AGI一旦到来，读博士和硕士将没有任何意义。这个判断听起来极端，但却是ANTROICE首席科学家提出来的。
如果把目光放在最近几个月科研领域实际发生的事情上，会发现它甚至算不上激进。更值得正视的是，根本不需要等到AGI，当前AI对科研秩序的冲击已经超出了绝大多数人的预判。一个数理基础稀烂的本科生，借助AI工具，在方法层面与最顶尖研究者之间的差距正在以肉眼可见的速度坍塌。未来科研的鸿沟，大概率只剩下一个维度：提出新问题的能力。而就连提出思路这件事，AI也已经开始插手了。
Anthropic科学家索尔-迪克斯坦在斯坦福大学的演讲近期被反复翻出讨论，他的核心判断很直白：如果模型能力按当前趋势演进，一个年轻人花两年做出的所谓进展，在完成之时可能只需要别人给最新基础模型一句提示词就能被超越。
这不是假想。过去七个月里，AI模型已经开始解决此前长期困扰数学家的埃尔德什问题，而十年前最大模型的训练计算量在十年间增长了约一千万倍。在这种指数级的算力堆叠面前，传统学术训练所依赖的线性积累路径，稳定性正在被根本性地动摇。
谷歌的AI智能体已经在湿实验室里完成了设计分子、安排实验、读取结果、调整方案的完整闭环，尽管仍是原型，但它压缩的恰恰是过去需要研究生数年训练才能掌握的实验迭代能力。大学生只要懂得如何调度这些工具，在技术路线上与顶尖实验室的差距，就不再是天赋或训练年限决定的。
这直接动摇了硕士和博士培养体系的一个隐含前提。传统研究生教育的核心逻辑，是在导师指导下通过数年的试错积累，逐步获得独立提出问题和解决问题的能力。
在既有框架内执行研究，恰恰是AI最擅长的领域。
但这里有一个关键的转折：方法可以外包，判断不能。索尔-迪克斯坦演讲中最锋利的一句话是，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。
AI在方法层面的普及，并不意味着人人自动成为科学家。恰恰相反，当技术执行不再构成壁垒，真正稀缺的东西会变得更加赤裸地暴露出来：知道什么问题值得问，知道一个答案在何种意义上算作答案，知道什么时候应该怀疑AI给出的漂亮结果。
然而，把希望完全寄托在人类独占提出问题的能力上，同样过于乐观。AI系统已经开始展示出在没有人指定技术路线的情况下自主调整研究方向的能力。谷歌的湿实验室智能体在发现自己误判了目标分子后，会调整设计规则，下一轮效果随即改善。这意味着提出思路这件事，至少在某些约束明确的领域内，正在被AI以工程化的方式逼近。人类最后的堡垒或许不在于提出任何问题，而在于提出那些与人的处境、价值判断和长期文明关切相关的问题，但即便如此，也需要清醒地看到，这个堡垒的范围正在收窄。-
所以读博和硕士有没有意义，取决于你把它们当成什么。如果它们仍然被当作获取一套研究方法、一个学历凭证、一条通往稳定教职的阶梯，那么在AGI到来的前夜，这套逻辑的风险已经高到不值得忽视。
但如果把研究生阶段重新理解为一种判断力的训练，在AI生成的大量看似合理的答案中学会甄别、怀疑和追问，那么它的价值反而可能比以往更高，但是否真能提高，以及市场十分认可，那就是不一定了。
热门跟贴