AGI若三年内降临，读博还值得吗？Anthropic科学家给出另一种答案

导语：Anthropic科学家雅沙·索尔-迪克斯坦在斯坦福一场会议上抛出尖锐问题：如果AGI真能在三年左右到来，年轻人还要不要按部就班读博、做博后、争教职？他的回答并不乐观——指数级进步正在改写科研与职业规划的前提。

不久前，一段来自Anthropic科学家的演讲视频被网友重新翻出，随即在社交平台X上掀起讨论。

演讲者是Anthropic科学家、扩散模型早期研究者之一雅沙·索尔-迪克斯坦（Jascha Sohl-Dickstein）。2026年6月，他在斯坦福大学举行的物理学与AI会议上，作了题为《人新世最初与最后日子里，给青年研究者的建议》的报告。文丨李海伦，编辑丨徐青阳。

他的核心判断是：AI能力的迅猛提升，不只改变科研手段，也可能让沿用多年的学术职业路径失去原有的稳定性。

这个问题在当下颇具现实意义——当技术可能在几年内重塑科研体系，人们还能否拿过去几十年的经验来规划未来？

索尔-迪克斯坦的依据是一组关于算力与模型能力的数据：过去十年，最大模型的训练计算量膨胀了约1000万倍；最近约七个月，AI开始攻克一些长期悬而未决的埃尔德什数学问题；若趋势延续，2030年的计算能力或达到2025年的1万倍。在指数增长的环境里，旧有的职业规划未必还能兑现预期的安全感。

他给出的建议大致有三条：尽早把AI纳入日常研究，把方向押在能随算力和模型能力持续增值的问题上；重新审视传统学术道路的风险，别把博士、博后、终身教职当成天然保险箱；让AI承担编码、执行与检验，但问题的判断和思考必须留在自己手里。

整场演讲传播最广的一句话是：“写作即思考。如果你将写作外包出去，你实际上也将思考外包了。”

这句话也点明了他的立场：用AI提效，不等于把独立思考一并交出去。面对可能数年内到来的剧变，年轻研究者既要善用工具，也要重新盘算研究方向和职业选择——哪些能力仍然值钱，哪些投入值得长期坚持。

以下为演讲实录，在不变原意的前提下有删减。

今天这个标题，借用了诺奖得主、现代神经科学奠基人之一圣地亚哥·拉蒙-卡哈尔的一部著作。

先看全球GDP的增长曲线。我们习惯把未来想成当下的线性延长，但若用对数坐标审视长期GDP，会发现指数增长已经延续了很久。AI正走在相似的轨道上。

一旦接受这个判断，就该重新考虑职业、研究课题乃至人生规划。

人类活动已在地球上刻下难以抹去的印记。大规模物种灭绝正在发生，核试验留下的放射性物质也沉积在地层里；即便数十亿年后，这些痕迹仍可能证明人类存在过。科学界因此有人提议，把人类深刻改变地球环境的这一时期称作“人新世”。

随着AI能力继续攀升，人类或许很快不再是唯一能大规模改造世界的智能力量。这个时代何时落幕，很大程度上取决于AI的走向。

过去十年，训练最大AI模型所需的计算量增长约1000万倍。按我的粗略估计，这一规模已逐渐逼近人脑一生完成的计算量。

AI能力同样在快速抬升。有研究考察模型在50%成功率下能独立完成的软件任务，并以人类完成同类任务所需时间衡量其水平。不到一年，模型可处理任务的时间跨度就扩大了约10倍，超过我此前对2026至2027年的预测。

数学领域也出现类似迹象。保罗·埃尔德什留下大量未解问题，而过去约七个月，AI模型开始解决其中一部分，推动着数学研究的已知边界。

这些进展说明，AI不只是在旧任务上提速，也开始踏入过去只能由人类研究者探索和突破的疆域。

一年前我在哈佛讲早期版本时，还有人认为“AGI即将到来”过于激进；如今，这已是能公开认真讨论的话题。

英国前首相里希·苏纳克强调过，AGI竞争具有根本的地缘政治意义；美国前总统奥巴马认为，AI的影响会超过智能手机，而且来得更快；谷歌前CEO埃里克·施密特则预测，AI将在几年内达到甚至超越顶尖人类的智力。

程序员的工作尚未被整体取代，但许多任务已被AI接手，工作内容也随之改变。

在旧金山AI圈问一句AGI何时到来，很多人会说“几年之内”。即使有人给出更长的时间线，追问下去，所谓长期往往也只有十年左右。

这与其他科学领域的讨论很不一样。比如在生物技术领域问癌症何时能治愈，研究者通常会解释难点，并说明为何还需要很久；但和AI研究者交流，他们往往认为，从现有模型到超级智能之间并没有明确的技术障碍。

另一个现象是，过去许多AI基准要十几年才达到人类水平，如今新基准可能几个月到几年就被突破。我曾参与创建Big Bench，甚至在论文正式发表前，就有研究在其中部分任务上刷新了最佳成绩。

如果你认为AI在某项关键能力上不会再进步，建议把这个判断变成可量化指标，建立基准持续跟踪，而不是停留在“AI还不够聪明”这种模糊说法上。

通往AGI的路上，我们的方法显然还很笨拙。与现有方法相比，人脑在数据利用效率上可能高出几个数量级。但低效并不等于无效。

让我一再惊讶的是，只要把一些相当朴素的方法放大一个数量级，它们仍能带来明显进步。所以，我暂时看不到某个明确的硬性障碍能拦住我们继续向前。

如果认真对待这些时间线，首先要想的是：如何保证自己正在做的研究，在完成时仍然有价值。需要警惕的一种情况是，你花两年做出看似显著的进展，可等到完成时，别人只要给最新基础模型一个提示，就能得到更好的结果。

因此我建议选择有针对性的课题，与人合作，尽快推进，让自己的研究进度跟得上AI能力的增长。

理查德·萨顿2019年的《苦涩的教训》提供了一个重要视角：长期看，能充分利用算力的通用方法，往往比依赖人工设计的特定方法更有效。

这条经验有两面。一面是，如果你的研究能随算力和智能水平提升而持续改善，甚至反过来推动AI发展，它的价值可能远超预期。

另一面是，如果某个问题注定会被模型规模扩大所解决，你就得认真掂量：等自己做完时，这项工作是否还有独立价值。

最终，机器人会走进实验室承担实际工作。具体时间难以预测，但如果未来10到15年仍没有能替人类做物理实验的机器人，我会感到意外。

此外，如果理论长期无法有效预测实验结果，这本身说明理论研究还有改进空间。若AI能提升理论的预测力，我们就有机会减少需要做的实验。

当然，效果取决于具体应用，也取决于工具是否足够好用。如果使用AI的交互成本超过它带来的收益，它就很难真正发挥作用。

我每天都用Claude。对我来说，它像一名执行力极强、工作意愿很高的研究生，但研究直觉和判断力仍有明显不足。

一年前，我还得深入检查它完成的每个细节；现在，我可以抛出一个高层次问题，让它生成图表，再根据结果决定下一步。我相信这种工作方式还会继续变化。

我现在基本不亲自写代码，甚至很少读代码，但每天仍在用代码完成研究任务。

我建议大家尽可能用现有AI工具：头脑风暴、迭代研究想法、分析数据、生成可视化，以及检查论文和研究中的漏洞。

我常因为好奇某个问题，就让AI搭一个定制仪表板、生成几页图表供我分析。这类工作过去更费时间，如今容易得多。

即使Claude已能写出我们大部分研究代码，研究生仍需理解代码在做什么，只是不必像过去那样逐行亲手编写。这有点像从打孔卡编程转向Python：使用更高层次的工具，意味着你未必需要理解计算机内部的每个细节，而能把精力放在更高层次的问题上。

关键是，你必须能质疑模型的结果。比如让它生成图表后，要检查图表是否自洽、结论是否合理，而不是直接接受它的解释。尤其对研究生而言，应意识到自己的时间很宝贵。用工具的目的是把时间投入更值得做的事，而不是证明自己能独立完成每个技术步骤。

我鼓励大家用AI获取写作反馈，但不要让它替你写第一稿。原因很简单：写作即思考。把写作外包出去，就等于把思考外包了。你需要亲自组织语言，才能弄清自己究竟想表达什么、论证是否成立、哪些问题还没想明白。

让AI帮你找漏洞、提反对意见、检查论证，这些都很有价值。但若直接让它生成初稿，你可能还没真正理解自己的研究，就先得到了一篇看似完整的文章。

这场演讲的直接起因，是我和一名能力很强的研究生的一次谈话。他说自己认为AGI可能在三年内到来，可几分钟后，他又开始规划：几年后完成博士，接着做博后，然后申请大学教职。

我觉得这里存在明显矛盾。如果你相信一种足以改变世界的技术即将到来，那么其他判断也该与这个信念保持一致。

我不知道十年或二十年后学术研究会是什么样，也不知道届时大多数工作会是什么样。但我相当确定，它们会和今天非常不同。

人们通常会在风险与回报之间权衡，选一条相对安全的路，即使另一条路回报更高。但如果AI真可能引发大规模社会变化，你本来就面临很高的系统性风险。传统的“安全选择”未必能降低这种风险，反而可能让你放弃更大的潜在回报。所以，我建议大家做有意思的事，而不是一味追求看起来安全的选择。

如果你的时间有限，未来的影响又如此重大，就该选择那些值得自己骄傲的事。多年后回望职业生涯，你会希望自己曾为一个重要的结果出过力。这也意味着，我们应关注那些可能积极影响AGI发展方向的研究，而不是只盯着短期成果。

有人认为AI发展已超出个人能影响的范围。我认为这种想法是错的。按目前趋势，到2030年算力可能达到2025年的1万倍。届时，今天的计算规模放在线性图上，几乎与零无法区分。

这意味着，我们仍处在指数增长的早期。而在早期，小决策也可能产生很大的长期影响。

历史上有不少类似例子。电子邮件协议的标准化，让不同系统得以交换信息；哈伯-博施法使大规模合成氨成为可能，深刻改变了农业与粮食生产；美国早期建立的医学和法律组织，也长期影响着这两个行业的制度结构。

这些发展都不是必然的。早期的一些技术选择和制度安排，最终塑造了今天的世界。AI也一样。你选择研究什么、在哪里工作、如何评价某项能力与风险、是否公开自己的伦理立场，都可能影响未来的技术方向。

我认为，某个阶段人类能通过管理和协调AI智能体团队，完成过去整个职业生涯都做不完的工作。你可能只需一周，就能完成过去要数年探索的任务。那将是一个令人惊叹的时期。

但我也认为，之后可能出现另一个阶段：AI在越来越多认知任务上超过人类，人类不再能用自己的智力为AI提供同等程度的增益。所以，我们应充分利用眼前的机会，尽可能掌握这些工具，用它们去做更有价值的事。

我想强调几个方向，但这份清单远不完整。真正有影响力的研究，也许还没人想到。

首先是AI for Science，即用AI推动科学研究，包括材料发现、蛋白质结构、天气建模和聚变反应堆等。更好地理解自然世界通常能带来明确价值，而AI有机会提升我们探索这些问题的效率。

其次是直接研究AI模型本身。可以借鉴其他学科的方法，把AI当作研究对象。比如，可解释性研究可视为对AI模型做神经科学研究；也能用统计物理、心理学和经济学的方法，理解模型内部的行为与机制。

第三是AI安全。这个领域还有许多重要问题没被清晰定义，其重要性与目前投入的研究资源并不匹配。能从头参与的人，仍有机会找到关键问题。

此外，还有AI能力预测、技术公平、资源获取以及政策和治理等方向。

如果你有相关技术背景，又愿意参与公共事务，可以考虑进入政策与治理领域。政府需要真正懂技术的人，帮助制定AI监管与发展政策。对学术研究者而言，这也是一个可能产生较大影响的方向。

最重要的是，结合自己的专业知识，思考哪些能力可以转向研究AI本身，或帮助社会更好地应对AI带来的变化。

特约编译金鹿对本文亦有贡献。