Anthropic科学家警示，若AGI三年内到来，博士与终身教职路径或面临系统性风险

Anthropic科学家雅沙·索尔-迪克斯坦（Jascha Sohl-Dickstein）于2026年6月在斯坦福大学物理学与AI会议上发表演讲《人新世最初与最后日子里，给青年研究者的建议》，引发学界对AI加速发展下学术职业路径的深度反思。该演讲近期被重新传播，在社交平台X上激起广泛讨论——当通用人工智能（AGI）可能在未来几年内出现，沿用数十年的博士—博士后—终身教职路径是否仍具确定性？

索尔-迪克斯坦并非危言耸听。其判断基于一组可观测的量化趋势：过去十年，最大AI模型的训练计算量增长约1000万倍；2025至2026年间，模型在软件任务上的能力每隔数月就提升一个数量级；更关键的是，过去七个月里，AI已开始独立解决部分长期悬而未决的保罗·埃尔德什（Erdős）数学问题。这些进展表明，AI正从“辅助工具”转向“问题发现与求解主体”。

他援引对数坐标下的全球GDP增长曲线类比AI发展轨迹：人类习惯线性外推未来，但历史显示，重大技术变革往往以指数方式展开。AI当前正处于这一曲线的陡峭上升段。按其估算，若计算量年增长率维持4.7倍（2010–2025年水平），到2030年，训练算力可达2025年的约1万倍；而GPT-4的训练计算量已接近人类大脑一生完成的总计算量。

这一背景使“AGI何时到来”从哲学议题变为可建模的技术预测。索尔-迪克斯坦明确表示：“一年前在哈佛讲此话题时，有人认为过于激进；如今，它已成为可公开严肃讨论的问题。”他援引多位政商界人士观点佐证：英国前首相苏纳克强调AGI竞争具根本性地缘政治意义；奥巴马称AI影响将超智能手机且来得更快；谷歌前CEO埃里克·施密特预测AI将在几年内达到甚至超越顶尖人类智力水平。在旧金山AI从业者中，“几年内”是主流时间预期，即便持保守者，也多将窗口设在十年以内。

在此前提下，传统学术生涯规划面临结构性挑战。博士阶段通常需5–6年，博士后2–3年，再经多年竞争方有望获得终身教职。但若AGI在2029年前落地，一名研究者耗时两年完成的成果，可能被基础大模型通过一个提示词即时复现甚至超越。索尔-迪克斯坦直言：“不要把博士、博后和终身教职视为天然稳妥的选择。”他指出，这种路径的风险在于——它假设科研体系与知识生产模式保持稳定，而AI正在瓦解这一前提。

他提出三条务实建议：第一，尽早将AI深度融入日常研究流程。他本人每日使用Claude编写代码、生成图表、检查漏洞，大幅压缩执行层工作耗时；第二，选择能随算力增长持续受益的研究方向，例如AI for Science（如材料发现、蛋白质折叠、气候建模）、AI安全与可解释性、以及AI治理等交叉领域；第三，坚守“思考主权”——其演讲中最受关注的一句是：“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。”这并非反对使用AI生成初稿，而是强调研究者必须理解输出逻辑、质疑结论边界，并将精力聚焦于问题定义、假设构建与价值判断等高阶认知环节。

值得注意的是，索尔-迪克斯坦并未否定博士学位本身的价值，而是呼吁对其功能进行重定位。在AGI时代，博士训练的核心价值或将从“产出具体知识”转向“培养问题识别能力、跨尺度推理能力与伦理判断力”。他特别提醒年轻研究者：当前仍处于指数增长早期，个人在技术路线选择、研究方向聚焦乃至伦理立场上的决策，可能对AGI的最终形态产生深远影响——这不是隐喻，而是基于系统动力学的现实判断。

这一观点呼应了近年学术界的悄然转变。MIT、斯坦福等校已增设“AI与科学方法论”课程；Nature与Science陆续刊发关于“AI原生科研范式”的专题讨论；部分实验室开始要求博士生掌握提示工程与模型验证技能，而非仅精研单一实验技术。与此同时，工业界对具备“AI协同研究能力”的复合型人才需求激增，学术界与产业界的能力边界正快速模糊。

索尔-迪克斯坦的警示本质是方法论层面的更新：在非稳态系统中，线性规划失效，需引入动态适应策略。对青年研究者而言，关键不在于是否读博，而在于能否在博士训练中主动构建“抗脆弱性”——即无论技术如何突变，其核心认知能力与问题意识仍具不可替代性。正如他在演讲结尾所引述的拉蒙-卡哈尔之言：“科学不是积累事实，而是学会如何提问。”当AI能回答几乎所有已知问题时，提出正确问题的能力，或许将成为人类研究者最后的护城河。