AI 来得这么快,今天还值得做什么?

你花两年做完的项目，会不会输给一次模型更新？

一位研究生告诉 Jascha Sohl-Dickstein，自己相信三年内就会出现通用人工智能。几分钟后，聊起职业安排，他说：再用两年读完博士，然后做博后，再申请教职。

他对 AI 的判断很激进，给自己安排的却是一条熟悉的路。问题也就在这里：如果相信几年后研究环境会大变，为什么做计划时，又默认一切照旧？

2026 年 6 月，Sohl-Dickstein 在斯坦福的 Physics and AI 会议上讲了这个故事。那时他在 Anthropic 技术团队工作，演讲题目是《人类世最初也是最后的日子里，给（年轻）研究者的建议》。题目很大，谈的却是研究者每天都会碰到的事：一个题目要做多久，代码该不该自己写，下一份工作怎么选。[1][2]

演讲视频放在下面。前半段看他判断变化速度的依据，后半段听他怎么谈选题、写作和职业选择。

视频号「Henry解码AI」分享的演讲；Stanford HAI 原始录像链接见文末。

Sohl-Dickstein 把接下来的建议，都放在一个很短的时间窗口里。这个前提未必成立，建议也就不能照单全收。要判断哪些适合自己，得先看看他为什么认为时间这么紧。

图 1｜Jascha Sohl-Dickstein 在 Stanford 的演讲现场。 来源：Stanford HAI 录像 09:45。

“一到五年”，是谁的判断？

演讲里最容易让人记住的，是留给人类作出智力贡献的时间可能只剩一到五年。只听这一句，很容易把整场演讲理解成一份倒计时。

幻灯片给出的语境要窄得多：在他接触的旧金山 AI 实验室圈子里，较常见的 AGI 时间线是一到五年，十到三十年已经算“长时间线”。他没有给出抽样调查。这是他对身边看法的描述，也是他作出后续建议的出发点。

标题中的“人类世”同样带着这样的设想：一旦人类不再是地球上最有影响力的智能，人类主导的这段时期，回头看可能很短。这是演讲的修辞，不能当成正式的地质年代判断，更不能据此说几年后人就没有价值了。

不接受这个日期，仍然可以继续往下听。他提出的许多问题，只需要一个条件：未来几年，工具还会明显变好。

他为什么觉得变化这么快

Sohl-Dickstein 用了三组材料：训练算力的增长、模型能完成的任务，以及 AI 参与数学研究的进展。它们测量的是不同的事，需要分开看。

训练算力那张图用的是对数坐标：1950—2010 年约增长 1.5 倍／年，2010—2025 年约增长 4.7 倍／年。这是演讲图中给出的历史趋势。更多计算量能带来多大能力提升，还取决于算法、数据和训练方法，无法从这条斜线直接读出 AGI 的日期。

图 2｜演讲展示的训练计算量历史趋势：1.5 倍/年与 4.7 倍/年是图中区间口径，不能直接换算成智能增长。 来源：Stanford HAI 录像 04:05。

METR 的图更容易看错。纵轴上的“几小时”，指人类专家完成相应任务所需的时间；模型在这类测试中达到的是 50% 成功率。演讲中的前沿结果已经进入小时级，但这不表示你能放心把一天的工作交给模型，让它自己做完。[3]

这些测试主要覆盖软件工程、机器学习和网络安全。真实工作还包括讲清背景、等待结果、检查错误，有时检查本身就很费力。METR 也专门解释过这些限制。因此，曲线能说明测试中的进步，却不能直接回答某个岗位有多少工作可以自动完成。[3][4]

图 3｜METR 图的纵轴是人类完成任务所需时间；模型在测试中达到 50% 成功率。它不等于自主运行时长。 来源：Stanford HAI 录像 06:50。

数学问题那张图给出了另一组醒目的数字：七个月内，AI 参与解决的开放 Erdős 问题从零增至 56 个，其中 27 个被归入没有实质人类数学输入的自主解决。这是演讲采用的 2026 年 6 月 9 日统计。相关汇编区分了自主工作、人机协作、利用已有文献和形式化验证，并说明它不是基准测试。本文核对了录像上的数字，没有按当天的历史版本重新统计。[5]

图 4｜演讲图中的 56 / 27 采用 2026-06-09 历史统计口径；本次未按当日版本重算总数。 来源：Stanford HAI 录像 09:15。

看到这些进展，值得找一个自己熟悉的问题试一试。试过以后，判断会具体得多：它到底帮到了哪一步？错误是否容易发现？省下来的时间，够不够支付检查结果的时间？

花两年做完时，题目还成立吗？

选题时，人们很容易把今天的工具能力当成项目结束时的工具能力。Sohl-Dickstein 提醒研究者留意这个时间差。

假设一个团队准备花两年，补上现有模型的某个短板。论文、实验和代码都按计划完成了，可在这两年里，新一代通用模型也学会了这件事。成果还在，最初支撑它的理由却可能已经变弱。

所以他更偏向目标明确、协作紧密、反馈快的项目。他在演讲中引用 Richard Sutton 的《苦涩的教训》：能够利用更多计算资源的通用方法，往往有长期优势。选题时，要警惕那些可能随着规模增长就被解决的问题。

说到这里，他也承认自己有些舍不得。缓慢、独立、允许漫游的探索，恰恰是他喜欢的科学。这个犹豫很重要：一项基础研究今天说不清用途，并不能成为放弃它的充分理由。

图 5｜讲者用示意曲线提醒研究者考虑工具进步与项目周期。图中的年份和曲线不构成能力预测模型。 来源：Stanford HAI 录像 21:40。

沿着他的提醒往下想，项目进行中就该留出重新判断的机会。模型变强以后，手里的数据、实验条件或验证方法是否更有价值？如果答案是肯定的，工具进步可能帮项目走得更远。如果整个项目只是绕过某一版模型的临时缺点，周期就值得缩短。

让它帮忙，也得知道它做了什么

他谈 AI 工具时有一句很直接的建议：强迫自己去用。现在的工具常常别扭，交互也不成熟，但一直因为不好用而放着不用，就很难知道它已经能帮到哪里。

他自己会和模型来回讨论研究想法，让它批评文章、写代码，也会为眼前的问题临时搭出图表和分析界面。这样用模型，需要把目标、约束和完成标准讲清楚。他把其中一些工作比作带研究团队。

到了写作，他却坚持初稿要自己写。问答时他解释，把模糊的念头写成句子，本来就是思考的一部分：写不下去的地方，往往正是还没想清楚的地方。模型可以帮忙批评和修改，但一篇流畅的成稿不会自动补上这个过程。

代码也是如此。有人问，模型已经能写代码，研究生还需不需要练习？他的回答仍然要求人理解代码在做什么，只是亲手写的比例可能会减少。遇到不懂的地方，可以让模型画图、解释异常、比较两次结果，再接着问。

用到自己的工作里，不妨从一个能检查结果的小任务开始。让模型找资料或写实现，自己沿着来源和推导核一遍。发现它错在哪里、哪些结果可以相信，比一次生成多少页内容更能帮助你决定下一次交给它什么。

熟悉的职业路径，还稳吗？

再回到开头那个研究生。他为自己安排的每一步都很合理：读完博士，做博后，申请教职。需要重问的是，这条路径依赖的环境，在几年后还会不会一样。

人们习惯把熟悉的工作叫作稳定，把换方向叫作冒险。行业变化时，留在原处也有风险。Sohl-Dickstein 因此鼓励听众认真考虑那些上限更高、自己也更想做的事。

但他面对的主要是研究者和博士生。读者各自的现金储备、家庭责任、技能和失败成本差得很远，不能听完这段话就把辞职当成必选项。

比较实际的起点，是翻一翻自己计划里的依据：学这项技能，是因为它现在稀缺，还是认为它会一直稀缺？花几年拿一个资格，希望换来什么机会？如果工具改变了其中一项，是否还有调整的余地？

保留稳定工作，同时试用新工具、做一个小项目，也是在调整。没必要用一次剧烈的转向证明自己相信 AI。先看清变化究竟落在自己的哪项工作上，再决定投入多少。

工具更强以后，拿来做什么？

演讲后半段，他开始谈研究者的责任。AI 的进展看上去很大，大到个人似乎只能旁观。但他认为，早期对工具的设计和使用所作的选择，会影响后来的制度和习惯。

例如，一个项目公开哪些结果，用什么标准评估模型，谁能使用它，出了问题由谁解释。这些都需要有人作决定；随着使用规模扩大，早期的选择也可能被带到更多地方。

他提到的研究方向包括用 AI 做科学、把模型本身当作科学对象、安全研究、预测未来能力与行为、研究获取机会与公平，以及政策治理。多个 AI agent 组成的系统会怎样行动，也是他认为还很缺研究的问题。这些是他的个人偏好，并非一份完整的方向清单。

他还画了一条个人生产力的示意曲线：人和 AI 团队配合，先把产出推高；再往后，人类额外投入的智力贡献可能下降。曲线没有时间刻度，也不是测量结果。它表达的是他的猜想：有一段时期，个人借助工具能做的事会大幅增加。

图 6｜讲者对个人智力投入回报的猜想示意。曲线没有时间刻度，不是实测结果，也未证明拐点日期。 来源：Stanford HAI 录像 32:40。

问答里有人问到实验科学，事情就没那么整齐了。物理实验要面对真实世界，许多结果无法只靠计算验证。他相信机器人最终会参与更多实验，也承认时间更难判断。软件任务里的进步速度，不能原样套到所有研究上。

演讲没有替那个研究生选好下一份工作，也没有给所有人排出时间表。它留下的是一个可以拿来检查当下安排的问题：我正在投入的几年时间，依赖哪些条件一直不变？

从自己正在做的一个项目看起就够了。哪一步已经可以交给新工具，哪一步仍需要人作判断，做完以后留下的东西又能用多久。答案往往比一个 AGI 年份更接近眼前的选择。

来源与说明

[1] Stanford HAI：完整演讲录像。2026 Conference on Physics and AI: Jascha Sohl-Dickstein；45:14。本文主要依据。https://www.youtube.com/watch?v=3LZN2UUxDos

[2] Stanford：PAI26 活动页。2026 年 6 月会议背景。https://events.stanford.edu/event/2026-conference-on-physics-and-ai-pai26

[3] METR：Task-Completion Time Horizons。指标定义、任务范围与方法限制；2026-10-28 读取。https://metr.org/time-horizons/

[4] METR：Clarifying limitations of time horizon。2026-01-22；解释自主时长、可靠性与实际自动化的区别。https://metr.org/notes/2026-01-22-time-horizon-limitations/

[5] Tao 等维护的 Erdős 问题 AI 贡献汇编。页面显示数据截至 2026-06-30，已停止更新；不等同于演讲使用的 6 月 9 日历史统计。https://github.com/teorth/erdosproblems/wiki/AI-contributions-to-Erd%C5%91s-problems

[6] Epoch AI：Can AI scaling continue through 2030?。2024 年研究；约 2×10²⁹ FLOP 的可行规模情景以 GPT-4 为比较基准。https://epoch.ai/publications/can-ai-scaling-continue-through-2030

本文为公开演讲的中文解读，非逐字译文。文中工作建议含整理者的延伸理解；视频号卡片为读者观看入口，资料核对以 Stanford HAI 原始录像及所列来源为准。原始读报：Claude；改写、核对与排版：Codex。使用 AI 工具辅助整理与编辑。2026-10-28 · v1.2.1。