加拿大在特朗普颠覆美国科研之际吸引AI与科学人才

数十年来，美国凭借科学领域最强大的竞争优势之一获益匪浅——世界上众多顶尖研究人员都渴望在此工作。

这种优势不会在一夜之间消失。美国仍拥有无可匹敌的研究型大学、联邦实验室、私人资本和科技公司聚集。可是人才流动正变得不再单向，且加拿大正以异常积极的方式利用这一转变。

最新案例来自多伦多大学，该校已招募了六位目前在美国机构任职的杰出研究人员，分别来自麻省理工学院、美国国立卫生研究院（NIH）、加州大学旧金山分校（UCSF）、俄亥俄州立大学、波士顿大学以及圣路易斯华盛顿大学医学院。

这六位研究人员是全新“Eddie Goldenberg 加拿大研究主席”计划的一部分，该计划是渥太华价值17亿加元的加拿大全球影响+研究人才计划的核心。更广泛的倡议旨在在12年内吸引并支持超过1,000名国际和外籍研究人员，其中专门用于研究主席的经费为10亿加元。

该首批团队之所以尤为引人注目，是因为人才来源。通过研究主席计划首批招募的64位学者中，已有48位目前驻扎在美国。

这看起来已经不再是普通的学术招聘，而更像是一场关于智力资本的地缘政治竞争。

为什么美国突然更易受到研究人才流失的冲击

这一时机很难与自2025年1月唐纳德·特朗普总统重新上任以来席卷美国科学界的动荡分割开来。

2026年1月《Nature》杂志的分析统计显示，超过7,800 项美国研究经费被终止或冻结，以及大约25,000 名科学家和其他研究人员离开了参与研究的联邦机构。政府还提议大幅削减联邦科学预算，包括对NIH削减近40%，对国家科学基金会（NSF）削减57%，对NASA科学任务局削减47%。这些提议并非全部成为法律，且部分行政行动遭到国会和法院的阻挠，但不确定性本身已影响到实验室、招聘以及长期研究规划。

政府的立场比单纯抛弃科学更为微妙。正如Unite.AI 最近的研究所示，白宫正试图重组约2000亿美元的年度联邦研究支出。其提案倾向于更多跟随个人科学家的资助、更快捷的拨款机制、高风险研究、人工智能驱动的发现以及人工智能和量子计算等战略技术。政府认为，现行以大学为中心的资助体系已变得官僚化，且对国家重点关注不足。

然而，重构研究生态系统也会产生赢家和输家。经费取消、联邦人员削减以及对哪些研究类型获得支持的变动，使许多科学家的职业规划变得大为不确定。

警示信号很快出现。2025年3月，在一项针对超过1,600名受访者的《Nature》调查中，四分之三的人表示正在考虑离开美国，且加拿大和欧洲是最常被提及的目的地。该调查为自愿参与，不能代表所有美国科学家的整体情况，但随后就业搜索数据也显示出对国外职位的兴趣日益增长。

加拿大似乎已经决定，将一个国家的动荡转化为另一个国家的机遇。

加拿大正在打造招聘机器，而不仅仅提供少量教授职位

渥太华的策略不仅仅是支付高级科学家搬迁费用。

C$17亿的计划包括研究主席、基础设施资助、早期职业岗位以及博士和博士后奖项。5月，政府向来自72个国家的候选人提供了659项研究培训奖，而Canada Impact+ Emerging Leaders项目旨在帮助大学在研究人员职业早期就招募有前途的科研人才。

加拿大还开始将移民政策与该战略对齐，为研究人员开辟新通道，并对部分被招募人员提供加速审批。

这种做法之所以重要，是因为顶尖研究人员很少单独行动。高级科学家往往会带来博士后、研究生、合作伙伴以及未来的教职招聘。他们的实验室可以吸引产业合作，产生知识产权，最终孕育创业公司。

正是这种乘数效应，使得多伦多大学的六位新招研究员值得单独审视。

Adrienne Campbell-Washburn：重新思考磁共振成像仪的可能性

Adrienne Campbell-Washburn 正从美国国立卫生研究院（NIH）心、肺、血液研究所转出，她于2013年以博士后身份加入，后晋升为高级研究员。

她的研究挑战了磁共振成像的一个基本假设：更强的磁场必然更好。

Campbell-Washburn 实验室帮助开创了高性能0.55特斯拉低场MRI，将较弱的磁场与现代计算、采集及重建技术相结合。该方法在成像肺部等传统上对MRI有困难的部位时具有优势，同时降低金属装置相关的问题，并有望降低扫描仪的成本和基础设施需求。

在Sunnybrook研究所和多伦多大学医学生物物理系，她计划通过更低成本的MRI系统、便携式扫描仪以及人工智能驱动的成像技术进一步推进此项工作。

更广泛的意义十分重大。MRI 功能极其强大，但大型传统扫描仪昂贵且集中在大型医院。如果低场机器结合日益先进的AI重建能够以更廉价的硬件生成临床可用的图像，MRI 未来或可在更多场所普及，包括小型医院、社区诊所，甚至床旁环境。

Tanya Berger-Wolf：利用AI理解自然世界

Tanya Berger-Wolf 来自俄亥俄州立大学，拥有跨越理论计算机科学、人工智能、生态学和保护学的罕见复合专长。

她是被称为imageomics的先驱之一，利用机器学习从自然界收集的大量图像中提取生物信息。

Berger-Wolf 是Wildbook的创始贡献者之一，这是一个开源平台，可通过照片识别单个动物。类似于人脸识别区分人类，这些系统能够识别斑马、鲸鲨等动物的独特纹理，使研究人员无需仅依赖实体标签或GPS项圈即可监测种群和行为。

她的Imageomics研究所随后大幅推进了该概念。其BioCLIP模型在超过2.1亿张覆盖约一百万物种的图像上进行训练，使AI能够识别已知生命树上相当大比例的生物。

在多伦多大学，Berger-Wolf 打算将图像与音频、基因信息和传感器数据相结合，构建更丰富的生态系统模型，以了解其对气候和人类活动的响应。

该项目展示了AI日益重要的方向：基础模型正从文本、图像和消费应用向专门的科学领域扩展，在这些领域中，庞大的数据集几乎不可能由人类手动分析。

Shu (Joy) Jiang：将医学AI从算法推向医院

Shu (Joy) Jiang 将从圣路易斯华盛顿大学医学院加入多伦多大学，她的研究结合了生物统计学、癌症预测和人工智能。

她的一个最显著项目已经展示了学术AI研究如何跨入商业医学。

Jiang 与流行病学家 Graham Colditz 共同创立了Prognosia，该公司开发了一套分析乳腺X线照片以预测女性五年内罹患乳腺癌风险的AI系统。该软件在2025年获得了FDA突破性医疗器械认证，随后被韩国医疗AI公司 Lunit 收购。

该技术并非仅仅检测已有肿瘤，而是寻找乳腺X线图像中的模式，以指示未来风险，包括人类临床医生可能看不见的信号。

在多伦多大学 Dalla Lana 公共卫生学院，Jiang 将解决另一个可能与开发算法本身同等重要的问题：将经过验证的医学AI引入真实临床环境。

她计划的工作包括构建连接医院、监管机构和产业的基础设施，以便在加拿大范围内评估并部署医学影像AI。

这解决了医疗AI最大的瓶颈之一。行业已经拥有日益增多的有前景模型。更难的挑战在于证明它们在不同医院、患者群体和影像设备上始终如一地有效，并将其整合到临床工作流中，使医务人员真正能够使用。

Michelle Arkin：攻克医学中的“不可药物化”靶点

Michelle Arkin 为多伦多大学密西沙加校区带来了远超学术药物发现背景的经验。

在UCSF，她曾任药物化学教授、小分子发现中心执行主任以及研究技术与创业副院长。早期在Sunesis Pharmaceuticals工作时，她参与了首批针对蛋白‑蛋白相互作用的强效抑制剂研发。

该工作产生的一个化合物是lifitegrast，最终成为FDA批准的干眼症治疗药物。

她的研究现重点聚焦于历史上被视为难以或无法药物化的生物靶点，包括蛋白‑蛋白相互作用、分子机器和转录因子。她还活跃于阿尔茨海默病研究，并共同创立了数家治疗公司。

在多伦多大学，Arkin 将研究包括分子胶、精准医学以及AI驱动的药物发现等领域。

分子胶尤其有趣，因为它们的工作方式不同于传统药物。它们不是单纯阻断蛋白，而是促使生物分子产生平时不会发生的相互作用，或许能够让细胞清除致病蛋白。

若结合能够预测分子相互作用并搜索庞大化学空间的AI系统，这类方法或能扩大人类生物学中可实际药物化的比例。

Raymond Fisman：研究金钱与政治权力相遇时的现象

并非所有新招人员都从事实验室科学研究。

经济学家 Raymond Fisman 从波士顿大学加入多伦多大学 Rotman 管理学院，带来一个聚焦于腐败、政治影响、治理以及制度与经济行为关系的研究项目。

他最著名的研究之一使用了一个不寻常的数据集：纽约市联合国外交官的违规停车记录。

由于外交官享有豁免权，Fisman 与经济学家 Edward Miguel 能够研究在缺乏常规法律后果时官员的行为。他们的研究发现，违规行为与外交官所属国家的腐败规范呈强相关，而随后加强的执法措施显著降低了违规率。

近期的研究考察了政治捐款、政府透明度以及选举激励如何影响对信息自由请求的回应。2026年的一篇论文发现，在腐败程度较高的环境中，机构更倾向于在选举前拒绝或拖延此类请求。

在 Rotman，Fisman 将研究富裕个人和有组织的利益集团如何影响公共政策，选民为何有时容忍腐败证据，以及政府如何提升问责制。

他被纳入该计划意义重大。加拿大的研究战略并不局限于可立即转化为产品的技术。它同样认识到，治理技术、市场和公众信任的制度，其影响力可与技术本身同等重要。

Sara Seager：将寻找其他星球的探索带回多伦多

在这六位中，Sara Seager 可以说是最为人熟知的名字。

这位多伦多本地人于1994年毕业于多伦多大学，随后在哈佛获得博士学位，并最终成为麻省理工学院的教授。她随后成为系外行星科学的先驱之一，尤其是行星大气研究以及寻找可能揭示地外生命的气体。

她的职业生涯包括获得麦克阿瑟基金会奖、卡夫利天体物理学奖以及被任命为加拿大勋章官员。

她回到多伦多的消息实际上早于最新的联邦主席计划结果公布。她计划于2026年9月1日加入多伦多大学，这使得她的情况与在联邦倡议启动后专门招募的研究人员略有不同。

在多伦多大学，她计划将天文学、化学、计算物理和航空航天工程相结合，同时继续探索宜居世界的搜索。她还领导“晨星”金星任务，旨在直接探测该行星大气中的有机分子。

新的主席职位将该工作拓展至行星与分子传感技术，包括能够在极低浓度下检测化学物质的仪器以及用于解释复杂行星和环境系统的AI模型。

这些技术不必局限于空间科学。超灵敏的分子传感未来可能在环境监测、工业检测和人类健康等领域得到应用。

更大的奖赏是围绕研究人员形成的生态系统

加拿大应谨慎，避免过早宣告胜利。

美国仍是全球最具支配力的研究生态系统（依据多数衡量标准），其拥有的优势并非加拿大仅凭更大额度的招聘支票就能复制。其大学、国家实验室、风险投资行业、制药公司、大型云服务提供商以及国防研究基础设施共同形成了对科学人才的巨大吸引力。

特朗普政府也并未一刀切削减对先进技术的支持。人工智能、量子计算、防务技术以及AI驱动的科学研究是其明确想要优先发展的领域。

但研究领导力的转变可能在边缘就已开始，远早于在国家排名中显现。

今天迁移的研究人员明天可能招募十名学生。这些学生又可能培养下一代科学家。一个实验室可能产生专利，进而形成创业公司，吸引工程师和投资者，最终孕育出产业集群。

多伦多曾见证过这种动态。Geoffrey Hinton 于1987年从卡内基梅隆大学转至多伦多大学，当时神经网络尚未流行。数十年后，他的工作奠定了深度学习革命的理论基础，并促使多伦多成为全球主要AI研究中心之一。

加拿大正尝试在人工智能、生物技术、医学、气候科学、量子技术及其他战略领域复制这种长期复合效应。这是将国家学术优势转化为经济能力的更广泛努力的一部分，包括今年早些时候推出的国家AI战略。该战略同样强调将更多的研究、公司和知识产权留在加拿大境内。

加拿大仍需证明能够留住吸引的人才

该战略也面临着合理的批评。

加拿大不可能仅凭超级明星的招聘就构建可持续的研究生态系统。现有的加拿大研究人员长期抱怨经费有限、薪酬难以与美国竞争以及对年轻科学家的机会不足。批评者质疑，资金充足的国际主席职位是否会导致两级体系——新招研究人员获得极高待遇，而同样有能力的本土科学家却面临更紧张的资源。

这使得C$17 亿美元计划中的早期职业、基础设施和培训组成部分尤为关键。

如果加拿大仅仅引进知名科学家，计划将产生令人印象深刻的公告。如果这些科学家获得资源以建设实验室、招募年轻研究者、与产业合作、商业化发现并创建在其个人职业生涯之外仍能存续的机构，那么其影响将更为深远。

在过去的一个世纪里，美国深知创新的一个根本要素：吸引杰出人才本身就是一种经济政策。

加拿大似乎已经领悟了这一教训。

现在的问题是，美国是否仅是暂时为其邻国提供了一个机会，亦或是跨境的科学人才流向正开始以更持久的方式改变。