AGI若三年内到来，读博与终身教职的规划还值得押注吗？

当一位在扩散模型领域有着开创性贡献的AI科学家公开质疑读博士、做博后、冲终身教职这条经典路径时，值得每一个人认真倾听。在斯坦福大学一场物理学与AI会议上，他给出的判断是：过去十年最大模型的训练计算量增长了约一千万倍，如果这一趋势延续，到2030年算力可能达到2025年的约一万倍。在这样的指数曲线面前，沿用过去几十年沉淀下来的职业规划经验，未必还能提供我们预期中的稳定性。

AI可代劳执行，不可代劳思考

支撑这一判断的是一组扎实的数据。过去十年，训练最大AI模型的计算量增长约一千万倍，规模已逐渐接近人脑一生完成的计算量。模型能力同样在快速跃升：不到一年时间，模型在50%成功率下能独立完成的软件任务，折算成人类所需时间跨度增长了约十倍，甚至超过了此前对2026至2027年的预测。数学领域也在被改写，一批困扰研究者多年的埃尔德什问题在过去七个月里被模型陆续攻克。

更值得注意的是AI圈内部的认知氛围。一年前，讨论AGI临近还被认为过于激进；如今在旧金山的AI行业里，被问及AGI何时到来，很多人的答案是几年之内，即便有人给更长的时间线，细问之下所谓长期往往也只有十年左右。这与生物技术等领域研究者反复解释困难、强调遥远时间线的风格截然不同。多位政界与产业界的重量级人物也公开强调，AI的影响将超过智能手机，且来得更快。

从多年产业实践经验来看，这一判断对科研与职业选择的具体影响可以拆成三层。第一层是选题逻辑：一项要花两年完成的研究，如果完成时别人只需给最新基础模型一个提示就能得到更好结果，那它的独立价值就存疑。经典的《苦涩的教训》提供了参照——能随算力提升持续受益的通用方法，长期胜过人工设计的特定技巧，选题时应主动靠近前者。第二层是工作方式：AI应该尽早融入日常研究流程，用它头脑风暴、分析数据、生成可视化、检查论文漏洞，让研究者把时间投向判断与设计而非机械执行。第三层是风险认知：在系统性变革面前，传统的安全选择未必真的安全，反而可能让人放弃更大的潜在回报。

这位科学家自己的工作方式颇具启发。他每天都把前沿大模型当作一名执行力极强、但研究直觉尚浅的研究生来使用：给出高层次问题，让模型生成图表，再基于结果判断下一步方向。他如今几乎不再亲自写代码，甚至很少逐行阅读代码，却依然通过代码完成全部研究任务——这就像从打孔卡编程转向Python，工具层次升高后，精力可以投向更高层的问题。但他同时划出一条不可逾越的红线：可以让AI寻找漏洞、提出反对意见、检查论证，但绝不能让它代写第一稿。理由是写作即思考，把写作外包出去，就等于把思考外包了。研究生必须保留质疑模型结果的能力，检查图表是否一致、结论是否合理，而不是照单全收。

如果真的相信一项足以改变世界的技术正在几年内到来，那么职业选择就应该与这一信念保持一致。与其在看似安全的旧路径上押注，不如选择那些能随AI能力增长持续增值、值得多年后回望时为之骄傲的方向——AI for Science、模型可解释性、AI安全与治理，都还处在早期的小决策可能产生大影响的阶段。