AI 时代读博士的价值

原作者 Phillip Isola　｜　原文发布于 2026 年 9 月 28 日

许多刚刚开始攻读 AI 博士的学生感到焦虑，这是可以理解的。我们这个领域似乎正以越来越快的速度向前飞奔。我们精巧的方法常常还没发表，就已经被超越；我们深入的洞见，似乎对前沿实验室的进展也不再那么关键。AI 正在将研究过程中的一些环节自动化，而这些环节过去需要多年的专业训练才能掌握。

那么，在这样的时代，读博士还有价值吗？

我认为有！事实上，我觉得现在是开启这段旅程最令人兴奋的时期之一。每当下面这些问题不可避免地浮现时，我都会用这十点提醒我的学生，也提醒我自己。

01　“如果我不在前沿实验室工作，还能做出什么贡献？”

与其把研究工作保密，公开开展研究或许能让你对未来产生更大的影响。

02　“我今年做的任何事，明年 AI 都会做得更好。”

从今年走到明年，可能恰恰需要你的工作。做好你今年的事，你就有机会塑造明年。

03　“好吧，但我的贡献要怎样才能得到认可？”

我们将不得不重新思考贡献应当如何归属。今天的 AI 模型利用了无数人的工作：它们可能把你的方法作为工具来调用，也可能把你的洞见蒸馏进自己的模型权重。你可以为此感到自豪。归根结底，前沿模型取得的成就应当属于全人类。我知道，这说起来容易，做起来难。

04　“我以后靠什么赚钱？”

你正在攻读 AI 博士。无论接下来发生什么，你都是最有条件适应变化的人之一。你正在获得的技能，可以迁移到未来许多不同类型的工作中。

05　“听说 AI 会在 N 年内治愈癌症。我正在研究癌症诊断算法，该换个方向吗？”

这 N 年，关乎许多人的生命。挽救这些生命是有价值的。此时此刻也有它的价值。[1] 而且，未来是不确定的。如果 N 年变成了 10N 年呢？

06　“如果我的理解永远达不到 AI 的深度，为什么还要成为某个领域的专家？”

人类的专业知识在很长一段时间内仍然会很重要。我不认为我们已经可以两手一摊，把一切交给机器。即使机器变得比我们更聪明，或者说，尤其是在它们比我们更聪明的时候，我们仍然希望有人类参与其中，并且这些人对整个问题的每一个环节都有深入的理解。[2]

07　“慢慢做科学研究还有价值吗？我怎样才能跟上？”

先花时间深入理解你的研究对象，才能取得最快的进展。限制进展速度的因素不是技术，而是人类的大脑，以及我们的社会系统。假设过去需要 N 个小时才能成为某个领域的专家，那么未来仍然需要大约 N 个小时。[3]

我认为，人类在研究中承担的角色会持续存在，而这种角色所需的工作速度，无法如此大幅度地提升。无论这个角色最终是什么，做得最好的人，都会是那些投入时间深入理解材料，并认真思考其后果的人。

08　“还有哪些有趣的研究问题值得做？”

太多了！我们已经有一套完整的智能理论了吗？没有？那就动手研究吧！正如彼得·梅达沃（Peter Medawar）所说：

“优秀的科学家，会研究那些他们认为自己能够解决的、最重要的问题。毕竟，解决问题才是他们的专业职责，而不只是与问题苦苦周旋。”[4]

技术已经把其中一些苦苦周旋的过程自动化了。这当然是好事。重要问题正变得比以往更有希望得到解决。AI 可以帮忙！

09　“世界会发生如此巨大的变化，我怎么敢开始一段五年的旅程？如果几年后最初的研究目标已经没有意义了呢？”

这正是读博士的美妙之处。你的工作，就是探索知识的前沿。[5] 如果前沿变了，你也可以随之改变。在一个剧烈变化的时代，能处在这样的位置，多么令人羡慕！

所以，别担心。研究从来没有一条清晰的前进路线，你总是在望向未知。这恰恰就是研究的意义所在。如果你已经知道自己将走向哪里，那还能学到什么呢？

10　“我为什么要读博士？”

说到底，一个足够好的答案可以仅仅是：因为热爱科研这件事。

致谢

感谢我在 MIT 的实验室成员。与他们进行的有益讨论，促成了这篇文章。

作者介绍

Phillip Isola 是麻省理工学院（MIT）电气工程与计算机科学系（EECS）副教授，也是计算机科学与人工智能实验室（CSAIL）成员。他的研究涉及机器学习、计算机视觉与机器人，尤其关注智能的基本原理，以及不同模型如何学习和表征世界。

他在 MIT 获得脑与认知科学博士学位，此后曾在加州大学伯克利分校、OpenAI 和 Google Research 从事研究。他获得过 PAMI 青年研究者奖、Packard Fellowship 和 Sloan Fellowship 等荣誉，并在 MIT 教授深度学习、计算机视觉和机器人相关课程。

如果你关注视觉生成或视觉表征，可能已经接触过他参与的工作：

• pix2pix（CVPR 2017）：他是论文第一作者。这项工作用条件生成对抗网络进行图像到图像的转换，例如把边缘图转换成照片。 

• CycleGAN（ICCV 2017）：他是共同作者。这项工作通过循环一致性，在没有成对样本的条件下学习两个图像域之间的转换。 

• LPIPS（CVPR 2018）：他参与了这项以深度特征衡量图像感知相似性的研究。 

• The Platonic Representation Hypothesis（ICML 2024）：他是共同作者。论文提出一个假说：在不同数据和模态上训练的模型，其对世界的表征可能正在趋同。

目前，他的团队重点探索表征的共通规律，以及 AI 智能体的行为。因此，这篇文章也体现了一位同时接触学术研究与产业研究的博士生导师，对研究训练价值的思考。

作者介绍依据 MIT 个人主页、官方简介及上述论文整理。资料核实于 2026 年 10 月 8 日。

原文注释

[1] Jascha Sohl-Dickstein 在这条帖子中提出了类似的观点。他指出，如果你相信通用人工智能（AGI）即将到来，那么，在你的项目被淘汰之前，把重点放在短期内能够产生的影响上，是有道理的。

https://x.com/jaschasd/status/1972360405885637021

[2] 我很喜欢 Reza Ghelich 的这组帖子，其中提出了“专业知识是安全基础设施”这一观点。我猜，这会是博士训练最持久的社会作用之一。 [查看来源]

https://x.com/RossRezaGhelich/status/2095761116198776949

[3] 实际上，我认为需要的时间会比 N 稍少一些。我乐观地相信，借助新工具，我们可以比过去学得稍快一点。但也只是稍快一点。

[4] 引自《The Art of the Soluble》（书名可译为《可解问题的艺术》）。

[5] 或者，用《星际迷航》中的话说，你的工作是“勇敢地去往前人未曾到达的地方”。

原文 On the Value of Doing a PhD in the Age of AI

https://web.mit.edu/phillipi/www/writing/PhD-in-age-of-AI.html

作者主页

https://web.mit.edu/phillipi/