★置顶zzllrr小乐公众号（主页右上角）数学科普不迷路！
2月11日， 在UCLA（加州大学洛杉矶分校）举办的2026年AI科学盛典：AI for Science: Kickoff 2026（SAIR基金会项目启动会），下午场邀请了四位嘉宾探讨AI时代下的高等教育变革。
随着人工智能日益深度融入科研全过程，大学不得不重新思考的，已不仅是工具本身，而是科研的组织方式、评价体系与可持续模式。
这一制度层面的转型，正是今年2月在加州大学洛杉矶分校（UCLA）举办的 “科学人工智能启动大会”上，“人工智能与科学 —— 高等教育变革” 圆桌论坛的核心议题。
本次论坛由 UCLA 物理科学学院院长、SAIR 基金会联合创始人米格尔・加西亚 - 加里贝主持，汇聚了全球顶尖大学中负责制定 AI 科研转型战略的学术领袖：
- 扬尼斯・约尔索斯，南加州大学维特比工程学院院长
- 布伦达・鲁宾斯坦，布朗大学克里布尔化学教授、物理学教授、数据科学研究所所长
- 布夫内什・贾因，宾夕法尼亚大学数据驱动发现计划联合主任
嘉宾们共同探讨了大学如何应对 AI 带来的变革，议题涵盖科研基础设施、 funding 模式、教师激励机制、跨学科合作以及科学人才培养的未来。
核心要点笔记（极简版）
一、开场背景
高校经费骤减危机 → 催生 科学与AI研究基金会（SAIR）
目标：搭建 学界 + 产业 + 政府 + 慈善 的 AI 科研生态
大学两大使命：人才培养、深度创新
二、AI 时代的两大挑战
教学：AI 冲击批判性思维、学术诚信
科研：高校缺算力、缺数据、难留人才
三、什么是真正的智能
会适应、能从经验学习、有目标、能自主判断对错
四、AI 发展的三个时代
1、模拟时代
2、人类数据时代（现在）：学已有知识，无法原创
3、经验学习时代（未来）：自主探索、互动试错、创造新知识
五、AI for Science 能做什么
宇宙学：绘制暗物质分布图、加速宇宙模拟
化学 / 生物：量子计算、蛋白质动力学、药物研发
跨学科：打破专业壁垒，催生大交叉科学
六、AI 对教育的改变
不再只教技能，而是培养能驾驭 AI 的专家
打破院系边界
教师必须快速提升 AI 能力
博士评价体系、助教模式都将重构
七、大学未来的定位
原创思想的试验田（允许大胆、失败、超前）
坚持做长期基础研究
与产业快速协同，而不是等多年
八、当前最缺什么
把 AI 当科研伙伴，而不只是工具
跨领域协作新机制
AI 时代的学术出版与评价新标准
九、核心结论
未来关键：从经验中学习的 AI
教育方向：人机协同、可解释、可信、跨学科
人类角色：领导 AI、定义问题、保持创造与好奇
以下正文为完整演讲内容（含Q&A问答环节）
作者：SAIR基金会 2026-2-11
译者：zzllrr小乐（数学科普公众号）2026-2-15
圆桌讨论会议内容全文
欢迎来到今天最后一场环节，这真是激动人心的一天，整场都非常精彩。
本场主题是：人工智能与科学驱动下的高等教育变革。
流程是这样的：我先做简短介绍，然后逐一介绍本场嘉宾，每位嘉宾做简短发言，之后我们进入问答环节，也会接受现场观众提问。
首先我自我介绍一下。
我叫米格尔·加西亚-加里贝（Miguel García-Garibay），是UCLA化学与生物化学专业的教授，同时担任物理科学学院院长。我也很荣幸，能够支持和推动我们数学系一众杰出同事的工作——他们和纯数学与应用数学研究所（IPAM）联系非常紧密。此外还有物理与天文、化学与生物化学、地球行星与空间科学、大气与海洋科学、统计学，以及环境与可持续发展研究所。
我们所理解的AI for Science（科学人工智能，AI赋能科学），是希望把科学人工智能、把学术界的AI，从数学拓展到几乎所有学科领域。这也是我主要的动力之一。
这一切大概始于去年6月。
有一天早上我们醒来，发现加州大学洛杉矶分校（UCLA）12.2亿美元的校外经费突然没了，资金全部冻结，其中也包括IPAM的经费。
IPAM是一个非常棒的机构，主要依靠美国国家科学基金会的慷慨资助运行。它刚刚获批未来五年的资助，结果突然间，我们一分钱都没有了。
一个每年支出超12亿美元的科研体系，支撑着大量人员——健康科学、物理科学、工程领域的很多人，都依靠这些经费发薪水、开展项目、支持助教、博士后、研究科学家。
我讲这些，是想说明我们当时所处的背景。也正是在这种情况下，我们开始讨论成立这个基金会，查克对AI尤其关注，他本身也非常关注数学。我们很快和蒂托、迪玛建立了合作。我记得我们当时在洛斯金中心吃饭，大家就想：我们必须做点什么。
于是就有了今天的SAIR（Science & AI Research，科学与人工智能研究基金会）。
我们非常高兴大家能来到这里，因为这件事的意义已经超越了当初那次经费危机。
科学与人工智能研究基金会，旨在打造并培育一个生态系统，汇聚学术界、产业界、政府、基金会和个人慈善家。我们认为，当下AI领域充满活力与机遇，正是做这件事的最佳时机。
大学的角色，我们认为主要有两点：
一是人才培养，二是创新，尤其是深度创新。
这也是我希望我们今天一起探讨的核心。
接下来为大家介绍本场嘉宾。
很遗憾，彼得·洛文（Peter Loewen）因故无法到场，他遇到紧急情况，几天前告知我们无法出席。我会在嘉宾发言时逐一介绍。
本场主题叫高等教育变革。
你可能会问：到底什么在被变革？
答案是：一切都在变。
但今天我们重点关注学术研究的两大核心：教与学、研究与发现。
我先列出几点现实挑战，当然还有更多：
在教学方面，ChatGPT等工具突然出现，带来巨大冲击，大家开始担心：批判性思维会怎样？学术诚信如何保证？
在科研方面，我们一直面临一个问题：大学很难和企业竞争——我们算力不足、数据有限，甚至连人才都很难留住，因为企业投入太大。
所以我们必须认真思考：高等教育与高校科研，在AI时代究竟该扮演什么角色？
同时也有大量机遇：
教学上：全新的教学形式、个性化辅导、辅助教学、人才培养模式革新等。
科研上：协同合作、以数据为中心的AI、数学证明的新可能，等等。
很明确的一点是：
高等教育中的科学人工智能，是塑造未来的机会。
今天入学的学生，未来会成为社会中坚力量，他们就是未来。我们需要协同，需要抓住这个机会，一起去做。
回到SAIR：
为什么我们需要一个囊括研究型大学、政府、企业、投资人和慈善家的生态系统？
因为这些都是社会的关键组成部分。
我准备了一张简单的流程图：
一端是研究型大学，另一端是产业，底部是社会。
这是一个简化模型，但抓住了核心。
大学的使命，是创造知识、传播知识，满足人类的好奇心。
我们覆盖STEM（科学、技术、工程、数学），也覆盖人文、社会等领域。
大学的两大核心产出：
1. 能够转化为硬核科技与知识产权的创新
2. 人才培养
大学和产业最直接的连接就是人才。
同时，转化型研究在大学的模式中越来越重要。
UCLA物理科学学院现在很大一部分收入来自知识产权，尤其是药物化学。我们还有其他领域开始产生收益，帮助我们实现可持续发展。
所有这些转化研究，最终都会流向高科技产业。
有意思的是：AI正是起源于大学。
它曾经是一项硬核技术，经过多年发展，最终成长为驱动经济、提升生活水平的产业。
但这整个体系极其昂贵，需要全社会共同投入。
我想强调的是：
我们必须意识到，如果没有研究型大学和基础研究，整个链条就会断裂，我们会陷入巨大麻烦。
我这里有一组很震撼的数据：
培养一名STEM专业的人才，成本非常高。
- 本科四年：约 32万美元
- 博士：约 110万美元
- 博士后：高达 180万~200万美元
这些投入，大部分来自纳税人、政府、基金会和慈善捐赠。
这些人才都去哪里了？
我列了几家科技公司的数据：
- 苹果：5万名博士级科学家工程师
- Meta：4万名
- 英特尔：3.65万名
- 英伟达：2万名
每个人背后都是50万到200万美元的社会投入。
换句话说：大学管理着数百亿、上千亿的社会人力资本投资。
回报如何？
只看2024年一年的营收：
- 苹果近4000亿美元
- Meta 1640亿美元
- 英伟达近610亿美元
- 英特尔530亿美元
这四家加起来近 8000亿美元。
而美国全年在STEM领域的总投入是 2800亿美元。
投资回报极其惊人。
所以我们必须清醒：
我们高度依赖大学这一端——创造知识、培养人才、推动创新。
一旦停止支持，整个系统就会崩溃。
好的一面是，今天的机遇无比振奋。
科学正处于最好的时代，AI赋能科学，科学又反过来推动AI。
我相信，未来非常积极，社会应当持续投入。
我的开场就到这里，接下来我切换一下演示。
我将按照传统学术方式，逐一介绍今天的演讲者。
第一位演讲者：布夫内什·贾因（Bhuvnesh Jain）博士
布夫内什·贾因（Bhuvnesh Jain）
他是宾夕法尼亚大学数据驱动发现计划联合主任，安嫩伯格自然科学教授，研究领域是宇宙学。他通过大规模宇宙学巡天研究光的传播和星系演化。
他是鲁宾望远镜能源科学合作项目的创始发言人，也是美国物理学会会士，获得过ICBS国际基础科学大会前沿科学奖。
本科和博士分别毕业于普林斯顿大学和麻省理工学院。
有请贾因博士。
贾因博士发言
非常感谢米格尔。今天一整天都非常精彩。
我的演示会很轻松，主要放一些图片。
每次我的AI同事邀请我参加他们的活动，大家都开玩笑说我是气氛担当，因为只有我们天文学家有这么多好看的图。
在讲科研之前，我先说一下教学。
我很兴奋于教学这件事。我给非STEM学生开过AI导论课，讲大模型到底怎么工作；和生物系的同事合开过研究生研讨课；也教过本科机器学习。
我很愿意和任何人交流AI时代的教育学，包括人文学科的同事——他们很多人对AI感到焦虑。
我的研究方向是引力透镜，用来研究膨胀的宇宙。
我们关心的是最宏大的问题：星系起源、宇宙起源、宇宙未来，而这些都和暗物质、暗能量有关。我们通过实验知道它们存在，但还在追寻它们的本质。
我直接讲AI如何改变宇宙学研究。
上面这张图是用数据做的暗物质分布图，是目前星系巡天做出的最大一张暗物质地图。
我们分析了1亿个星系的图像畸变，画出宇宙中的质量分布。深蓝色是宇宙巨洞，亮区是超星系团和星系团。
用AI做这种地图，不是识别猫是橘猫还是玳瑁猫。
宇宙结构来自早期宇宙的量子涨落，具有随机性。
我们用扩散模型从噪声数据中反演，把地图分辨率提高了四倍，目前仍在验证中，但已经公开在论文预印本库。
我们如何和理论对比？
大家听到很多优美的数学，但真实宇宙更混乱。
我们靠巨型计算机模拟做预测，而AI能加速模拟，让我们用更复杂的物理做超分辨率模拟。
还有一种叫基于模拟的推断，让很多物理学家紧张——我们不再计算物理学家习惯的关联函数，而是直接用图比图。
用卷积神经网络判断观测图更接近哪一种理论宇宙。
这就是用AI做数字孪生和端到端推断。
下面这组图展示了跨度极大的系统：图灵斑图、海洋湍流、太阳表面、宇宙结构。
下面一行是传统物理与数学的胜利：用小波分解，几十个系数就能生成这些结构。
这代表我们真正理解了，表示方式非常紧凑。
但如果用扩散模型，可以做到完美。
AI能捕捉跨尺度的极端复杂现象。
有点反直觉的是：生成一张百万像素的图，我们不用几十个解析函数，而是用十亿个参数。
对物理学家来说，这种非紧凑表示简直疯了。
但神奇的是，它能收敛到正确的解。
这就带来一个问题：
这些现象都有层级结构，那么基础模型能否广泛推动科学进步？
目前科学界已有几十个基础模型，但真正有说服力的案例还不多。
更进一步，我想讲生物学相关的一点：
经历了近一个世纪的高度专业化，我们正迎来跨学科科学的新时代。
我对数据科学和AI如何促进交叉学科的兴奋程度，不亚于它们如何加速科学本身。
从本科生到博士后，我们拥有了前所未有的交流与合作方式。
我在宾大AI中心最开心的事，就是把人们聚在一起。
我和前面讲者观点略有不同：
在我看来，科学发现的路径本身仍在探索中。
我们听过很多种科学，但很少讨论如何做实验、如何提问题。当理论失效，该问什么新问题？
在这方面，AI可以作为认知伙伴、一种新型智能，非常有用。
但未来几年会不会出现能做这种科学的AGI（通用人工智能），我认为仍无定论。
总结来说：
有了这个认知伙伴，科技界和学术界就有了更多合作可能。
谢谢大家。
第二位讲者：布伦达·鲁宾斯坦博士
布伦达·鲁宾斯坦（Brenda Rubenstein）
她是布朗大学化学教授，数据科学研究所所长。她领导着校内最大的研究所，200多名教员参与，专注数据向善。
她入选《大众科学》2021年“天才10人”，化学与工程新闻2019年顶尖青年科学家。
她曾在劳伦斯利弗莫尔国家实验室做博士后，本科、硕士、博士分别毕业于布朗、剑桥和哥伦比亚大学。
有请鲁宾斯坦博士。
鲁宾斯坦博士发言
非常感谢米格尔的介绍，感谢主办方和UCLA。
在这个时间点把大家聚在一起，意义重大。
我被告知发言3–5分钟，我会严格遵守。
我先简单介绍我的研究，再讲布朗数据科学研究所做的事，最后讲我认为AI与教育最前沿的问题。
我的专业是计算科学。
我的工作主要两块：
1. 机器学习与量子计算，互相促进。我们用量子计算机训练机器学习模型，理解化学与材料。目前量子计算机误差还很大，但我们能用来训练模型。如果要精准模拟量子材料、生物酶，经典计算机做不到，我们正在开发首批量子计算方法。
2. 用机器学习理解蛋白质与RNA动力学。蛋白质的运动方式和疾病直接相关，尤其是癌症。微小突变改变运动方式，最终导致癌症。我们自己开发模型，预测蛋白质长期动力学。
3. 分子计算：让分子本身进行计算。AI在这里非常重要，帮助我们把数据存储、运算映射到化学反应中。
我日常大部分工作是运营布朗大学数据科学研究所。
很多校友说：数据科学已经是2000年代的词了，为什么不改成人工智能中心？
我们两者都做，但坚持叫“数据科学”，因为我们相信：
数据比AI更根本，AI建立在数据之上，而数据连接所有学科。
哪怕是人文学者，也有数据。
我们的使命：推动跨领域创新，真正意义上的所有领域。
我的副所长是历史学家。你可能会问：历史学家和AI有什么关系？
他们正在审视这个时代，提出深刻的问题。这是历史性时刻，需要历史学家、作家等人共同参与。
我们还有一个技术责任与重构中心，思考AI带来的伦理与历史问题。
我最关心的，是人与AI的界面，这也是高等教育最核心的问题。
我们正在进入人类与AI协同的新阶段，但还不清楚这种互动最终会是什么形态。
作为教育机构，我们必须认真思考：
1. 学生未来要做什么？
2. 学生的福祉如何保障？
3. 我们如何把人与机器融合，让双方都变得更好？
从技术角度看，就是让人在回路中验证。
我是计算科学家，也在乎可解释性。
模型能预测很好，但如果我不理解，那就有问题。
人类的思维方式和计算机不一样，我们必须架起桥梁。
要推动物理等学科，我必须能用物理的语言理解AI告诉我的东西。
还有智能体AI（Agentic AI）的崛起，对教育意义巨大。
过去我们教本科生：你要成为专家。
未来，人类可能会和一群AI协作，甚至AI成群、人类少量。
人类必须学会领导机器，这是全新界面。
AI在提升我们的能力，同时也给高等教育带来挑战与机遇。
这个人机交汇界面，是我们未来必须深度思考的地方。
谢谢大家。
第三位讲者：扬尼斯・约尔索斯教授
扬尼斯・约尔索斯（Yannis Yortsos）
他是南加州大学维特比工程学院院长，化学工程教授。
他专注多孔介质中的流动、输运与反应过程，推动“工程+”跨学科教育与科研。
他本科毕业于希腊国立雅典理工大学，硕士、博士毕业于加州理工。
有请约尔索斯院长。
约尔索斯院长发言
谢谢米格尔，谢谢查克邀请我。
我前面的场次没赶上，在南加大处理工作，现在赶过来，时间不多。
我10月在国家工程院年会上做过一个全会报告，主题就是AI与工程教育，今天很多内容来自那次演讲。
我刚当教授时，系主任告诉我：工程就是三件事——能源、材料、信息。
我的论文方向是能源，我当时觉得自己很专。
而AI，同时是这三者的极致结合：
- 它消耗巨大能源
- 它依赖芯片材料
- 它的核心是数据与信息
所以在我看来，AI是一种前所未有的工程形态。
但它还多了一个维度：可信性（Trustworthiness）。
可解释性、理解能力，是AI非常重要的一部分，也是人的要素。
所以我现在的观点是：
AI + 工程 = 能源 + 材料 + 信息 + 可信性。
我一直在想一个问题：
未来，什么东西是不变的？
我认为，人类永远要解决四大问题：
1. 可持续繁荣（我不喜欢单纯说“可持续”，因为它常被政治化，暗示稀缺。希腊词“永远翠绿”更接近我想表达的）
2. 健康
3. 安全（网络、太空等）
4. 丰富生命（教育、科研、娱乐、民主等）
这四大类，适用于所有学科，不只是工程。
2008年美国国家工程院提出的工程重大挑战，本质也是这些。
什么在加速这一切？
AI与计算能力。
它是变革性时刻，增长超指数，接近奇点，很可能是一场相变。
我不是创新专家，也不是商人，但我从动力学角度看：
- 如果创新速度正比于当前水平 → 指数增长（摩尔定律）
- 如果是二次关系 → 会出现奇点
我认为我们正在走向自主化的相变。
我把AI分为三类：
- AI 作为工具
- AI 作为催化剂
- AI 作为技术
对学生来说，必须具备扎实的AI技术知识：机器学习、神经网络等。
我们南加大对所有本科生做出承诺：毕业时都具备实用的AI知识，理解AI工作原理，无论你是计算机、电子、化工还是其他专业。
我用一个象征性的公式总结今天的内容：
把我刚才说的人类需求金字塔，加上AI带来的奇点式双曲线，
最终得到双螺旋结构：
一条链是技术，一条链是人类。
两者交汇，就是人在回路中。
我的希望是：
我们继续用高度发展的计算能力，解决可持续繁荣、健康、安全等重大问题，
实现技术与人性的精细协同。
最后我再解释一下AI的三层角色：
- 工具：像搜索一样，很直观
- 催化剂：极大加速科学、加速学习
- 技术：这解释了为什么AI能跨所有学科
我对技术的定义来自布莱恩·阿瑟：
技术，是利用现象达到有用目的。
现象可以是物理、化学、生物，越来越多是社会与行为。
在AI之前，我们利用物理、化学现象；
而AI，是直接利用数据。
我们把物理、化学暂时抽离，方法反而变得统一。
这就是AI跨领域融合的根源。
我的发言到此结束。
圆桌问答 & 结尾
主持人：
AI如何改变工程与科学教育？
布伦达：
AI不是只改变理工教育，而是让我们重新回归专业本身。
过去很多STEM教育只培养特定技能，不培养真正的专家。
AI迫使我们培养更高水平的专家：能指导AI、判断AI、验证AI。
教育必须重构，让学生能真正看透技术、看透领域。
贾因：
我认为最关键的是：打破院系边界。
生物、物理、化学、实验、理论、数据分析，都应该打通。
本科生科研参与度可以成倍提升；
研究生一进校就该学AI；
教师必须快速提升AI技能，否则大学体系会被拖慢；
大学应该向科技公司学习敏捷迭代，以半年、一年为周期变化，而不是十年。
约尔索斯：
我关心两个现实问题：
1. 未来助教会不会被AI取代？
2. 博士人才的评价标准要不要变？
科学加速太快，现在的五年博士模式、论文评价体系，可能都要改。
主持人：
面对快速变化和巨大资源需求，大学科研应如何演进？
布伦达：
大学的角色，是创新与原创思想的试验田，一块低成本、允许疯狂想法的试验田。
很多想法不切实际、会失败，但没关系。
大学要持续产生想法，输出给产业、社会，同时教会学生如何产生想法。
贾因：
我完全同意。
约尔索斯：
传统上大学做6.1、6.2级别的基础研究，产业做后期。
现在界限被大幅压缩，大学和产业都在做6.2、6.3。
6.1这种纯基础研究，仍会是大学的阵地。
我有一个畅想：
牛顿之前我们不懂自然，牛顿之后世界变得清晰。
我们会不会正处在一个等待“AI时代的牛顿”出现的前夜？
主持人：
AI已经改变蛋白质折叠、药物研发。
它只会是特定领域的加速器，还是会彻底改变科研？
贾因：
过去不到十年，每两三年AI就给科学带来20%的提升。
即便只有这些，也已是我们一生中知识最快的加速器。
AI会不会改变上百个学科？我不知道。
但很多学科即将达到蛋白质折叠那样的突破点。
现在每个科学家都有机会用AI提升生产力。
布伦达：
我们曾经没人相信AlphaFold能成功。
我认为几乎所有领域都能到达这一步。
AI真正改变的，是让大家相信：只要有足够数据，模型就能理解世界。
这在20年前完全不是主流思想。
各个领域现在都有了明确路径：先搞到需要的数据。
主持人：
当前AI for Science的讨论，最缺少什么？
贾因：
我一位同事写过一篇文章叫《AI的乐趣》。
AI是伙伴，我们可以选择如何使用它。
即便AI有了答案，我们依然可以下棋、可以做物理。
把AI当作个人伙伴、团队协作中介，我们才刚刚开始。
AI把科研中枯燥的写作、编码都承担了，我们可以更自由地想象、投入真正有乐趣的科学。
布伦达：
我认为是群体协作的新形态。
AI让不同背景的人站在同一平台对话，以前不可能。
这是在以前所未有的方式，动员整个共同体解决问题。
约尔索斯：
我认为是学术出版的革命。
AI参与写作、研究，什么是发表？什么是贡献？
现有规则还很原始，未来一定会巨变。
主持人：
基金会希望打造产学研协同生态。
你认为产业、学界、投资人应如何合作？大学扮演什么角色？
约尔索斯：
传统产学合作很温和：捐赠奖学金、少量合作。
未来会完全不同：投资方会要求6个月~1年见效，而大学传统节奏是3年甚至更久。
这将是一场革命。
做6.2、6.3这类研究需要巨大能量，不合作根本不可能。
布伦达：
我同意时间尺度问题。
大学长期被政府经费导向渐进式创新，不敢冒险。
我们需要产学政一起支持短周期、大胆、全新的想法，而不是让它们只能在边缘生存。
现在的评审周期太慢，2024年的申请书，2026年评审说“已经过时了”，这是巨大问题。
贾因：
我没有补充。
观众提问 & 结尾
观众：
我们能做什么具体的事来改变本科教育？
贾因：
每所大学都有教授在做惊人的教学实验。
一方面要防守：保护写作、解题能力，防止AI作弊；
另一方面要进攻：用AI辅助教学，让本科生用AI解决研究生级别的问题，让教学更有趣、更有野心。
观众：
如何让所有人——教师、学生、管理者——真正理解AI的变革性，而不被它压垮？
约尔索斯：
AI变化太快，我的幻灯片每天都要更新。
但我们经历过计算机时代，很多反应是相似的。
关键是：AI已经来了，不会消失。
学校要提供工具、论坛、合作项目，让大家自然融入，而不是强迫。
最终，每个人都会在自己的学科里找到AI的位置。
主持人：
时间到了，我们就在这里结束。
AI已经到来，机遇无限，我们必须拥抱它。
有请迪玛做总结。
迪玛：
我只想感谢各位嘉宾、米格尔、查克、陶哲轩，感谢大家带来精彩的一天。
也感谢在座每一位。
未来IPAM还有很多精彩活动，欢迎关注我们的日程，期待再次相见。
谢谢大家。
参考资料
https://www.youtube.com/watch?v=VovYDu8o-54
https://sair.foundation/event/ai-for-science-kickoff-2026/
2026AI科学盛典——圆桌讨论《AI与高等教育变革》会议全文
2026AI科学盛典——圆桌讨论《AI与数学》会议全文
2026AI科学盛典——诺贝尔奖得主巴里·巴里什（Barry Barish）主题演讲全文《LIGO：十年新科学》
小乐数学科普近期文章
·开放 · 友好 · 多元 · 普适 · 守拙·
让数学
更加
易学易练
易教易研
易赏易玩
易见易得
易传易及
欢迎评论、点赞、在看、在听
收藏、分享、转载、投稿
查看原始文章出处
点击zzllrr小乐
公众号主页
右上角
置顶加星★
数学科普不迷路！
热门跟贴