最近一场来自Anthropic科学家的演讲被重新翻出并在社交平台X上引发关注和热议。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于2026年6月在斯坦福大学举办的物理学与AI会议上发表了题为《人新世最初与最后日子里给青年研究者的建议》Advice for a Young Investigator in the First and Last Days of the Anthropocene的演讲。在他看来AI能力的快速进步不仅会改变科研方式也可能动摇沿用多年的学术职业规划。这个观点是当下AI时代一个值得重视和思考的问题当技术可能在几年内深刻改变科研体系我们已经深刻感知到AI技术的发展之快速人们是否还能沿用过去几十年的经验规划自己的职业生涯索尔-迪克斯坦的判断建立在一组有关计算规模和AI能力的数据之上过去十年最大模型的训练计算量增长约1000万倍。他认为过去约七个月里AI模型开始解决此前长期困扰数学家的部分埃尔德什Erdős问题如果增长趋势延续到2030年计算能力可能达到2025年的约1万倍。在他看来指数增长环境下沿用过去的职业规划未必还能提供预期中的稳定性。他的建议集中在几个方面尽早将AI融入日常研究把研究方向放在能够从算力和模型能力提升中持续受益的问题上重新评估传统学术路径的风险不要把博士、博后和终身教职视为天然稳妥的选择善用AI承担编码、执行和检验工作同时保留自己对问题的判断与思考。演讲中最受关注的一句话是“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。”这一观点也体现了索尔-迪克斯坦对AI时代科研工作的判断使用AI提高效率并不意味着可以放弃独立思考。面对可能在未来几年到来的重大变化年轻研究者既要学会利用AI也要重新审视自己的研究方向和职业规划思考哪些能力仍然重要哪些选择值得长期投入。以下为索尔-迪克斯坦演讲实录在未改变原意情况下有所删减01 AI的指数增长才刚刚开始今天这场演讲的标题借鉴了诺奖得主、现代神经科学奠基人之一圣地亚哥·拉蒙-卡哈尔的著作。先看全球GDP增长曲线。先看全球经济增长曲线。我们习惯把未来理解为现在的线性延伸但如果用对数坐标观察GDP的长期变化就会发现指数增长已经持续了很长时间。AI也正在经历类似的过程。如果接受这一判断就应该重新考虑自己的职业、研究项目和人生规划。人类活动已经在地球上留下了难以消除的痕迹。比如目前大规模物种灭绝正在发生核试验产生的放射性物质也留在了地层中即使数十亿年后这些痕迹仍可能证明人类曾经存在。基于此科学界有人提出将人类深刻影响地球环境的这一时期称为“人新世”。随着AI能力不断增强人类或许很快就不再是唯一能够大规模改变世界的智能力量。这个时代何时结束将在很大程度上取决于AI的发展。过去十年用于训练最大AI模型的计算量增长了约1000万倍。按照我的粗略估算这一规模已经逐渐接近人类大脑一生所完成的计算量。AI能力也在快速提升。一项研究考察了模型在50%成功率下能够独立完成的软件任务并用人类完成同类任务所需的时间衡量其能力。不到一年的时间模型能够处理的任务时间跨度就增长了约10倍超过了我此前对2026年至2027年的预测。数学领域也出现了类似变化。保罗·埃尔德什留下了大量尚未解决的数学问题。过去约七个月里AI模型开始解决其中一些问题推动数学研究的已知边界。这些进展说明AI的能力不只是在既有任务上提高效率也开始进入过去需要人类研究者探索和突破的领域。02 AGI可能什么时候到来一年前我在哈佛大学讲过这场演讲的早期版本。当时有人认为讨论AGI即将到来过于激进。但现在这已经是可以公开认真讨论的问题。英国前首相里希·苏纳克曾强调AGI竞争具有根本性的地缘政治意义。美国前总统奥巴马也指出AI的影响将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过顶尖人类的智力水平。虽然程序员的工作尚未被整体取代但AI已经接手了其中许多任务工作内容也在随之变化。如果你身处旧金山的AI行业问人们AGI什么时候到来很多人会回答几年之内。即使有人认为时间线更长进一步追问后也可能发现他们说的长期只有十年左右。这与其他科学领域的讨论很不一样。例如在生物技术领域如果你询问癌症什么时候能够治愈研究者通常会解释其中的困难以及为什么还需要很长时间。但我与AI研究者交流时他们往往认为从当前模型到超级智能之间并不存在明确的技术障碍。另一个值得关注的现象是过去许多AI基准需要十几年才能达到人类水平如今新基准可能在几个月到几年内就被突破。我曾参与创建Big Bench基准甚至在论文正式发表之前就有研究在其中部分任务上取得了新的最佳成绩。如果你认为AI在某项关键能力上不会继续进步我建议把这个判断转化为可量化的指标建立基准持续跟踪。不要只停留在“AI还不够聪明”这样的模糊判断上。在通往AGI的道路上我们的方法显然还很低效。与当前方法相比人脑在数据利用效率方面可能高出几个数量级。但低效并不意味着方法不起作用。让我反复感到惊讶的是我们只是把一些相当朴素的方法扩大一个数量级它们就仍然能够带来明显进步。因此我暂时看不到某个明确的硬性障碍能够阻止我们继续前进。如果我们认真对待这些时间线首先要考虑的是如何确保自己正在做的研究在完成时仍然有价值。一种需要警惕的情况是你花两年时间做出一项看似显著的进展但等你完成时其他人只需给最新的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研究项目与他人合作尽快推进工作确保自己的研究进度跟得上AI能力的增长。理查德·萨顿Richard Sutton在2019年发表的《苦涩的教训》The Bitter Lesson提供了一个重要视角长期来看能够充分利用计算资源的通用方法往往比依赖人工设计的特定方法更有效。这条经验有两个方面一方面如果你的研究能够随着计算量和智能水平的提升而持续改善甚至能反过来推动AI能力的发展那么它的价值可能远超预期。另一方面如果某个问题注定会被模型规模扩大解决你就应该认真考虑等自己完成研究时这项工作是否还具有独立价值。最终机器人会进入实验室并承担实际工作。虽然很难预测具体时间但如果未来10到15年我们仍然没有能够替人类进行物理实验的机器人我会感到惊讶。此外如果理论长期无法有效预测实验结果这本身也说明理论研究还有改进空间。如果AI能够提高理论的预测能力我们就有机会减少需要进行的实验数量。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的交互成本超过了它带来的收益那么它就很难真正发挥作用。03 把AI变成日常研究工具我每天都使用Claude。对我来说它就像一名执行能力极强、工作意愿很高的研究生但目前研究直觉和判断力仍有明显不足。一年前我还需要深入检查它完成的每一个细节。现在我可以给它一个高层次的问题让它生成图表再根据结果判断下一步该做什么。我认为这种工作方式还会继续改变。我现在基本不再亲自写代码甚至很少阅读代码但每天仍然在使用代码完成研究任务。我建议大家尽可能使用现有的AI工具包括用它们头脑风暴、迭代研究想法、分析数据、生成可视化结果以及检查论文和研究中的漏洞。我经常因为好奇某个问题就让AI帮我建立一个定制化仪表板生成几页图表供我分析。这类工作过去可能需要更多时间现在已经容易得多。即使Claude已经能够写出我们大部分研究代码研究生仍然需要理解代码在做什么但不一定需要像过去那样亲自编写每一行代码。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可能不再需要理解计算机内部的每个细节但可以把精力放在更高层次的问题上。关键是你必须能够质疑模型的结果。例如让模型生成图表后你需要检查图表是否一致、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该认识到自己的时间很有价值。使用工具的目的是把时间投入更值得做的事情而不是为了证明自己能够独立完成每个技术步骤。我鼓励大家使用AI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。如果你将写作外包出去你实际上也将思考外包了。你需要通过亲自组织语言弄清楚自己究竟想表达什么、论证是否成立以及哪些问题还没有想明白。让AI帮你寻找漏洞、提出反对意见、检查论证这些都很有价值。但如果你直接让它生成初稿你可能还没有真正理解自己的研究就已经得到了一篇看似完整的文章。04 如果相信AGI即将到来就应该改变职业规划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。他告诉我自己认为AGI可能在三年内到来。但几分钟后他又开始规划几年后完成博士学位接着做博士后然后申请大学教职。我觉得这里存在明显的矛盾。如果你相信一种足以改变世界的技术即将到来那么你就应该让自己的其他判断与这一信念保持一致。我不知道十年或二十年后的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与今天非常不同。人们通常会在风险和回报之间权衡选择一条相对安全的道路即使另一条路可能带来更高的回报。但如果AI确实可能引发大规模社会变化那么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情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应该选择那些值得自己为之骄傲的事情。等到多年以后回顾自己的职业生涯你会希望自己曾经为一个重要的结果做出贡献。这也意味着我们应该关注那些可能积极影响AGI发展方向的研究而不是只追求短期成果。有些人认为AI发展已经超出了个人能够影响的范围。我认为这种想法是错误的。按照目前的趋势到2030年计算能力可能达到2025年的1万倍。届时今天的计算规模放在线性图上几乎会与零无法区分。这意味着我们仍然处在指数增长的早期阶段。而在这个阶段小的决策可能产生非常大的长期影响。历史上有很多类似的例子。电子邮件协议的标准化让不同系统之间能够交换信息哈伯-博施法使大规模合成氨成为可能深刻改变了农业和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。这些发展都不是不可避免的。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。你选择研究什么问题、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发展方向。我认为在某个阶段人类能够通过管理和协调AI智能体团队完成过去整个职业生涯都无法完成的工作。你可能只需要一周就能完成过去需要数年探索的任务。这将是一个令人惊叹的时期。但我也认为之后可能会出现另一个阶段AI在越来越多的认知任务上超过人类人类不再能够通过自己的智力为AI提供同样程度的增益。因此我们应该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情。05 哪些研究方向值得投入我想强调几个方向但这份清单远远不完整。真正有影响力的研究也许是目前还没有人想到的。首先是AI for Science也就是利用AI推动科学研究包括材料发现、蛋白质结构研究、天气建模和聚变反应堆等领域。更好地理解自然世界通常能够带来明确的价值而AI有机会提高我们探索这些问题的效率。其次是直接研究AI模型本身。我们可以借鉴其他学科的方法把AI作为研究对象。例如可解释性研究可以被看作对AI模型开展神经科学研究我们也可以用统计物理、心理学和经济学的方法理解模型内部的行为和机制。第三是AI安全。这个领域仍有许多重要问题尚未得到清晰定义其重要性与目前投入的研究资源并不匹配。能够从头参与其中的人仍然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。如果你具备相关技术背景又愿意参与公共事务可以考虑进入政策和治理领域。政府需要真正理解技术的人帮助制定AI监管和发展政策。对于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本身或者帮助社会更好地应对AI带来的变化。原文链接Anthropic科学家如果AGI三年内到来读博士和终身教职规划还有意义吗-36氪我的专辑《人工智能生命体 新启点》CSDN平台https://blog.csdn.net/2501_91883294/article/details/147616608?sharetypeblogdetailshareId147616608sharereferAPPsharesource2501_91883294sharefromlink