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

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。 这可不是导师在例行泼冷水。 站在讲台上的是雅沙·索尔-迪克斯坦（Jascha Sohl-Dickstein）。 在学术界，他的名字分量极重。 2015 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。 现在，他是 Anthropic 的技术研究员，每天在最前线调校 Claude。 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》。 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》。 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。 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。

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。 前阵子有一位极具潜力的博士生找他交流。 聊起技术发展，这位年轻人语气非常笃定： 我认为三年之内，通用人工智能（AGI）就会出现。 雅沙听了点点头。 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： 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。 雅沙在台上忍不住问大家： 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； 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？

很多人习惯在做人生决定时平衡风险和收益。 遇到变局，直觉是躲进一条看似最稳妥的窄道： 在导师安排的方向上修修补补，熬年限，发几篇增量论文。 但雅沙提醒这群高材生： 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。 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。 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。

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？ 雅沙直接把硬核数据排了出来。 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。 这是个什么概念？ 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； 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）。 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。 这早就不是实验室里的玩具了。 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。 这个时间跨度正在沿着对数坐标呈直线飙升。 一年前，模型只能独立应付几分钟的零碎操作； 如今一口气撑上几小时已经很常见； 接下来很快就会跨过单兵全天连续工作的门槛。 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。

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？ 雅沙讲了一个很有意思的观察。 他的妻子在生物技术行业工作。 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？ 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。 最懂行的人，往往能看清眼前所有的死胡同。 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： 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。 我们目前的做法确实非常低效。 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。 但这不代表现有的路径走不通。 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。 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。 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。

这就把一个极度严酷的因果规律推到了博士生面前。 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》。 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。 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； 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。 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。

那这批年轻人到底该怎么活？ 雅沙没有说套话，他给出了几条非常具体的生存逻辑。 第一，果断放弃低水平的敲代码。 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。 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。 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。 第二，千万不要用模型写论文初稿。 原因很简单：写作本身就是思考。 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。 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。 第三，把研究重心押在具备正反馈杠杆的课题上。 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； 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； 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。

雅沙在幻灯片里展示了一段耐人寻味的预言。 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。 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； 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。 但这注定是一个存在窗口期的阶段。 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。 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。 在这个不可逆的加速点上，平庸的安全感，才是最大的危险。