最近，一場來自Anthropic科學家的演講被重新翻出，並在社交平台X上引發關注和熱議。
Anthropic科學家、擴散模型早期研究者之一雅沙·索爾-迪克斯坦（Jascha Sohl-Dickstein）於2026年6月，在斯坦福大學舉辦的物理學與AI會議上發表了題為《人新世最初與最後日子裡，給青年研究者的建議》（Advice for a Young Investigator in the First and Last Days of the Anthropocene）的演講。在他看來，AI能力的快速進步不僅會改變科研方式，也可能動搖沿用多年的學術職業規劃。
這個觀點是當下AI時代一個值得重視和思考的問題：當技術可能在幾年內深刻改變科研體系，我們已經深刻感知到AI技術的發展之快速，人們是否還能沿用過去幾十年的經驗規劃自己的職業生涯？
索爾-迪克斯坦的判斷建立在一組有關計算規模和AI能力的資料之上：過去十年，最大模型的訓練計算量增長約1000萬倍。他認為，過去約七個月裡，AI模型開始解決此前長期困擾數學家的部分埃爾德什（Erdős）問題；如果增長趨勢延續，到2030年，計算能力可能達到2025年的約1萬倍。在他看來，指數增長環境下，沿用過去的職業規劃，未必還能提供預期中的穩定性。
他的建議集中在幾個方面：儘早將AI融入日常研究，把研究方向放在能夠從算力和模型能力提升中持續受益的問題上；重新評估傳統學術路徑的風險，不要把博士、博後和終身教職視為天然穩妥的選擇；善用AI承擔編碼、執行和檢驗工作，同時保留自己對問題的判斷與思考。
演講中最受關注的一句話是：“寫作即思考。如果你將寫作外包出去，你實際上也將思考外包了。”
這一觀點也體現了索爾-迪克斯坦對AI時代科研工作的判斷：使用AI提高效率，並不意味著可以放棄獨立思考。面對可能在未來幾年到來的重大變化，年輕研究者既要學會利用AI，也要重新審視自己的研究方向和職業規劃，思考哪些能力仍然重要，哪些選擇值得長期投入。
以下為索爾-迪克斯坦演講實錄，在未改變原意情況下有所刪減：
01. AI的指數增長才剛剛開始
今天這場演講的標題借鑑了諾獎得主、現代神經科學奠基人之一聖地亞哥·拉蒙-卡哈爾的著作。
先看全球GDP增長曲線。先看全球經濟增長曲線。我們習慣把未來理解為現在的線性延伸，但如果用對數坐標觀察GDP的長期變化，就會發現，指數增長已經持續了很長時間。AI也正在經歷類似的過程。
如果接受這一判斷，就應該重新考慮自己的職業、研究項目和人生規劃。
人類活動已經在地球上留下了難以消除的痕跡。比如，目前大規模物種滅絕正在發生，核試驗產生的放射性物質也留在了地層中，即使數十億年後，這些痕跡仍可能證明人類曾經存在。基於此，科學界有人提出，將人類深刻影響地球環境的這一時期稱為“人新世”。
隨著AI能力不斷增強，人類或許很快就不再是唯一能夠大規模改變世界的智能力量。這個時代何時結束，將在很大程度上取決於AI的發展。
過去十年，用於訓練最大AI模型的計算量增長了約1000萬倍。按照我的粗略估算，這一規模已經逐漸接近人類大腦一生所完成的計算量。
AI能力也在快速提升。一項研究考察了模型在50%成功率下能夠獨立完成的軟體任務，並用人類完成同類任務所需的時間衡量其能力。不到一年的時間，模型能夠處理的任務時間跨度就增長了約10倍，超過了我此前對2026年至2027年的預測。
數學領域也出現了類似變化。保羅·埃爾德什留下了大量尚未解決的數學問題。過去約七個月裡，AI模型開始解決其中一些問題，推動數學研究的已知邊界。
這些進展說明，AI的能力不只是在既有任務上提高效率，也開始進入過去需要人類研究者探索和突破的領域。
02. AGI可能什麼時候到來
一年前，我在哈佛大學講過這場演講的早期版本。當時，有人認為討論AGI即將到來過於激進。但現在，這已經是可以公開認真討論的問題。
英國前首相裡希·蘇納克曾強調，AGI競爭具有根本性的地緣政治意義。美國前總統歐巴馬也指出，AI的影響將超過智慧型手機，而且來得更快。Google前CEO埃裡克·施密特則預測，AI將在幾年內達到甚至超過頂尖人類的智力水平。
雖然程式設計師的工作尚未被整體取代，但AI已經接手了其中許多工，工作內容也在隨之變化。
如果你身處舊金山的AI行業，問人們AGI什麼時候到來，很多人會回答：幾年之內。即使有人認為時間線更長，進一步追問後，也可能發現他們說的長期只有十年左右。
這與其他科學領域的討論很不一樣。例如，在生物技術領域，如果你詢問癌症什麼時候能夠治癒，研究者通常會解釋其中的困難，以及為什麼還需要很長時間。但我與AI研究者交流時，他們往往認為，從當前模型到超級智能之間，並不存在明確的技術障礙。
另一個值得關注的現像是，過去許多AI基準需要十幾年才能達到人類水平，如今新基準可能在幾個月到幾年內就被突破。我曾參與建立Big Bench基準，甚至在論文正式發表之前，就有研究在其中部分任務上取得了新的最佳成績。
如果你認為AI在某項關鍵能力上不會繼續進步，我建議把這個判斷轉化為可量化的指標，建立基準，持續跟蹤。不要只停留在“AI還不夠聰明”這樣的模糊判斷上。
在通往AGI的道路上，我們的方法顯然還很低效。與當前方法相比，人腦在資料利用效率方面可能高出幾個數量級。但低效並不意味著方法不起作用。
讓我反覆感到驚訝的是，我們只是把一些相當樸素的方法擴大一個數量級，它們就仍然能夠帶來明顯進步。因此，我暫時看不到某個明確的硬性障礙，能夠阻止我們繼續前進。
如果我們認真對待這些時間線，首先要考慮的是：如何確保自己正在做的研究，在完成時仍然有價值。一種需要警惕的情況是，你花兩年時間做出一項看似顯著的進展，但等你完成時，其他人只需給最新的基礎模型一個提示，就能得到更好的結果。
因此，我建議選擇有針對性的研究項目，與他人合作，盡快推進工作，確保自己的研究進度跟得上AI能力的增長。
理查德·薩頓（Richard Sutton）在2019年發表的《苦澀的教訓》（The Bitter Lesson）提供了一個重要視角：長期來看，能夠充分利用計算資源的通用方法，往往比依賴人工設計的特定方法更有效。
這條經驗有兩個方面：
一方面，如果你的研究能夠隨著計算量和智能水平的提升而持續改善，甚至能反過來推動AI能力的發展，那麼它的價值可能遠超預期。
另一方面，如果某個問題注定會被模型規模擴大解決，你就應該認真考慮，等自己完成研究時，這項工作是否還具有獨立價值。
最終，機器人會進入實驗室並承擔實際工作。雖然很難預測具體時間，但如果未來10到15年，我們仍然沒有能夠替人類進行物理實驗的機器人，我會感到驚訝。
此外，如果理論長期無法有效預測實驗結果，這本身也說明理論研究還有改進空間。如果AI能夠提高理論的預測能力，我們就有機會減少需要進行的實驗數量。
當然，效果取決於具體應用，也取決於工具是否足夠好用。如果使用AI的互動成本超過了它帶來的收益，那麼它就很難真正發揮作用。
03. 把AI變成日常研究工具
我每天都使用Claude。對我來說，它就像一名執行能力極強、工作意願很高的研究生，但目前研究直覺和判斷力仍有明顯不足。
一年前，我還需要深入檢查它完成的每一個細節。現在，我可以給它一個高層次的問題，讓它生成圖表，再根據結果判斷下一步該做什麼。我認為這種工作方式還會繼續改變。
我現在基本不再親自寫程式碼，甚至很少閱讀程式碼，但每天仍然在使用程式碼完成研究任務。
我建議大家儘可能使用現有的AI工具，包括用它們頭腦風暴、迭代研究想法、分析資料、生成可視化結果，以及檢查論文和研究中的漏洞。
我經常因為好奇某個問題，就讓AI幫我建立一個定製化儀表板，生成幾頁圖表供我分析。這類工作過去可能需要更多時間，現在已經容易得多。
即使Claude已經能夠寫出我們大部分研究程式碼，研究生仍然需要理解程式碼在做什麼，但不一定需要像過去那樣親自編寫每一行程式碼。這有點像從打孔卡程式設計轉向Python。使用更高層次的工具，意味著你可能不再需要理解電腦內部的每個細節，但可以把精力放在更高層次的問題上。
關鍵是，你必須能夠質疑模型的結果。例如，讓模型生成圖表後，你需要檢查圖表是否一致、結論是否合理，而不是直接接受它的解釋。尤其對研究生而言，應該認識到自己的時間很有價值。使用工具的目的，是把時間投入更值得做的事情，而不是為了證明自己能夠獨立完成每個技術步驟。
我鼓勵大家使用AI寫作反饋，但不要讓它替你寫第一稿。原因很簡單：寫作即思考。如果你將寫作外包出去，你實際上也將思考外包了。你需要通過親自組織語言，弄清楚自己究竟想表達什麼、論證是否成立，以及哪些問題還沒有想明白。
讓AI幫你尋找漏洞、提出反對意見、檢查論證，這些都很有價值。但如果你直接讓它生成初稿，你可能還沒有真正理解自己的研究，就已經得到了一篇看似完整的文章。
04. 如果相信AGI即將到來，就應該改變職業規劃
這場演講的直接起因，是我和一名能力很強的研究生的一次談話。他告訴我，自己認為AGI可能在三年內到來。但幾分鐘後，他又開始規劃：幾年後完成博士學位，接著做博士後，然後申請大學教職。
我覺得這裡存在明顯的矛盾。如果你相信一種足以改變世界的技術即將到來，那麼你就應該讓自己的其他判斷與這一信念保持一致。
我不知道十年或二十年後的學術研究會是什麼樣，也不知道屆時大多數工作會是什麼樣。但我相當確定，它們會與今天非常不同。
人們通常會在風險和回報之間權衡，選擇一條相對安全的道路，即使另一條路可能帶來更高的回報。但如果AI確實可能引發大規模社會變化，那麼你本來就面臨很高的系統性風險。傳統的安全選擇未必能降低這種風險，反而可能讓你放棄更大的潛在回報。所以，我建議大家做有意思的事情，而不是一味追求看起來安全的選擇。
如果你的時間有限，未來的影響又如此重大，就應該選擇那些值得自己為之驕傲的事情。等到多年以後回顧自己的職業生涯，你會希望自己曾經為一個重要的結果做出貢獻。這也意味著，我們應該關注那些可能積極影響AGI發展方向的研究，而不是只追求短期成果。
有些人認為，AI發展已經超出了個人能夠影響的範圍。我認為這種想法是錯誤的。按照目前的趨勢，到2030年，計算能力可能達到2025年的1萬倍。屆時，今天的計算規模放線上性圖上，幾乎會與零無法區分。
這意味著，我們仍然處在指數增長的早期階段。而在這個階段，小的決策可能產生非常大的長期影響。
歷史上有很多類似的例子。電子郵件協議的標準化，讓不同系統之間能夠交換資訊；哈伯-博施法使大規模合成氨成為可能，深刻改變了農業和糧食生產；美國早期建立的醫學和法律組織，也長期影響著這兩個行業的制度結構。
這些發展都不是不可避免的。早期的一些技術選擇和制度安排，最終塑造了今天的世界。AI也一樣。你選擇研究什麼問題、在哪裡工作、如何評價某項能力與風險、是否公開自己的倫理立場，都可能影響未來的技術發展方向。
我認為，在某個階段，人類能夠通過管理和協調AI智能體團隊，完成過去整個職業生涯都無法完成的工作。你可能只需要一週，就能完成過去需要數年探索的任務。這將是一個令人驚嘆的時期。
但我也認為，之後可能會出現另一個階段：AI在越來越多的認知任務上超過人類，人類不再能夠通過自己的智力為AI提供同樣程度的增益。因此，我們應該充分利用眼前的機會，儘可能掌握這些工具，用它們去做更有價值的事情。
05. 哪些研究方向值得投入
我想強調幾個方向，但這份清單遠遠不完整。真正有影響力的研究，也許是目前還沒有人想到的。
首先是AI for Science，也就是利用AI推動科學研究，包括材料發現、蛋白質結構研究、天氣建模和聚變反應堆等領域。更好地理解自然世界，通常能夠帶來明確的價值，而AI有機會提高我們探索這些問題的效率。
其次是直接研究AI模型本身。我們可以借鑑其他學科的方法，把AI作為研究對象。例如，可解釋性研究可以被看作對AI模型開展神經科學研究；我們也可以用統計物理、心理學和經濟學的方法，理解模型內部的行為和機制。
第三是AI安全。這個領域仍有許多重要問題尚未得到清晰定義，其重要性與目前投入的研究資源並不匹配。能夠從頭參與其中的人，仍然有機會找到關鍵問題。
此外，還有AI能力預測、技術公平、資源獲取以及政策和治理等方向。
如果你具備相關技術背景，又願意參與公共事務，可以考慮進入政策和治理領域。政府需要真正理解技術的人，幫助制定AI監管和發展政策。對於學術研究者而言，這也是一個可能產生較大影響的方向。
最重要的是，結合自己的專業知識，思考哪些能力可以轉向研究AI本身，或者幫助社會更好地應對AI帶來的變化。 (騰訊科技)