如果你深信通用人工智能（AGI）将在三年内到来，是否还会按部就班地花费数年攻读博士、完成博士后研究，再申请大学教职？
Anthropic 科学家雅沙·索尔-迪克斯坦（Jascha Sohl-Dickstein）曾目睹这种认知与行为的割裂：一位坚信 AGI imminent 的研究生，在规划人生时却默认传统学术体制将照常运转。这种反差引发了他对年轻研究者职业规划的深刻思考。
今年 6 月，索尔-迪克斯坦在斯坦福大学发表了题为《在人新世最初与最后的日子里，给青年研究者的建议》的演讲。作为扩散模型早期重要研究者，他曾任职于谷歌大脑和 DeepMind。他借用地质学术语“人新世”，指出随着 AI 能力增强，人类可能即将失去作为全球变化主要智能驱动力的地位，现有的社会和科研体系或将随之重塑。
面对模型迭代加速、AI 深入科研核心环节的现状，年轻研究者应如何确保研究价值？人类需保留哪些核心能力？博士学历和终身教职是否仍是最佳长期目标？索尔-迪克斯坦建议尽早使用 AI 提升效率，但切勿外包思考。他特别强调：“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”变为严肃议题
索尔-迪克斯坦通过全球 GDP 增长曲线指出，人们常误以为未来是现在的线性延伸，但在指数增长环境下，这种直觉往往失效。过去十年，最大 AI 模型的训练计算量增长了约 1,000 万倍，目前已接近人脑一生计算量的估算范围。尽管计算量相等不等同于智能相等，但其增长速度不容忽视。
独立评估机构 METR 的研究显示，AI 独立完成软件任务的时间跨度指标在不到一年内增长了约 10 倍，远超预期。在数学领域，AI 已开始解答保罗·埃尔德什留下的未解难题，挑战了“AI 仅能重复训练数据”的观点。
公众与学界对 AGI 的态度也随之转变。一年前，类似观点曾被斥为“疯话”；如今，AGI 在几年内出现已成为 AI 研究圈的公开话题。许多研究者认为，从当前模型到超级智能之间，尚未发现明确且无法跨越的技术瓶颈。索尔-迪克斯坦建议，怀疑者应将直觉转化为可量化的测试指标，持续追踪而非空谈。
避免“两年努力被模型瞬间超越”
若 AGI 迫在眉睫，研究者需重新审视选题策略。索尔-迪克斯坦警告，应避免花费两年时间攻克一个问题，结果在完工时被最新基础模型轻松解决。他建议选择目标明确的项目，加强合作以加快进度，并参考理查德·萨顿提出的《苦涩的教训》：长期来看，充分利用算力的通用方法优于依赖人工技巧的方法。
如果一项研究能随算力增加而受益，其长期影响更大；反之，若问题仅靠扩大规模即可解决，投入数年时间寻找专门方案则需谨慎。尽管这种高效导向与他喜爱的自由探索式科研相悖，但在技术快速迭代下，借助工具提升探索效率成为必要。
对于实验科学，他预测未来 10 至 15 年内，机器人可能承担物理实验工作。AI 还有望通过建立更强的理论预测模型，减少反复试错的需求，从而改变理论与实验研究的方式。
代码可外包，但论文初稿需亲力亲为
索尔-迪克斯坦将 AI 助手 Claude 比作执行力强但缺乏“研究品味”的研究生。他已不再亲自编写或阅读大量代码，而是通过高层级指令让模型完成分析和图表生成。他认为，理解代码逻辑依然重要，但无需拘泥于底层细节，如同从打孔卡编程转向 Python 一样，研究者可在更高抽象层次上解决问题。
然而，人类必须保持对结果的质疑能力，检查数据一致性与结论合理性。在使用大模型时，研究者应像课题组负责人（PI）一样，明确任务、清晰传达要求并把控方向。
在写作方面，他坚决建议不要让 AI 代写论文初稿。虽然 AI 可用于修改润色和查找漏洞，但写作过程本身是梳理思路、明确表达的关键环节。外包写作即外包思考，可能导致研究者在未真正理解内容时就获得看似完善的成果。
“研究品味”——即判断什么问题值得研究、什么发现具有意义的能力，目前仍是人类的优势，尽管这一优势能维持多久尚存疑问。他鼓励年轻研究者利用 AI 节省执行时间，但务必保留独立判断，始终清楚自己在做什么以及为何相信所得结论。
把握科研黄金期的短暂窗口
回到开头的职业规划矛盾，索尔-迪克斯坦指出，若相信 AI 将引发系统性变革，传统的风险回报权衡可能失效，看似稳定的路径未必能提供保障。年轻人不应盲目追求稳定，而应关注真正感兴趣且具长期影响的事务。
引用 Epoch AI 的预测，若趋势持续，2030 年 AI 计算规模将达 2025 年的约 1 万倍，这意味着我们仍处于指数增长的早期。早期的选择——如研究问题、模型架构、评价标准及政策参与——将对未来产生深远影响。他以电子邮件协议的互操作性为例，说明早期标准制定的重要性。
他提出一个大胆设想：人类可能先经历一段“科研黄金期”，通过管理大量 AI 智能体，在一周内完成过去职业生涯难以企及的工作量。但随着 AI 在认知任务上全面超越人类，这种互补时期可能只是短暂窗口。他呼吁年轻科学家抓住机遇，利用增强工具创造价值。
他推荐的研究方向包括：利用 AI 推动材料发现、蛋白质研究、天气建模；借鉴神经科学、统计物理等方法探索 AI 内部机制；以及关注 AI 安全、能力预测、公平性与政策治理。他强调，学术界应积极参与政策制定，提供不同于商业实验室的视角。
索尔-迪克斯坦并未直接回答是否该读博，而是引导研究者反思：当技术颠覆科研方式与职业体系时，那些被视为理所当然的选择是否依然正确。正如经济学教授杰森·波茨在《AI 之后的大学》中指出，随着知识获取成本降低，大学的价值将更多体现在提出问题、验证成果及长期探索性研究上。
尽管 AGI 到来的确切时间仍有争议，但对于投身科研的年轻人而言，如何在快速变化的技术环境中甄选有价值的研究课题，已是必须直面的现实挑战。
参考链接：
1.https://www.youtube.com/watch?v=3LZN2UUxDos
2.https://cbmm.mit.edu/video/advice-young-investigator-first-and-last-days-anthropocene
3.https://metr.org/time-horizons/
4.https://arxiv.org/abs/2503.14499
5.https://metr.org/blog/2026-01-29-time-horizon-1-1/
6.http://www.incompleteideas.net/IncIdeas/BitterLesson.html
7.https://epoch.ai/publications/projecting-compute-trends
注：封面/首图由 AI 辅助生成