如果AGI三年内到来，博士还值得读吗？Anthropic科学家演讲引热议
如果你相信通用人工智能（AGI）很可能在三年内到来，还会按照原来的设想，按部就班地花几年读完博士、做博士后，再去申请大学教职吗？
Anthropic 科学家雅沙·索尔-迪克斯坦（Jascha Sohl-Dickstein）曾与一位优秀的研究生聊起未来。对方先是笃定地表示，自己相信 AGI 三年内就会出现；但几分钟后，他又极其自然地谈起接下来的规划：读完博士、做博士后，然后找一份大学教职。
这种反差让索尔-迪克斯坦感到困惑。 如果一个人打心底里相信世界会在几年内发生巨变，为什么在规划自己的人生时，却依然默认既有的学术体制会像过去几十年那样照常运转？
今年 6 月，索尔-迪克斯坦在斯坦福大学举办的一场物理学与 AI 交叉领域会议上，分享了自己对年轻研究者的建议。最近，随着 AI 不断向科学研究的核心环节深入，这场几个月前的演讲再次在社交平台上引发讨论。
作为扩散模型（Diffusion Models）的早期重要研究者，索尔-迪克斯坦曾在谷歌大脑和谷歌 DeepMind 工作，目前任职于 Anthropic。
这场演讲的题目是《在人新世最初与最后的日子里，给青年研究者的建议》。 “人新世”（Anthropocene） 是地质学与环境史学中的一个术语，指人类活动开始对地球地质和生态系统产生显著、持久且全球性影响的时期。 索尔-迪克斯坦借用这一概念提出了一种设想，随着 AI 能力不断增强，人类或许即将失去作为全球变化主要智能驱动力的独特地位。如果这种变化真的发生，我们今天熟悉的社会和科研体系也可能随之改变。
（来源：索尔迪克斯演讲） 围绕这一判断，他讨论了 AI 能力的增长趋势，以及年轻研究者需要面对的一系列现实问题。当模型更新速度越来越快，如何确保一项研究在完成时仍有价值？当 AI 能够承担越来越多的科研工作，人类还有哪些能力需要保留？如果未来的学术体系可能发生重大变化，博士和终身教职是否仍然值得作为长期目标？
对于这些问题，索尔-迪克斯坦提出了自己的建议。他鼓励年轻研究者尽早使用 AI 工具，提高研究效率，同时也提醒他们，不要因为 AI 能够完成越来越多的工作，就放弃亲自思考和判断。
在谈到如何使用 AI 辅助科研时，他还留下了一句忠告： “写作就是思考。如果你把写作外包出去，实际上也把思考外包了。”
AGI 从“疯话”变成严肃讨论，只隔了一年
演讲开始时，索尔-迪克斯坦展示了一张全球 GDP 的长期增长曲线。
人们习惯将未来看作现在的延伸，认为变化总是渐进的。但在指数增长环境下，身处其中的人往往难以判断未来变化的幅度。他认为，AI 正在经历类似的过程。
过去十年，训练最大 AI 模型所使用的计算量增长了约 1,000 万倍。 索尔-迪克斯坦还粗略估算，目前最大模型的训练计算规模，已经开始接近人脑一生计算量的某些估计范围。当然，计算量相近并不能证明 AI 已经具备人类智能，但这种增长速度仍然值得关注。
图｜1950 年至 2025 年 AI 模型训练计算量的增长趋势。2010 年后，训练计算量的年均增长倍数由约 1.5 倍提高至 4.7 倍。右上角圆圈为人脑一生计算量的粗略估算区间。（来源：索尔迪克斯演讲）
他还引用了独立评估机构 METR 的研究。该机构通过观察 AI 能否独立完成软件任务，衡量模型可以处理多长时间跨度的工作，时间以人类完成相同任务所需的时长为标准。索尔-迪克斯坦回忆，不到一年前，他还预测 AI 可能要到 2026 年或 2027 年才能独立完成相当于人类一整天工作量的软件任务。 但到了这次演讲，相关能力指标已经增长约 10 倍，超过了他的预期。
数学领域也出现了类似变化。匈牙利数学家保罗·埃尔德什（Paul Erdős）留下了大量尚未解决的问题，而 AI 已经开始给出其中部分问题的解答。在索尔-迪克斯坦看来，这说明 AI 正在进入过去需要人类研究者探索的知识领域，也对 “AI 只能重复训练数据”的观点提出了挑战。
模型能力的进步，也改变了人们对 AGI 的态度。 一年前，索尔-迪克斯坦在哈佛大学做过类似演讲，随后收到一封措辞激烈的邮件，对方直斥他的演讲是“疯话”。但仅仅一年后，AGI 可能在几年内出现，已经成为 AI 研究圈可以公开讨论的话题。
索尔-迪克斯坦说，在他熟悉的旧金山 AI 研究圈，许多人认为 AGI 可能在几年内出现。即使有人认为时间线较长，进一步追问后也可能发现，他们所谓的长期不过十年左右。相比之下，其他科学领域的研究者通常更谨慎。例如，如果询问生物技术研究者何时能治愈癌症，对方往往会详细解释尚未解决的技术障碍。
但索尔-迪克斯坦接触的许多 AI 研究者认为，从当前模型发展到超级智能，尚未发现明确且无法跨越的技术瓶颈。他自己也承认，现有模型的数据利用效率远低于人脑，但方法低效并不意味着无法继续扩大规模、提升能力。
因此，他建议那些认为 AI 即将遭遇瓶颈的研究者，将自己的判断转化为可量化的指标，建立测试并持续追踪，而不要只停留在直觉上的争论。
花两年完成的研究，被下一代模型轻松超越
如果认真考虑 AGI 可能在未来几年到来，研究者首先需要重新审视自己的选题。
索尔-迪克斯坦提出了一种希望年轻科学家避免的情况。 一个人花费两年时间，在某个问题上取得显著进展，但等到研究完成时，其他人可能只需要向最新的基础模型提出要求，就能获得更好的结果。
他建议研究者开始考虑基础模型升级的影响，选择目标更明确的项目，加强合作，提高研究推进速度。
（来源：索尔迪克斯演讲） 索尔-迪克斯坦认为，这条经验同样适用于科研选题。 如果一项研究能够随着算力增加、模型能力提升而持续受益，甚至推动 AI 进一步发展，那么它未来可能产生更大影响。 相反，如果某个问题很可能通过扩大模型规模得到解决，研究者就需要考虑，是否还值得投入几年时间寻找专门方案。
不过，这样的建议也让他感到矛盾。他坦言，自己最喜欢的科学研究方式，恰好是缓慢、自由、没有明确终点的探索。但在 AI 快速发展的环境下，这种方式可能越来越难以跟上技术变化。
在现场问答中，有人追问，研究品味（research taste） 是否一定需要通过漫长的探索才能形成。他认为，自由探索很有价值，但研究者或许可以借助工具提高其中的效率。
对于实验科学，他也提出了更长期的设想。虽然 AI 目前更容易进入软件、数学等领域，但机器人未来也可能承担实际实验。他表示，如果未来 10 到 15 年仍然没有能够替人类开展物理实验的机器人，自己会感到惊讶。
此外，如果 AI 能够帮助科学家建立预测能力更强的理论模型，就有机会减少部分需要通过反复试错完成的实验。在他的设想中，AI 最终可能同时改变理论研究和实验研究的方式。
不再亲自写代码，但论文初稿最好自己写
除了调整研究方向，索尔-迪克斯坦还建议年轻科学家尽可能使用现有的 AI 工具。他自己几乎每天都与 Claude 合作，并将其形容为一名执行能力极强、工作热情很高，却缺乏研究品味的研究生。
一年前，他还需要检查模型完成的大量细节。如今，他可以直接提出一个较高层次的问题，让模型完成分析、生成图表，再根据结果决定下一步。他表示，自己已经不再亲自写代码，甚至很少阅读代码，但每天仍然借助代码开展研究。
现场有学生问，如果 Claude 已经能够写出大部分科研代码，年轻人还有必要花大量时间练习编程吗？
索尔-迪克斯坦认为，理解代码依然重要，也需要具备一定的编程经验，但不必再亲自完成每个步骤。 他将这种变化比作从打孔卡编程转向 Python。研究者不必理解计算机的所有底层细节，也能在更高的抽象层次上解决问题。
（来源：YouTube） 不过，研究者仍需要能够质疑模型的结果。例如，AI 生成图表后，人类应该检查数据是否一致、结论是否合理，而不能直接接受模型的解释。他还认为，使用大模型与担任课题组负责人（PI）有不少相似之处，都需要明确任务、清晰传达要求，并根据结果决定下一步工作。
但在论文写作方面，他提出了一个明确的建议。 研究者可以使用 AI 修改文章、检查逻辑、寻找论证漏洞，却最好不要让 AI 完成论文初稿。
在现场问答中，有听众对此提出质疑。如果 AI 能够处理大量复杂的科研工作，为什么不能承担写作？索尔-迪克斯坦解释，原因不在于 AI 无法写出文章，而在于写作对研究者自己具有特殊的作用。
“写作就是思考。如果你把写作外包出去，实际上也把思考外包了。”
在他看来，研究者通过亲自组织语言、梳理论证，才能逐渐弄清楚自己究竟想表达什么。直接让 AI 生成完整文章，可能让人跳过这个过程，甚至在尚未真正理解研究内容时，就已经得到了一份看起来完善的成果。
这也涉及他多次提到的“研究品味”（research taste）。索尔-迪克斯坦认为，目前 AI 的执行能力已经很强，但在判断什么问题值得研究、什么发现具有重要意义方面，仍然存在不足。
不过，他没有断言这是人类能够长期保持的优势。当有人问能否设计测试评价 AI 的研究品味时，他承认很难。即使模型通过某种测试，人们也可能认为，这套测试没有真正衡量研究品味。
因此，他希望年轻研究者充分利用 AI 节省执行时间，同时保留对问题和结果的独立判断，始终理解自己正在做什么，以及为什么相信得到的结论。
如果人类科研的黄金时期，只有一个短暂窗口
回到演讲开头那名相信 AGI 三年内到来的研究生，索尔-迪克斯坦认为，这段对话揭示了职业规划中的矛盾。如果一个人相信 AI 将在几年内深刻改变世界，就应该将这种判断纳入自己的长期选择。
他不知道十年或二十年后的大学教职会是什么样，但相当确信，未来的学术研究将与今天存在很大区别。
传统职业规划通常建立在风险与回报的权衡之上。一个人可能选择相对稳定的道路，放弃潜在回报更高、但不确定性也更大的机会。然而，如果 AI 可能引发大范围社会变化，那么人们本来就面临较高的系统性风险，看似安全的选择也未必能够提供预期中的保障。
因此，他建议年轻人不必一味追求传统意义上的稳定，而应该更多考虑那些真正感兴趣、并可能产生长期影响的事情。
但他同时强调，AI 能力快速增长，并不代表着个人已经无法影响未来。他引用了 Epoch AI 有关算力增长的预测。 如果趋势持续，到 2030 年，AI 计算规模可能达到 2025 年的约 1 万倍。 在他看来，这意味着 AI 仍可能处于指数增长的早期阶段，而早期的决定往往具有深远影响。
他举了电子邮件协议的例子。由于早期建立了跨系统通信标准，不同邮件服务之间可以互相发送信息；相比之下，不同即时通信平台往往缺乏相同程度的互操作性。他认为，科学研究、技术标准和社会制度中的早期选择，都可能长期影响一个领域的发展。
AI 同样如此。研究者选择什么问题、提出怎样的模型架构、如何评价 AI 能力和风险，以及是否参与公共政策讨论，都可能影响技术未来的发展方向。他希望年轻科学家认识到，自己仍然拥有很大的影响力，同时也需要承担相应的责任。
对于更遥远的未来，索尔-迪克斯坦提出了一个大胆设想。人类可能先经历一段科研黄金时期，科学家通过管理大量 AI 智能体，在一周内完成过去整个职业生涯都难以实现的工作。
但随着 AI 在越来越多认知任务上超越人类，人类可能逐渐无法再为 AI 提供独特的智力贡献。 如果这一设想成立，人类与 AI 相互补充、共同推进研究的时期，也许只是一个短暂的窗口。 他希望年轻科学家充分利用眼前的机会，借助不断增强的工具去做有价值的事情。
演讲最后，他列举了几个值得投入的方向，包括 利用 AI 推动材料发现、蛋白质研究、天气建模等科学研究，以及将 AI 模型本身作为研究对象，借鉴神经科学、统计物理和心理学等方法探索其内部机制。
此外，AI 安全、能力预测、公平性与政策治理也是他看好的领域。他特别指出，政府需要真正理解 AI 技术的人参与政策制定，而学术研究者凭借不同于商业实验室的身份，也可能在其中发挥重要作用。