会做模型，却拿不到干净的数据、用不起大规模算力，也不了解结果怎样进入真实系统——这正是 AI 时代统计学面临的尴尬。基础模型是在海量数据上预训练、再适配多种任务的通用模型，它把竞争从“谁的方法更漂亮”推向数据、工程、算力和持续评测。统计学若只调整几门课程，显然不够。
据 Taylor & Francis / JASA 出版页，这篇由 David L. Donoho、Jian Kang、Xihong Lin、Bhramar Mukherjee 等十位作者署名的观点文章，于 2026 年 8 月 28 日在线发表。文章最值得注意的判断，是把文化、计算基础设施和训练视为同一场重建：学科评价要更重视数据整理与标注——确定数据含义、清洗错误并附上可学习标签；研究机构要让统计人员更深入参与数据工程、云端大规模计算和端到端 AI 系统；人才培养也要覆盖从问题定义、数据生成到部署、监测与沟通的完整链条。作者同时强调，统计学在不确定性量化、研究设计、评测和推断上已有优势。文章提出的是发展方向，并未提供实验结果来证明这些建议的效果。