- 问题 1：作者当年放弃 OpenAI，是错误决定吗？
学会不只用事后结果评判过往选择。 记忆沉淀：好决定也可能有不理想的结果，不能拿着现在的信息倒推过去的对错。 复盘：做选择时，优先锚定当下对你最重要的价值，而不是幻想未来的收益。 - 问题 2：为什么说现在 AI 行业属于混沌系统？
建立对行业高度不确定性的底层认知。 记忆沉淀：AI 生态有内在规律，但长期很难预测；一个方向的突破会快速改变其他研究的价值，风口轮换很快。 复盘：不要再死守固定的五年规划，重点培养自己的适应能力。 - 问题 3：大模型兴起后，科研工作的瓶颈发生了什么转移？
看清 AI 冲击之下，研究者需要侧重哪些能力。 记忆沉淀：写代码、跑实验、成文这类执行工作越来越容易交给 AI，判断力、品味、提出好问题的能力变成新瓶颈。 复盘：不要把大量精力只打磨容易被 AI 替代的执行类技能。 - 问题 4：博士学位的核心价值到底是什么？
重新理解读博的目标，跳出发论文内卷误区。 记忆沉淀：读博不是训练成论文产出工具，核心是学会独立思考、质疑假设、自主学习、分辨证据好坏、判断问题价值。 复盘：做课题的时候刻意练习提问，而不只是完成实验、产出结果。 - 问题 5：怎么区分短期热点课题和长期有价值的底层问题？
拿到一套可直接使用的选题判断标准。 记忆沉淀：优先选择源于底层局限、内在矛盾的问题；避开只是当前模型临时缺陷、热度一阵就消失的方向。可以自问：三年后模型更强了，这个问题还重要吗？ 复盘：每次敲定研究方向，都问一遍自己这个问题，过滤短期跟风选题。 - 问题 6：高不确定时代，适合科研人的职业策略是什么？
找到动荡环境下稳妥的成长思路。 记忆沉淀：职业不是一次孤注一掷的选择，而是一连串持续的决策；不要过早锁死单一赛道，搭建 “核心专长 + 适度广度” 的能力组合，保留多条出路。 复盘：深耕底层硬能力，不要把全部筹码押在短期热门岗位上。 - 问题 7：为什么不要拿别人的成功，比如早期加入 OpenAI，对标自己？
摆脱攀比焦虑，建立稳定的自我价值标准。 记忆沉淀：财富、声望只是外部标签，不等于工作乐趣、内心的充实感；别人的选择，建立在他当时独有的信息和处境之上。 复盘：评判自己的人生，标准是这是不是自己想要的生活，而不是外人眼里光不光鲜。 - 问题 8：疫情那几年为什么是作者科研生涯里最开心的阶段？
理解安静、远离喧嚣对深度科研的意义。 记忆沉淀：深度思考需要耐心，但浮躁的行业环境并不奖励耐心；没有持续的风口焦虑时，才有空间沉下心啃冷门、长期的问题。 复盘：主动给自己留出留白时间，定期脱离热点，安静思考。 - 问题 9：AI 可以辅助做科研之后，学术研究还有存在的意义吗？
化解博士生普遍存在的价值焦虑。 记忆沉淀：AI 擅长落地执行、生成内容；人的独特价值在于定义方向、审视前提假设、分辨结论真伪、抓住真正本源的问题。 复盘：把研究重心放在 AI 很难自主做出价值判断的方向上。 - 问题 10：这篇文章最终送给科研人的核心忠告是什么？
抓住全文核心，用来长期调整心态。 记忆沉淀：未来很难精准预测，但是人的成长、适应能力远比我们想象的更强；不必强行预判下一波风口。 复盘：浪潮会一波波到来，重点稳住自己的方向感，持续给自己留出思考空间。
2026 年 10 月 23 日
2015 年
11 年前，我写出了自己第一篇 ICLR 论文。那一年，ICLR 的投稿量还不到 300 篇，竞争远不及今天激烈。整个圈子很小，大家尚且能跟得上同行大部分的工作。研究者有充足的时间与心力，去认真理解彼此的想法。我至今记得，约书亚・本吉奥还曾就这篇论文，和杰森以及我互通邮件讨论。
那是一个全然不同的时代。
2017 年
9 年前，我加入 Meta AI 担任研究员。我参与研发了最早一批大规模计算机视觉基础模型之一，用数十亿张 Instagram 图片完成训练，和领域内一批顶尖研究者共事。可久而久之，我慢慢失去了内在动力与好奇心。
回头看，彼时我们早已身处 AI 算力竞赛的早期阶段：更大的数据集、更大的模型、更多算力资源。所有人都热切地想要推高模型能力上限。
2018 年
8 年前，OpenAI 的一位联合创始人找到我，邀约我加入。2018 年初秋，我受邀参观他们位于旧金山的办公室。接待我的人向我展示他们的工作：训练机械手还原魔方。我还记得，走廊里的电视屏幕上，投射着强化学习的训练曲线。
那一切十分迷人。
但我最终放弃了这个机会。一晃八年过去，这家公司已经成长为全球价值最高的 AI 企业之一。
如果单看收益，这是个糟糕的决定吗？毫无疑问，是的。
那我后悔吗？并不。
当时我做出选择，遵从的是人生阶段里对我最重要的东西。换到现在这份工作之后，我拥有了安静的环境，可以沉下心、阅读、深度思考那些我真正在意的问题。
在浪潮裹挟之中前行的时候，我并没有充分珍惜这份从容。而后来我才发现，这份安静无比珍贵。它给了我空间，建立属于自己的研究脉络、搭建实验室，远在机器学习可靠性成为主流方向之前，就深耕这个领域。
我时常会想，如果当年留在湾区，我还能不能做出这些研究？或许可以，或许不行。
但我确信：我们身处的环境，会深刻塑造我们关注什么、看重什么，最终塑造我们会成为什么样的人。
我们的选择，受制于当下的处境
不妨对比两个条件概率：P（加入 OpenAI｜2018 年，正考虑走学术道路）P（加入 OpenAI｜2026 年，刚博士毕业，此时 OpenAI 已经拥有极高声望与巨大估值）
二者天差地别。公司不一样，行业不一样，而最重要的是，做选择的人本身，也不一样。
我们总习惯用今天掌握的信息，去评判过去的决定。看到 2018 年加入 OpenAI 的人，感慨他们何其幸运；看到当年拒绝邀约的人，疑惑他怎么会错过这么显而易见的机会。
可在 2018 年，一切都远非明朗。而今天很多看似清晰的选择，放在十年后回望，也未必还是一目了然。
这正是职业抉择最难的地方。你并不是在一个目标函数固定、回报已知的环境里做优化。随着成长，你的目标会变，约束条件会变，你对美好生活的理解会变，甚至你对成功的定义本身，也会改变。
所以，不要单单依靠最终结果，去评判一个决定好坏。一个审慎的决定，也可能导向糟糕的结局；一个草率的选择，也可能撞上极好的运气。真正重要的是：在当时有限的信息、价值观与处境之下，你是否经过深思熟虑做出判断；以及，你是否从中有所收获。
学术生涯里最自在的几年
2020 年到 2022 年底，大概是我学术生涯里最舒心的一段时光。疫情放慢了世界的节奏，出差变少，喧嚣和干扰也少了很多。我们可以长时间沉浸在研究问题里，读论文、打磨想法，顺着好奇心往前走。
当然竞争依旧存在，学术界从来不乏竞争。但我记得那种感受：我们可以自由去研究自己认定重要的问题，不必时时刻刻焦虑自己是不是错过了下一个风口。
当时我们在研究分布外检测，研究当现实世界偏离模型训练时的预设，机器学习系统会如何表现。这些方向并不总是热门。但对我们而言，它们至关重要。那段时间启动的不少工作，最后成了我职业生涯里最有分量的成果。
那些年教会我一件很重要的事：思想层面的进步，往往需要一种耐心，而这种耐心，并不被周遭环境所奖励。
你需要足够时间，吃透一个问题，进而提出更好的问题；你需要时间去犯错；你需要时间去探索一些想法 —— 它们未必下个月、甚至下一年就能产出论文；你还需要勇气，在全世界尚未意识到它的价值之前，坚持走下去。
大模型浪潮袭来
2022 年末 ChatGPT 发布，一切都变了。至少当时的感受是如此。
一瞬间，整个研究圈涌向语言模型。研究方向转向，经费倾斜，各大公司疯狂招人，新创业公司几乎每天都在涌现。节奏还在持续加速。
和以往历次 AI 浪潮不同，这一次冲击到了更根本的东西：脑力工作本身的形态。如今 AI 系统可以写代码、提出假设、求解数学问题、开展实验、撰写学术论文。
当然，它依旧存在显著局限，但这个发展趋势不容回避。我们当中很多人第一次认真思考这样一种未来：AI 可以承担研究者传统工作里相当大一部分内容。
这不只是一次从计算机视觉转向 NLP、从监督学习转向强化学习的赛道切换。它在挑战人类科研者本身的定位。
我知道你们很多人正陷入某种存在层面的迷茫：如果 AI 可以生成研究思路，我为什么还要花数年时间学习怎么做研究？如果 AI 可以写论文，我自己的思考贡献还有什么价值？顶尖实验室拥有远超高校的算力、人才和资源，学术研究还有意义吗？行业变化这么快，我该怎么选博士课题，保证五年之后它依然有价值？
或许最难的问题是：如果等到我毕业时，这个岗位本身的模样都无从知晓，我现在为之准备的，到底是一份什么样的职业？
我不觉得这些担忧毫无道理。在技术剧烈变革的时代，提出这些疑问再正常不过。我没有全部问题的标准答案，但我想分享我面对这份不确定性时的思考。
我们正身处混沌期
最近我常拿混沌理论，比喻我们正在踏入的这个阶段。在混沌动力系统里，初始条件微小的差别，随着时间推演，会带来天差地别的结果。
重点是：混沌不等于毫无结构。系统依旧遵循确定规则，只是长期尺度上，预测难度极高。
AI 生态系统也有相似特征：模型能力的突破，改变科研的成本收益；收益变化影响人才流向；人才聚集改变创新速度；新能力重塑需求、资本投入与大众预期；而这一切反过来，又改变研究者选择的课题。
系统里遍布反馈环。一个领域的突破，可以迅速改变另一个方向工作的价值。今天看起来边缘化的想法，明天可能成为核心；当下炙手可热的技能，几年之内就可能被部分自动化替代。
我们看向未来的时间越远，预测就越不可靠。试想，2016 年的人，很难预判 2026 年的科研格局；2018 年，没人说得清哪些 AI 公司会成为巨头；哪怕到 2022 年，也很难想象仅仅四年，AI 研究的形态会发生这么大变化。
可我们总习惯制定五年职业规划，仿佛未来是可以稳定预判的。这就是矛盾所在。
读博要耗费数年，但在这几年里，技术环境可能几经迭代。那我们该如何规划？
我的答案是：不要再为某一种单一的未来预判去规划你的职业。取而代之，你要培养自己在多种可能的未来里，都具备适应能力。
这是一种完全不一样的思路。
博士学位的真正价值
我想区分两件事：学会做研究，和产出研究成果。很长一段时间里，二者紧紧绑定在一起。过去，你通过读论文、设计实验、写代码、分析结果、发表论文，一步步学会科研。论文成果，是你能力成长的证明。
但随着 AI 越来越擅长产出这些成果，我们需要追问：科研训练的内核究竟是什么？
我认为博士的核心价值，不在于你变得极其擅长写 PyTorch 代码、跑实验、发顶会论文。这些技能有用，但并不是科学训练的本质。
更深层的价值在于：你学会独立思考那些没有标准答案的问题；学会识别哪里的预设前提存在漏洞；学会区分一个有趣的实验结果，和一个真正重要的科学问题；培养学术品味：判断哪些问题值得投入数年光阴；学会在不确定性里前行，不必等别人告诉你下一步怎么做；学会质疑固有认知，包括导师的观点；而最重要的是，学会自学一整套全新的知识体系。
这些能力一直都很重要。并且我相信，随着科研执行成本不断降低，它们会愈发关键。
如果 AI 把验证一个想法的门槛降低十倍，那么提出好想法这件事就变得更珍贵；如果 AI 可以生成上百个看似合理的假设，那么辨别哪些假设真正有意义就更加重要；如果 AI 可以生成看起来很有说服力的实验结果，那么判断什么才是可信证据的能力就更加珍贵。
瓶颈发生转移：从执行转向判断；从给出答案转向提出正确的问题；从套用成熟研究范式，转向识别范式什么时候已经失效。
我并不是说技术深度不再重要。恰恰相反，可靠的科学判断，根植于深刻的理解。你无法评判自己看不懂的东西。
但读博的目标，不该是变成更快的论文产出机器。而是成为一个能够指明思想方向的人 —— 哪怕工具、方法、行业格局一直在变。
不要把当下前沿，当成永恒前沿
技术高速变革时期最大的风险之一，就是过拟合当下。总有一些课题、技能、机构，在当下吸引全部目光。很容易得出一个结论：最稳妥的职业路线，就是尽可能挤到领域当下的中心。
有时候这确实是合理选择。顶尖前沿实验室充满机遇，人才、算力、雄心高度集中，这种聚集在历史上都不多见。对一部分人来说，加入它们会是最好的选择。
但希望你分清两个问题：当下的前沿在哪里？以及，当这一波前沿浪潮褪去之后，还有哪些问题依旧重要？
二者并不等同。
我刚开始做分布外检测的时候，整个领域都在追求标准基准上更高的预测准确率。而我们问了一个不一样的问题：当模型遇见从未见过的事物时，会发生什么？
哪怕领域从卷积网络走向 Transformer、从分类模型走向大语言模型，这个问题也没有消失。随着 AI 系统自主性越来越强，它反而变得更加关键。方法变了，架构变了，应用场景变了，但底层的科学问题一直存在。
这是我希望你们选课题时记住的一点：尽量挑选拥有长知识半衰期的问题。这些问题源于底层局限、内在矛盾、悬而未决的疑问，而不是某一类模型暂时存在的缺陷。
你可以问自己：如果三年之后模型能力大幅跃升，这个问题还重要吗？如果答案是肯定的，那它或许值得你投入。
把职业生涯看作一组可能性组合
很多学生做职业选择时，总想着锁定唯一最优终点：学术界、前沿实验室、大厂、或者创业公司。然后全力提高抵达这个终点的概率。
但在高度不确定的阶段，过早把自己绑定在单一一条路上，风险很高。更好的策略，是积累可以保留多条出路的能力。
科研功底，让你有能力创造新知识；工程能力，帮你把想法落地成可用系统；沟通与领导力，让你能够影响他人、统筹宏大项目；理解研究和真实需求的连接，帮你看见学术之外的机会。
这些能力互相增益。
我不是建议你什么都浅尝辄止，那样只会样样平庸。而是在某一个基础方向上打造极强的专长，同时保持足够广度，让你有能力识别、抓住新机会。
把职业看作一连串持续的决策，而不是一次不可逆的抉择。有些机会的价值，在于当下的回报；另一些机会的价值，在于它教会你什么、带你认识什么人、为你打开未来多少选项。两者都重要，并且在人生不同阶段，权重会发生变化。
不要用市场价值定义自我价值
关于金钱、声望、攀比，我想说几句。假装这些东西无关紧要并不现实。我们正处在这样一个阶段：特定 AI 技能的经济回报高得惊人。一部分研究者收获了十年前学术界几乎无法想象的财富；也有人走出了不错的学术道路，却偶尔遗憾错过了财富窗口。
人天生会比较，我也一样。但我慢慢明白，攀比并不是人生决策的可靠基石。
永远有人更早加入了对的公司、押中了技术风口、发了顶流论文、拿到更耀眼的 offer。如果你总拿别人最好的结果衡量自己，你几乎永远会觉得落后于人。
在技术热潮里这一点尤其危险：少数几个被放大的成功案例，会扭曲我们对常态、对可行性的认知。
金钱的意义，在于带来安全感、自由，以及给你在意的人创造机会；声望的价值，在于打开门路，给你平台去做有意义的事。
但它们都无法告诉你：你是否愿意每天清晨投入这份工作；无法告诉你，你是否保持思想上的鲜活；无法告诉你，你是否活成自己想要成为的样子。
我不是让你无视经济机会。你应当认真了解、评估、争取属于你的回报。但一定要确认：你为之努力的，是你真正想要的人生，而不是外人眼里光鲜的人生。
不必强求一切都想明白
或许我最重要的感悟是：哪怕资历渐长，不确定性也不会消失。
你可能以为，读完博士、拿到教职、拿到终身教职、成为研究负责人之后，你就清楚自己想要什么了。至少我的经历不是这样。
我多次怀疑过自己的方向：纠结留在学界还是重返工业界；怀疑自己在意的研究方向会不会过时；权衡思想自由、资源、经济机会和个人幸福之间的取舍。直到今天，我依旧在思考这些。
终身教职消除不了不确定性，经验也消除不了不确定性。经验能带给你的，是更好地与不确定性共处。你慢慢习惯，在无法预知全部结局的前提下做出选择；你懂得，改变想法未必就是失败；你明白，不存在一条同时保证成功与幸福的标准答案；你也不再害怕做出旁人眼里不走寻常路的选择。
2018 年我拒绝 OpenAI 邀约的时候，根本预料不到之后八年的图景。但我同样无法预知，之后我会做哪些研究、指导哪些学生、和谁合作，以及我会多么享受学术这条路。
我放弃了一些机会；也恰恰因为那次选择，另一些机会向我敞开大门。每一条路，都对应着无数不曾发生的平行人生。人不可能同时走完所有分支。
最后一点感想
十多年前，我还是博士生，写下第一篇 ICLR 论文，为一个在大多数人看来相当小众的问题而兴奋。那时我完全想象不到今天这个领域。我预料不到基础模型兴起、智能体出现，更想不到机器甚至开始自动化一部分科学发现。当然，我更预判不到自己的人生轨迹。
如果说过去十年我学到最重要的一课，那就是：未来远比我们想象的更难预测，而我们成长与适应的潜力，远比我们以为的更大。
下一个十年，变革或许会更加剧烈。学术体系、科研工作本身，乃至社会的组织方式，都会被重塑。你现在学到的一些技能会过时；一部分你正在研究的问题会被解决；你当下设想的职业，等到你真正入行时，可能早已面目全非。
但新的问题会不断涌现，新的机会会持续诞生。世界永远需要能够清晰思考、质疑预设、做出审慎判断、驾驭不确定性的人。
这才是我希望你的博士训练带给你的东西：不是某一份特定工作；不是追逐某一阵研究热潮；甚至不是适配某一个版本的未来。
而是拥有能力，在持续变化的世界里，走出属于自己的路。
你不必预判下一波浪潮。你要成为那个踏浪而行，却不迷失方向的人。而很多时候，你最该做的一件事，就是远离喧嚣，寻得一点安静，留给自己思考的空间。
八年前，那正是我所需要的。或许，以不同的方式而言，它也是此刻你们当中一部分人所需要的。