2024 年，团队建立了新西兰 500 万市民的数字孪生，复现了 COVID-19 疫情下各种干预措施的效果。这是目前世界上最大规模的 LLM 驱动社会仿真，已在 AAMAS 2025 获 Oral 论文。
LLM 驱动的百万级仿真在传染病建模上优于传统 ABM，且可以回答"如果换一种政策会怎样"的反事实问题——传统模型做不到这点。
Monica Lam 的开放虚拟助手实验室（OVAL）开发了 STORM 系统：AI 通过多视角模拟对话生成维基百科级别的深度研究报告。核心创新是"预写作阶段"——让 AI 先模拟多个不同观点的专家互相提问，再基于这些问题架构研究大纲，最终生成有深度的长文。
STORM 发布后迅速成为主流：GitHub 13,000+ Stars，百万用户，衍生出 Co-STORM（人类参与的协同版本，EMNLP 2024）。这是学术 NLP 实验室罕见的大规模实际部署案例。
比起让 AI 直接写报告，让 AI 先"模拟提问"再写作，可以显著提升内容的覆盖广度和逻辑深度——这验证了 AI 的"思考前戏"比直接生成更有效。
BAIR（Pieter Abbeel、Dawn Song、Sergey Levine 等）和 RDI 联合开发了 WebArena——真实部署的开源网站环境（购物、讨论区、代码仓库、地图），让 AI Agent 在真实网页上完成任务，而非合成环境。ICLR 2024 发表后成为 Web Agent 研究的基准标准。
关键数据对比：人类在 WebArena 上的完成率约 78%。2024 年最好的 AI Agent 约 35-40%，差距仍然巨大。这个数字在行业里广泛流传，成为"AI Agent 言过其实"讨论的核心证据。
Graham Neubig 的 NLP Group 开发的 OpenHands（原 OpenDevin），是目前最接近"真正独立写代码"的 AI Agent 平台。核心设计是沙盒化 Docker 运行时——Agent 可以在独立环境中自主编写、运行、调试代码，处理来自 GitHub 的真实 Issue。
OpenHands 在 SWE-bench Full（真实 GitHub Issue 修复基准）上长期位居全球第一，衍生出 All Hands AI 创业公司，GitHub 31,000+ Stars。SWE-bench Multimodal 于 ICLR 2025 发表，将评估扩展到多模态软件任务。
SWE-bench 证明了"在真实代码库上完成真实任务"和"通过编程面试"之间存在巨大鸿沟。当前最好的 Code Agent 能解决 ~50% 的真实 GitHub Issue，但失败模式高度集中在理解跨文件上下文和长程依赖上。
MIT CSAIL 算法对齐组发布了 AI Agent Index（2025），系统调查了 200+ 个已部署的 AI Agent，揭示了行业整体在安全文档、权限透明度、用户控制方面的系统性缺失。同期还发布了 EnCompass（比基线少 80% 代码量的框架）和数据科学工作流加速工具 Palimpzest。
87% 的已部署 AI Agent 没有任何安全文档；76% 没有明确的权限范围说明；只有 8% 提供了用户控制 Agent 行为的接口。
Danqi Chen（RLHF 与上下文学习先驱）、Karthik Narasimhan（语言基础 Agent 先驱）和 Sanjeev Arora（理论 ML）联合领导的 PLI，是美国 LLM 基础研究密度最高的单体机构之一。研究覆盖完整 LLM 生命周期：构建（预训练/后训练）、对齐、解释。
AI²（Algorithmic Interpretability Initiative）和 NAM（Narratives and Media）是两个大型跨学科项目。PLI 研究员连续在 NeurIPS、ICLR 获得 NSF CAREER 奖项，是大学 LLM 研究的核心节点。
22—25 岁进入劳动力市场的年轻人，在 AI 高暴露职业中经历了 16% 的相对就业下降。这不是预测，是 2023 年的真实数据。
Daron Acemoglu（2024 诺贝尔经济学奖）、David Autor（劳动经济学权威）和 Simon Johnson 主导的"塑造工作的未来"计划，是美国对 AI 劳动力影响最系统的学术调查。核心命题：AI 技术的落地路径本身是政治经济选择，不是技术决定论。
Acemoglu 的旗帜性结论：我们高估了 AI 对生产力的短期影响——大量"AI 自动化"实际上只是把低质量工作外包给机器，并没有真正提升产出质量。Stone Center 对社会不平等的研究则显示，AI 收益高度集中在少数精英阶层。
22—25 岁年轻人在 AI 高暴露职业中，就业相对下降 16%（2023 实际数据）。同期实习生职位减少明显，初级白领岗位是受冲击最重的群体。
Erik Brynjolfsson（Digital Economy Lab）和 Diyi Yang（SALT Lab）从两个维度测量 AI 对人类工作的影响。Brynjolfsson 的"Generative AI at Work"（与 MIT 合作）是最严格的 AI 生产力 RCT 之一；Yang 的 SALT Lab 则专注于 AI 与社会价值观的摩擦，特别是跨文化、跨语言的伦理边界。
来源：Brynjolfsson et al., "Generative AI at Work" (NBER Working Paper, 2023)
Ken Koedinger 主导的 Simon Initiative 和 LearnLab，是 Herbert Simon（诺贝尔经济学奖、图灵奖）认知科学传统的直接继承者。他们开发的知识组件（Knowledge Components）、知识追踪（Knowledge Tracing）和 CogGen 框架，是 AI 教师领域迄今最完整的理论体系。
CMU 的 RCT 研究（2025）结论反直觉：人类+AI 配对辅导 > 单独 AI 辅导，即便在成本受控条件下也如此。AI 在个性化难度调整上优于人类，但在识别学生情绪状态和适时切换策略上仍需人类辅助。
CogGen 框架揭示：AI 辅导的有效性高度依赖知识组件的精准建模。一个错误的 KC 定义可以让 AI 辅导效果下降 40% 以上——"数据足够多"不能替代"认知模型正确"。
Daniel Ho 主导的 RegLab（Regulation, Evaluation, and Governance Lab）同时回答两个问题：政府如何用 AI 更好地执行职能？社会如何设计机制管控 AI 风险？STARA（法定研究助手）帮助旧金山市检察官清理数千页过时法规；与普林斯顿合作的 AI，从 500 万份房产契约中识别出种族性限制条款。
500 万份房产契约扫描：人工需要数十年，AI 数周内完成，识别出 20 世纪美国系统性种族歧视的历史证据。RegLab 使用随机对照试验（RCT）而非观察性研究，让结论在法律政策界更有可信度。
Ion Stoica、Joseph Gonzalez 和 Woosuk Kwon 开发的 vLLM，是目前全球使用最广泛的开源 LLM 推理引擎。核心创新 PagedAttention：借鉴操作系统虚拟内存分页机制，将 KV 缓存切分成非连续内存页，GPU 利用率从 30-60% 提升至 90%+，同等硬件下 LLM 服务吞吐量提升 2-4 倍。
vLLM 已成为 AI 基础设施事实标准：50,000+ GitHub Stars，800+ 贡献者，Anyscale、Perplexity AI、百度、阿里云等生产部署；2024 年 7 月成为 Linux Foundation/PyTorch Foundation 正式项目。SkyPilot 提供多云 AI 任务调度，实现跨 AWS/GCP/Azure 的自动切换和成本优化。
来源：Kwon et al., "Efficient Memory Management for Large Language Model Serving" (SOSP 2023)
Azalia Mirhoseini 在 Google DeepMind 用 RL 训练 AI 设计芯片（AlphaChip），于 2021 年在 Nature 发表划时代成果：6 小时内生成芯片布局，三项关键指标全面优于或持平于人类工程师，直接用于 Google TPU 和数据中心 CPU 设计。2023 年加入斯坦福创立 Scaling Intelligence Lab，目标是递归式自我改进（Recursive Self-Improvement）。
Mirhoseini 的另一重要贡献是混合专家模型（MoE）的早期发展——今天几乎所有前沿大模型（GPT-4、Gemini、DeepSeek、Llama 3）均使用 MoE 架构，这是她在 Google Brain 时期奠定的基础。2024 年联合创立 Ricursive Intelligence，专注"用 AI 设计训练 AI 的芯片"核心闭环。
AI 设计更好的芯片 → 芯片训练更强的 AI → 更强的 AI 设计更好的算法 → 算法产生更强的 AI。Scaling Intelligence Lab 的使命是研究这个闭环的可行性和安全性。
Pranav Rajpurkar（哈佛医学院生物医学信息学系）领导的实验室专注于通科医疗 AI（Generalist Medical AI）——整合 CT 图像、病历文字、化验数据、生命体征，像医生一样多模态推理，做出全面诊断。这是对"专科模型"范式的系统性挑战。
联合创办的 a2z Radiology AI 开发了美国首个 FDA 批准的 CT 腹盆部多发现 AI 分诊系统（De Novo 授权），覆盖 20+ 种异常发现。2025 年在 Nature Medicine 发表 ClinicalBench，在 Nature 发表多 Agent 医疗系统论文——证明多个专科 AI 协同会诊显著优于单 Agent。
用强化学习训练与人类认知兼容的推理链——让 AI 的诊断推理过程能用医学术语表达，而不是黑盒神经网络的激活值。这是 FDA 审批和临床采用的关键前置条件。
Andrew Lo（MIT Sloan + CSAIL，AlphaSimplex 首席投资策略师）是将行为经济学、神经科学与量化交易融合的先驱。2004 年提出的适应性市场假说（AMH）从生物进化视角重构有效市场理论：市场效率随环境变化，泡沫和崩溃是进化适应滞后的结果。
Lo 的预判：5 年内，AI 将能够自主管理个人投资组合，无需人类理财顾问介入——不是聊天机器人给建议，而是真正的目标理解、动态调仓、行为纠偏、个性化建模。神经金融学研究（皮肤电导、功能性 MRI）揭示了压力激素（皮质醇）与交易决策质量的直接关联，为 AI 辅助交易提供了神经科学依据。
LLM 解析 10-K 报告、盈利电话会议、新闻文章，提取对资产价格有预测力的情绪信号，与传统量化因子（价格动量、财务比率）融合。这是大学金融实验室与对冲基金真实资本的双向验证。
WebArena 数据显示，最好的 Web Agent 完成率约 35-45%，人类 78%。SWE-bench 上最好的 Code Agent 修复约 50% 的真实 GitHub Issue——失败集中在跨文件上下文理解。"AI 可以替代程序员"的说法至少在 2025 年仍是过度宣传。
平均 14% 的生产力提升掩盖了极度分化的真相：新员工提升 35%，资深员工仅 4%。受益最大的是技能差距最大的人——这意味着 AI 在短期内是"才能均衡器"，但也意味着初级工作岗位面临最大的替代风险。
模型能力竞赛接近天花板，推理效率成为新竞争维度。vLLM 把同等计算资源的 LLM 吞吐量翻倍。本地模型研究显示，2023—2025 年单位能耗智能输出提升 5.3 倍（架构贡献 3.1×，硬件贡献 1.7×）。大量 AI 查询可以完全在端侧完成。
2024—2025 年标志着医疗基础模型从"单任务分类"到"通用医疗推理"的质变。FDA De Novo 批准、Nature Medicine 2025、Nature 2025 多 Agent 医疗系统论文——技术准备度已接近大规模临床试验门槛。缺失的是监管路径和责任框架，不是技术本身。
Acemoglu 等人的数据不是预测，是 2023 年真实发生的：22—25 岁年轻人在 AI 高暴露职业中就业相对下降 16%。这不是技术进步自然替代，是政治经济选择的后果——谁获益、谁承担成本，取决于政策设计，不取决于技术本身。
AI Agent 的安全文档缺失率（87%）、AI 辅导中人类的不可替代性、AI 生产力分配的不公平性——这些发现都来自大学，不来自企业。原因很简单：企业没有动力发表对自己不利的数据。这是大学 AI 研究在这个时代最不可被替代的价值。
这 14 个实验室的共同结论是：AI 的真实能力与公众预期之间存在一个系统性偏差——偏差的方向因场景而异，但偏差的来源是一致的：缺乏在真实环境中对真实任务的严格测量。这是大学研究者的核心使命，也是这份报告的全部意义。
这 14 个实验室的价值，不在于它们能比 OpenAI 更快地发布一个更大的模型—— 它们的价值在于，它们会在模型发布后的十年里，告诉我们那个模型真正做了什么。