{"id":"mb-20261019-edd115","kind":"deep","title":"扩散模型奠基人给博士生的警告：算力暴涨千万倍时代，学术避风港为何彻底失效","summary":"Anthropic技术研究员、扩散模型奠基人雅沙·索尔-迪克斯坦在学术报告中直面名校博士生，用过去十年算力暴涨千万倍、AI开始攻克数学猜想等硬核数据，剖析为何传统的线性科研路径正在瓦解，并给出人机协同黄金期下的具体生存法则。","body":"读博读到一半，突然有人告诉你，你毕业后的职业路径已经不存在了。\n这可不是导师在例行泼冷水。\n站在讲台上的是雅沙·索尔-迪克斯坦（Jascha Sohl-Dickstein）。\n在学术界，他的名字分量极重。\n2015 年，他把非平衡态热力学引入机器学习，奠定了扩散模型的数学基础，也就是今天各种图像和视频生成模型的底层支柱。\n现在，他是 Anthropic 的技术研究员，每天在最前线调校 Claude。\n他这场学术报告的名字很有深意：《人类世最初与最后时期的青年学者指南》。\n名字借用了现代神经科学鼻祖、诺贝尔奖得主卡哈尔 1897 年的名著《致青年学者》。\n但在雅沙口中，所谓的人类世，很可能是地球地质史上最短的一个纪元。\n因为人类作为主导地球演化的核心智力主体的日子，可能快要到头了。\n\n面对台下一屋子的名校博士生，他讲了一件让自己哭笑不得的真事。\n前阵子有一位极具潜力的博士生找他交流。\n聊起技术发展，这位年轻人语气非常笃定：\n我认为三年之内，通用人工智能（AGI）就会出现。\n雅沙听了点点头。\n可仅仅过了两分钟，话题转到个人前途，这位博士生很自然地规划起来：\n我打算再花两年把博士念完，接着去做三年博士后，然后去高校申请终身教职。\n雅沙在台上忍不住问大家：\n如果你的半个脑子真的确信，一项改写世界的技术会在三年内降临；\n为什么另一半脑子还会理所当然地假定，2030 年的大学教职和学术体制，能跟 1995 年一模一样？\n\n很多人习惯在做人生决定时平衡风险和收益。\n遇到变局，直觉是躲进一条看似最稳妥的窄道：\n在导师安排的方向上修修补补，熬年限，发几篇增量论文。\n但雅沙提醒这群高材生：\n当整个底座都在发生剧烈位移的时候，传统意义上的避风港根本不提供任何庇护。\n面对无法回避的系统级变动，所谓的稳妥选项，根本没有帮你买到任何额外的安全。\n你只不过是白白扔掉了可能搏到的巨大红利，却把该承担的宏观风险全盘留了下来。\n\n台下肯定有人好奇：你们搞大模型的，是不是在旧金山的泡沫里泡久了，又在凭空画饼？\n雅沙直接把硬核数据排了出来。\n过去十年间，用来训练顶尖 AI 模型的算力，增长了整整 1000 万倍。\n这是个什么概念？\n退一步粗略估算，假设人类大脑的每个神经突触每毫秒做一次运算；\n一个人一辈子的大脑总计算量，大约在 10 的 27 次方次浮点运算（10^27 FLOPs）。\n而今天最庞大的基座模型，在训练周期里消耗的算力，已经逼近了整个人脑一生的规模。\n这早就不是实验室里的玩具了。\n在任务执行能力上，独立测评机构 METR 跟踪过一个指标：模型在没有人类插手的情况下，能够自主完成软件工程任务的时间跨度。\n这个时间跨度正在沿着对数坐标呈直线飙升。\n一年前，模型只能独立应付几分钟的零碎操作；\n如今一口气撑上几小时已经很常见；\n接下来很快就会跨过单兵全天连续工作的门槛。\n甚至在纯数学这种被视为人类智力最后堡垒的领地，过去大半年里，AI 已经开始动手解决数学家保罗·埃尔德什（Paul Erdős）当年留下的公开猜想。\n\n台下马上有人追问：物理资源总有极限吧？算力难道不会很快撞墙？\n雅沙讲了一个很有意思的观察。\n他的妻子在生物技术行业工作。\n如果你去问生物界的研究者，发达国家的癌症死亡率在下降，我们是不是快要把癌症攻克了？\n对方能在接下来的十分钟里，滔滔不绝地给你摆出无数条理由，详细解释为什么攻克癌症极其复杂，为什么我们还要熬上几十年。\n最懂行的人，往往能看清眼前所有的死胡同。\n可如果你去问大模型实验室最核心的那些开发者，大家却出奇地一致：\n从现状到超级智能之间，暂时看不到任何不可逾越的硬障碍。\n我们目前的做法确实非常低效。\n人脑利用数据的效率，比现在的深度学习高出了整整四个数量级。\n但这不代表现有的路径走不通。\n相反，十年来让行业震惊也让理论学者无奈的现实在于：哪怕只用最原始粗糙的手法，只要把算力规模再放大一个数量级，它就依然奇迹般地继续生效。\n根据 Epoch AI 的测算，到 2030 年全球投入 AI 的算力，可能比 2025 年再膨胀一万倍。\n如果站在 2030 年看线性坐标轴，我们今天引以为傲的全部算力，视觉上跟零点没有任何区别。\n\n这就把一个极度严酷的因果规律推到了博士生面前。\n理查德·萨顿在 2019 年写过一篇流传极广的长文，叫《苦涩的教训》。\n核心结论残酷而清醒：在人工智能历史上，所有依靠人类学者精巧设计、精心调参的研究路径，最终都会被通用算力和暴力计算彻底碾过。\n如果一个博士生花了整整两年时间，躲在象牙塔里深挖一个狭窄的渐进式课题；\n很可能论文还没写完，新一代的基座模型只要输入一行提示词，几秒钟给出的方案就已经全面超越了你两年的心血。\n在一条呈指数级拉升的曲线上，试图靠线性积累的努力跑赢规模效应，无异于螳臂当车。\n\n那这批年轻人到底该怎么活？\n雅沙没有说套话，他给出了几条非常具体的生存逻辑。\n第一，果断放弃低水平的敲代码。\n雅沙自己现在每天离不开编程，但他坦白，自己几乎已经不亲手写任何一行代码，甚至很少去一行行审查代码。\n每当他对某个数据产生好奇，就让模型实时拉起一个定制看板，跑出几页交互图表。\n研究者的核心能力，正在迅速转向如何给智能体定义边界、拆解任务并设定预期，这完全等同于一个资深课题组长（PI）在管理下属。\n第二，千万不要用模型写论文初稿。\n原因很简单：写作本身就是思考。\n一旦你把起草文字外包出去，等于把自己的思考权也一并外包了，大脑的辨别力和鉴赏力会迅速退化。\n模型最适合的用法，是当你的假想敌，让它无休止地反驳你、挑你的刺、指出你论证里的所有漏洞。\n第三，把研究重心押在具备正反馈杠杆的课题上。\n去做基座模型无法靠单纯堆算力自动解决的硬核科学，比如新材料发现、蛋白质折叠、受控核聚变等离子体监控；\n或者拿起统计物理、神经科学、微观经济学的分析工具，把 AI 模型本身当成实验观察的对象，去啃机制的可解释性；\n又或者凭借学术人员天然享有的公信力，进入极度匮乏技术专家的 AI 监管与政策治理领域。\n\n雅沙在幻灯片里展示了一段耐人寻味的预言。\n在指数曲线刚刚抬头的这几年，人类研究者其实迎来了一个短暂的黄金时代。\n你的智力品味和判断力，如果能够跟庞大的 AI 智能体集群结合起来；\n你在一个星期里能完成的科学产出，很可能抵得上过去整整一辈子的工作量。\n但这注定是一个存在窗口期的阶段。\n迟早会有一天，人类大脑在任何一个单一维度上的认知长板，都不再比机器更加突出。\n在那一天到来之前，最清醒的活法，绝不是缩在过去的舒适区里假装风平浪静。\n在这个不可逆的加速点上，平庸的安全感，才是最大的危险。","topic":"扩散模型奠基人给博士生的警告：算力暴涨千万倍时代，学术避风港为何彻底失效","frame_type":["机制"],"citations":[],"channel_note":"","identity_notice":"","source_type":"generated","status":"published","generated_at":"2026-10-19 07:30:01","legal_anchor_count":0,"transcript_citation_count":0}