AI 正在毁掉下一个 Hinton
多年以後，面對諾貝爾獎盃，Geoffrey Hinton 也許會回想起 1986 年那篇沒什麼人看好的論文，以及幾個年輕人願意陪他一起寫程式碼跑實驗的那個下午。
今天，這樣的年輕人正在消失。
1986 年，Hinton 發表了反向傳播演算法的關鍵論文。當時他是一個年輕的認知科學研究者，做的方向沒什麼人看好，神經網路在學術界是邊緣話題。他有的東西很少：一個職位不高的學術崗位、一群願意跟他一起寫程式碼跑實驗的初級研究者，以及足夠的試錯空間。
現在，這三樣東西都在被 AI 吃掉。
48 位科學家的答案
今年 2 月，Nature 採訪了 48 位不同學科的研究學者，提了一個直接的問題：AI 正在威脅那些科學崗位？
答案出人意料地一致。正在被替代的是純認知型任務：寫程式碼、跑模型、做資料分析，這些曾經是研究生、博士後和初級研究人員的日常工作，現在 AI 做得更快更好。
MIT 機械工程教授趙宣赫說得直白：「這甚至不是未來的事，是正在發生的事。」Stanford 計算生物學家 Brian Hie 更絕：實驗室專門雇來寫程式碼的研究程式設計師？「這個崗位現在已經過時了。」威斯康星大學計算生物學家 Hannah Wayment-Steele 說，如果她五年前建實驗室，一定會招一個研究程式設計師。但現在？「我真的看不到這個必要了。」
原因之一當然是預算越來越吃緊，但另一個原因，也很明確：AI。
還替代不了的是動手做實驗的人、提出原創問題的人、組織協調整個研究項目的人。倫敦大學學院量子物理學家 Jonathan Oppenheim 說，AI「沒有能力真正提出新穎的想法」。至於 AI 控制實驗室？「還無法完成很多任務，也難以解讀實驗結果。」
這形成了一個奇特的分裂：AI 最能夠替代的，恰恰是科學家職業生涯的起點。
這並非科學界獨有的現象。過去一年的多項研究都指向同一個結論：AI 對勞動力市場的衝擊集中在入門級崗位。Revelio Labs 的資料顯示，自 2023 年以來，美國入門級崗位的招聘發佈量下降了 35%。Snowflake 與 Omdia 的聯合報告發現，在所有因 AI 導致的崗位削減中，63%發生在入門等級。Stanford 數字經濟實驗室的研究更具體：在 AI 高暴露職業中，22 至 25 歲年輕人的就業率自 2022 年以來下降了近 20%。在崗者的失業率沒有顯著上升，但新人的入職率在下降。
科學界是這個趨勢最清晰，也最危險的案例。在大多數行業，入門級崗位的消失意味著年輕人少了一個掙錢的機會；在科研領域，入門級崗位的消失意味著，一個學科失去了培養下一代科學家的通道。
門票消失了
資料分析、寫程式碼、跑模型，這些任務聽起來是「基礎工作」，但它們同時是年輕科學家進入學術圈的門票。你不會一上來就成為大牛，你得先當研究生，幫導師跑資料、寫程式碼、調參數。在這個過程中你學會如何提問、如何設計實驗、如何在失敗中發現方向。
這些才是 AI 做不了的事。但你需要先做那些 AI 能做的事，才能學會那些 AI 做不了的事。
這就是問題所在。當研究程式設計師不再必須，當研究生名額被壓縮，當「寫程式碼跑資料」這個入口被 AI 堵死，年輕人進入科學共同體的路徑就斷了。
UT Austin 計算生物學家 Claus Wilke 的警告是整篇文章最重的一句話：「可能短期內每一塊錢的預算可以有更多的產出，但代價是人才管道的崩塌和長期衰退。」
這句話說得嚴重點：省了一個研究生的工資，但可能毀了一個未來的 Hinton。
Nature 這篇報導裡有一個容易被忽略的細節：美國翻譯協會科技翻譯分會的成員人數，在 2.5 年內下降了 26%。曾經翻譯臨床試驗檔案的譯者 Jaime Russell 現在轉行做了醫療口譯，因為口譯需要的即時判斷和人際感知，AI 還做不到。但她認識的同行裡，有人已經在送外賣……
「很令人難過」，她說。這展示了 AI 入局後的兩種走向：一種是「遷移」，你還能找到 AI 搆不著的相鄰崗位；另一種是徹底出局。
不過，弗吉尼亞大學經濟學家 Jerry Qian 對 AlphaFold2 的研究提供了一個更有希望的案例。AlphaFold2 能以接近實驗精度預測蛋白質結構，成本只是傳統方法的零頭。Jerry Qian 發現，在 AlphaFold 能高置信度預測的蛋白質上，人類的實驗研究產出下降了 35%。但科學家並沒有失業，他們轉向了 AlphaFold 預測不好的蛋白質，專攻 AI 搞不定的難題。「AI 沒有讓科學家變得無關緊要，」人類找到了自己的相對優勢。
當 AI 跑馬圈地，在場內的科學家，就會遷徙到 AI 邊界之外。但關鍵詞是「在場內的」，他們有知識、有經驗、有判斷力，知道該往那遷。
AI 正在毀掉下一個 Hinton
那下一代還沒進場的人呢？
1986 年的 Hinton 在做什麼？寫程式碼，跑實驗，調參數。他做的每一件事，都是今天 Nature 調查中被列為「正在被替代」的任務。如果他生在今天，搞不好連進實驗室的機會都沒有。尤其是，他想做的方向既邊緣、又太不確定有沒有未來，會拿寶貴的資源和預算給到他，實屬押寶。
這個問題的尖銳之處在於，從純粹經濟的角度看，這完全理性。如果 AI 能在兩小時內完成一個研究生兩周的資料分析工作，為什麼還要招人？經費有限，出來混要的是產出，不是慈善。
Nature 調查中的每一個被砍掉的初級崗位，都有充分的局部理由。但當所有局部理性的決策成立時，系統性的後果就浮現了：整個學科的人才入口在縮小。這是一個經典的集體行動困境，每個個體的最優解加在一起，產生了集體的最差解。短期內論文產量上升，長期看科學共同體萎縮。更多的研究，更少的研究者。Nature 的調查顯示這不是假設，它已經在發生。
AI 替代的當然不是 Hinton，AI 替代的是 Hinton 成為 Hinton 之前的那個人。
Terence Tao 在 Nature 裡說，「如果我們適應——我認為我們必須適應——那我們就能存活」。但 Tao 說的是已經在場內的人，問題是，重點不在於現在的科學家能不能適應，而是未來的科學家還有沒有機會進場去適應。
誰負責培養 AI 做不了的事的人？
科學究竟靠什麼進步？有時候就是靠那一點靈光一現，靠某個人在某個深夜看著一組異常資料，突然想到：「等一下，如果這不是異常呢？」。
這種直覺不是從課本上學的，是在無數次失敗的實驗和資料清洗中磨練出來的。
2016 年李世石對弈 AlphaGo，第78手棋超出了 AI 的判斷範圍，被稱為神之一手，記者捕捉到李世石下場後的笑容. 圖片來自：news1
Hinton 之所以能在神經網路的寒冬中堅持三十年，不是因為他有超人的智力，而是因為他在早期做過足夠多「基礎工作」，積累了對問題的深層直覺。這些直覺不能被 prompt 出來，也不能被 fine-tune 出來。這些，支撐起了他在關鍵時候的一點靈光，正如李祀石對戰 AlphaGo 時的第 78 手。
所以 48 位科學家的答案，真正的含義不是「AI 替代不了什麼」，而是：我們正在切斷培養「AI 替代不了的人」的唯一路徑。 (APPSO)