如果 AGI 三年内到来，读博和终身教职的规划还成立吗？作者没给结论，而是把 AGI 时间线当成风险假设，重新拆解科研工作的环节：哪些能被 Agent 代劳，哪些仍然决定问题值不值得研究，研究者又该把力气放在哪里。

如果你相信 AGI 可能在三年内到来，却仍然按照过去几十年的路径规划人生：读博士、做博后、申请终身教职，再用多年时间积累一个稳定位置，那么这套计划是否还和你的判断一致？

Anthropic 科学家、扩散模型早期研究者 Jascha Sohl-Dickstein 在 2026 年 6 月斯坦福大学的一场演讲中，提出了一个很尖锐的问题：AI 能力如果继续以指数速度增长，传统科研职业路径和研究项目的生命周期可能被重新定义。

这并不是说读博士已经没有意义，也不是说 AGI 一定会在三年内实现。真正值得讨论的是，在不确定性快速上升的环境里，研究者应该怎样选择能持续受益于算力和模型进步的方向，怎样使用 AI 却不把自己的判断力外包出去。

指数增长会怎样改变科研规划

过去十年，用于训练最大 AI 模型的计算量增长约 1000 万倍。演讲中还引用了软件任务研究：以模型能够独立完成、且人类完成同类任务所需时间来衡量能力，模型可以处理的任务时间跨度在不到一年内增长约 10 倍。

数学领域也出现了类似信号。过去约七个月里，AI 模型开始解决部分长期困扰数学家的埃尔德什问题，能力边界从“辅助已有工作”逐步进入“参与新问题探索”。

指数增长最容易制造一种错觉：过去有效的职业选择，未来仍然会以同样速度产生回报。实际上，一个需要两年才能完成的研究项目，可能在项目结束前就被新模型用提示词复现；一套依赖人工逐步执行的实验流程，可能很快变成自动化基线。

因此，研究项目需要增加一个“能力增长敏感度”维度：

研究方向如果只能在当前模型能力下成立，而一旦模型规模扩大就会被完全替代，就需要重新考虑投入方式。

AGI时间线不是结论，而是风险假设

AI 研究者对 AGI 时间线的看法差异很大。有人认为几年内会出现接近顶尖人类的系统，也有人认为仍有关键技术障碍。即使不接受“三年内 AGI”的判断，也可以把它当成一种职业规划压力测试。

压力测试的问题不是“AGI 会不会按时到来”，而是：如果 AI 能力在三到十年内持续快速增长，你现在选择的研究方向是否仍然值得做？

如果一个研究项目的价值完全建立在“模型暂时还不会做”之上，它的生命周期可能很短；如果项目研究的是 AI 尚未解决的安全、解释、治理、真实世界实验和人类价值问题，它更可能随着模型能力提升而变得重要。

还要区分任务自动化和研究自主性。模型可以执行实验、生成数据、写代码、跑评估，却未必能决定哪个问题值得研究，哪个结果具有科学意义，也未必能在多个方向之间做出长期判断。

可以把科研 Agent 的能力拆成三层：

1. 执行层：写代码、跑实验、处理数据、生成图表。
2. 分析层：发现模式、找出异常、提出反例、比较假设。
3. 方向层：选择问题、判断价值、定义成功标准、决定是否继续。

当前模型在前两层快速进步，但第三层仍然需要人类研究者承担主要责任。博士训练的价值，也会从“掌握所有技术细节”逐渐转向“能够提出好问题、理解证据并做出判断”。

把AI变成日常研究工具

演讲者分享的一个实践是：让 Claude 帮忙头脑风暴、迭代研究想法、分析数据、生成可视化结果和检查论文漏洞。他甚至会因为好奇一个问题，让 AI 快速建立一个定制化仪表板，生成几页图表，再根据结果决定下一步研究。

这种工作方式的价值在于降低探索成本。过去一个研究想法可能需要几天才能写出实验脚本、整理数据和生成图表，现在可以先用 Agent 做一个可运行的粗糙版本，再由研究者判断是否值得深入。

但使用边界也很清楚：研究者可以让 AI 写代码和反馈论文，却不应该直接让 AI 代写第一稿。写作本身是思考过程，亲自组织语言能帮助研究者确认自己的问题、证据和论证是否成立。

更适合的写作流程是：

研究者先写出问题、假设和初步论证

-> AI 检查漏洞、提出反对意见和反例

-> 研究者重新组织结构和证据

-> AI 做语言、引用和一致性检查

-> 研究者对最终内容负责

如果直接让 AI 生成一篇完整论文，表面上效率更高，实际上可能还没有真正理解自己的研究，就已经得到了一篇看似完整的文章。

读博士和终身教职还值得吗

答案不会是简单的“值得”或“不值得”。关键在于你把博士和学术职位当成什么：如果只是追求一条看似安全的职业轨道，而不考虑 AI 带来的系统性变化，风险可能比过去更高；如果你希望深入研究重要问题，建立判断能力、实验能力和跨学科网络，博士训练仍然有独特价值。

传统路径的问题在于周期很长。博士、博后和终身教职往往需要多年积累，而 AI 能力可能在这段时间内发生多轮变化。职业规划不能只看当前的岗位稳定性，还要看未来十年中，个人能力能否持续和新工具、新问题以及新组织形态连接起来。

更稳妥的策略包括：

• 选择能随着算力和模型能力提升而增值的问题，而不是只研究模型暂时不会做的事情。
• 尽早把 AI 接入日常工作，形成自己的实验、评估和审查流程。
• 保留独立判断，不把选题、证据解释和价值判断交给模型。
• 尽量缩短研究反馈周期，先做可运行原型，再决定是否长期投入。
• 与不同领域的人合作，避免把职业价值绑定在单一技术细节上。

如果你相信 AI 可能带来大规模变化，传统的“安全选择”未必真的能降低系统性风险。更重要的是选择值得投入、能够影响未来方向、并且自己愿意长期承担的研究问题。

哪些研究方向更值得投入

第一类是 AI for Science。材料发现、蛋白质结构、天气建模、聚变反应堆和复杂物理系统，都需要把模型能力与真实世界数据、实验设备和科学理论结合起来。模型可以提高搜索和模拟效率，但实验验证和问题定义仍然重要。

第二类是 AI 本身。可解释性、模型机制、权重编辑、能力预测和评估体系，会随着模型能力提升变得更重要。研究者可以借鉴神经科学、统计物理、心理学和经济学方法，把 AI 当作新的研究对象。

第三类是 AI 安全。安全边界、对齐、隐私、滥用防护、红队评估和递归改进风险，仍然有大量问题没有清晰答案。这个方向的价值不依赖于某个模型版本，而依赖于 AI 能力持续增长这一长期趋势。

第四类是政策与治理。政府和社会需要真正理解技术的人，参与制定 AI 监管、资源分配和公共政策。如果你具备技术背景，也愿意参与公共事务，这可能是影响未来技术路径的重要位置。

选择研究方向时，可以问自己三个问题：这个问题是否会随着 AI 变强而更重要？我是否能提出模型不容易自动提出的问题？即使模型完成大部分执行工作，我是否仍然能够判断结果是否有价值？

AI时代的研究者，核心竞争力是什么

当 AI 能够写代码、跑实验、生成图表和检查论文，研究者的竞争力不会消失，而是向更高层移动：提出问题、判断证据、理解现实约束、识别错误结论，以及决定什么值得继续。

对研究生和开发者来说，最危险的不是少写几行代码，而是失去验证结果的能力。让 Agent 生成一个仪表板很容易，检查数据口径是否一致、图表是否误导、结论能否复现，才决定它是否真的帮助了研究。

国内开发者如果需要将 Claude Code 等工具接入兼容 API，可通过 Code80(https://code.ai80.vip/home) 配置 endpoint；研究数据、密钥、实验环境和最终结论仍应由项目侧控制。

常见问题

AGI三年内一定会到来吗？

不能确定。三年时间线是一种前沿观点和压力测试假设，不是已被验证的结论。更稳妥的做法是评估不同 AI 进展速度下，自己的研究和职业选择是否仍然成立。

AI会让博士失去价值吗？

不会简单地失去价值，但博士训练的重点会变化。执行性工作会更多交给 AI，提出问题、设计实验、解释证据和做出判断的重要性会提高。

研究者应该让AI代写论文吗？

可以让 AI 检查漏洞、提出反例、优化表达和核对一致性，但最好由研究者先完成问题、假设和初稿，避免把思考过程一起外包。

如何判断一个研究方向是否值得长期投入？

观察它是否会随着模型和算力提升而增值，是否需要真实实验或人类价值判断，以及研究成果能否在模型版本变化后继续积累。

Claude Code适合科研工作吗？

适合承担编码、数据处理、可视化、实验执行和结果检查等任务，但研究者仍需独立验证数据、方法、图表和结论。

国内开发者如何接入兼容 API？

可以通过 Code80 了解接入方式，同时自行管理模型权限、研究数据、密钥、实验环境和审计日志。