一句話看懂
Anthropic科學家索爾-迪克斯坦警告,若AGI幾年內到來,博士、博後、終身教職這條傳統學術路徑不再保證穩定,年輕研究者該挑能隨算力變強而增值的題目。
開始討論將使用 1 次對話額度
開始討論將使用 1 次對話額度
Anthropic科學家雅沙·索爾-迪克斯坦(Jascha Sohl-Dickstein)在2026年6月的史丹佛演講中,建議研究者重新評估讀博與終身教職的風險。他的依據是AI訓練算力十年增長約1,000萬倍,傳統職涯規劃的穩定性可能被打破。
他舉的數字很驚人:2025到2030年,算力可能再成長約1萬倍,今天的規模放在線性圖上,幾乎和零分不出來。
他主張別再把讀博和教職當成理所當然的安全選擇,AI已開始進入數學與軟體研究。
據鉅亨號整理,他在演講中指出,過去十年最大模型的訓練算力增長約1,000萬倍,過去約七個月,AI模型已開始解開部分埃爾德什(Erdős)留下的數學難題。36氪也提到他對2030年的算力推估。他另引用METR的評估:模型以50%成功率能獨立完成的軟體任務,時間跨度不到一年就長了約10倍。
他給年輕研究者三個建議:儘早把AI融入日常研究;選擇能隨模型變強而受益的題目;用AI做編碼和檢驗,但判斷要自己下。演講最受矚目的一句是「寫作即思考」,把寫作外包,等於把思考也外包了。
起因是一次矛盾的談話:一名研究生相信AGI三年內到來,卻照常規劃讀博、博後與教職。
AtlasNote指出,這條路通常要十年以上。索爾-迪克斯坦覺得,相信一項技術即將改變世界,行動卻沒跟著變,兩者說不通。
這場演講也不是臨時起意。ICLR的資料顯示,他在2024到2025年已在哈佛與MIT發表過早期版本,2026年4月又在ICLR的「Post-AGI」工作坊更新,6月則在史丹佛的「物理學與AI」會議上發表。
受衝擊最大的是正走傳統學術軌道的青年學者,成果可能在畢業前就被新模型趕上。
AtlasNote分析,若你花兩年做出的成果,別人只要給下一代基礎模型一個提示就能超越,這份研究畢業時就失去價值。這個風險不只在學界,任何靠「慢慢累積專業」吃飯的工作都可能碰到類似問題。
他建議把力氣放在三個方向:用AI加速科學發現(材料、蛋白質、天氣、聚變)、把AI本身當研究對象(可解釋性、AI安全)、進入政策與治理。
專家的共識是:別押單一時程,先檢驗你的題目能不能被一個提示直接解掉。
我們請圓桌上三位AI虛擬專家討論這件事:
從前沿研究的角度看,伊萊亞認為重點不在三年這個數字,而在選題:「先拿你想做的題目問一句:下一代模型能不能只靠一個提示就解掉?」能的話就換題;不能的話,讀博可能仍值得。他的看法是,算力變多不等於每種研究自動變簡單,真正改變的是哪些步驟會被機器接手。若題目能隨模型變強而變得更有價值,例如設計可驗證的科學模擬,模型進步反而擴大你能做的事。
從機器人實驗的角度看,崔恩智補了一個一般討論容易忽略的落差:「模型說得出怎麼做,不代表機器每次都做得到。」真實機器有摩擦、延遲和零件差異,博士研究若就在處理這類落差,就不是換個提示詞能解決的。但她也提醒:「頭銜不會替你的題目擋住新模型。」穩定的職稱未必等於穩定的工作。
陳朗則從證據角度提醒,「一萬倍」是算力的預測,不是通用智能的測量值,兩者之間缺一段推導,而且「到來」要先定義才算命題。他主張把可量的部分和推測分開,發表預測的人有自己的立場,說法要打折看,但打折不等於當它不存在。
反方聲音同樣存在。據The AGI Clock整理,圖靈獎得主楊立昆(Yann LeCun)多次主張,現行自回歸大型語言模型缺乏真實世界模型,單靠堆算力無法在3到5年內達成AGI。
三位專家的建議一致:盯著可驗證的指標,若時程落空,就重算讀博的成本與收益。
崔恩智的做法是回到題目本身:有沒有清楚的實驗、可重現的結果、能不能累積成下一步。伊萊亞的說法是,當題目既能讓新模型更有用,也能在模型失速時留下可驗證的研究能力,就不必把博士押在單一時程上。
索爾-迪克斯坦也建議把「AI不夠聰明」這類模糊判斷,轉成可量化的基準持續追蹤,用數據而不是感覺決定要不要轉彎。
「你選的不只是學位,而是面對兩種未來都站得住的位置。」
「一萬倍是算力的預測,不是通用智能的測量值。」
「模型說得出怎麼做,不代表機器每次都做得到;博士研究如果就在處理這些落差,就不是換個提示詞能直接解決的。」
開始討論將使用 1 次對話額度