一位在读博士生的抱怨，这几天在 AI 圈里被反复提起。
他叫曹晋，在美国德克萨斯大学奥斯汀分校读计算机方向的博士。前段时间他去做了一次顶级会议的审稿。翻完几十篇摘要，心里冒出一个不太舒服的念头。这些方法，和他两年前刚进入三维视觉领域时学到的套路，几乎一模一样。
图注：曹晋在社交平台上的原帖，直言学术研究已经跟不上模型的脚步。
换一个更新的视频生成模型，套上相似的方法，一篇新论文就写完了。他自己也说不清，那几万篇投稿里究竟有多少是真的有人琢磨出来的。
这种不安不是个例。一个行业里最年轻、最有冲劲的那批人，开始怀疑自己在做什么。事情就不再只是情绪问题。
当大模型开始坐到研究者的位置上
过去很多年，AI 研究有一条很清楚的路径。先锁住一个具体问题。再设计新的模型结构。引入一点归纳偏置。最后在评测集上一点点往前挪。
基础模型正在把这条路径压平。越来越多案例显示，通用模型已经开始进入那些原本必须专门设计的领域。一家做空间智能的公司放出了自己的四维场景模型，理解与生成能力都相当扎实。新一代大模型和三维工具、机器人系统接上之后，空间推理与操作能力也开始变得出人意料。
曹晋回忆 GPT-6 发布之后自己的信息流。满屏都是拿它做逆向图形实验的帖子。还有人让它直接驱动机器臂，完成了相当复杂的操作。
图注：他在信息流里看到的实验录屏，当时这类片段正在刷屏。
这些结果让他回头重新审视一个判断。一年前他还敢下结论，说大语言模型永远不可能拥有空间智能。一年之后，这个判断被直接推翻了。
在他看来，原因并不复杂。这个大模型经过了大量三维数据和机器人操作数据的后训练。往后规模只会更大，迭代只会更快。顺着这个逻辑往下推，有一类领域最危险。凡是能被符号化表示、又有清晰强化学习评测标准的，最终都会被它吞进去。
还有一类论文，靠加一点归纳偏置，靠调参数把榜首成绩往上顶一点点。它们更像路边等着被清理的残骸。遗憾的是，这类论文还在源源不断涌进各种会议。
这更多是一种惯性。整个圈子追了太久的榜首成绩，很难在一夜之间停下来。但有一个事实必须承认。很多领域的方法范式早就收敛了。过去被称为研究的那部分工作，如今越来越像纯工程。学术界靠设计新结构来贡献价值的空间，也在不断收窄。
分数这件事最能说明问题。
大家都在往同一个排行榜 上挤。挤到最后，多出来的零点一个百分点已经换不来新知识。
写代码的人对此感受更早。AI编程 这类活重复度高，评价标准也清楚，最先被大模型接了过去。研究者真正要花力气的地方，也就被重新划分了。
两条路，摆在年轻研究者面前
面对眼下的局面，曹晋认为像他这样的博士生大致有两条路可以走。两条路都不轻松。
第一条是打不过就加入。去整理高质量的数据。去搭基础设施。然后进工业界训练基础模型。
第二条是回到真正的科学研究。不要再执着于把评测分数往上抬那零点几个百分点。去问为什么这个方法有效，为什么那个方法无效。把基础模型本身当成研究对象。
他朋友的说法很形象。未来的 AI 研究可能越来越像生物学，只是研究对象从碳基生命换成了硅基生命。
除此之外，很难想象还有哪个方向不会被大语言模型吞掉。模型能力继续往上走，人类知识与经验的独特价值也在被重新衡量。当年的 AlphaGo 曾经改写围棋界对人类智慧的理解。未来每个领域都可能等来属于自己的那一局。学术界最终会走向哪里，或许正是这个时代最值得盯着看的问题之一。
帖子下面的争论
曹晋的这篇帖子引来了不少同行留言。
有网友顺着他的话往下说。AI 研究确实在往生物学靠。机械可解释性这个方向已经先走了一步。研究者开始建立 AI 领域的模式生物。他们把 Transformer 的内部机制拆开来看，再想办法用新的实验手段，观察能力到底是怎么长出来的。
图注：一位网友的留言，认为机械可解释性领域已经出现了类似生物学的研究方式。
另一位网友的关注点不太一样。他想的更远。如果基础模型把工程层面的活都吸收掉，剩下的科学问题反而会更难，也因此更有意思。
图注：网友留言，认为基础模型接走工程工作之后，剩下的科学问题会更难也更有趣。
一位研究视觉表示的博士分享了自己的处境。他正在琢磨视觉模型到底编码了什么，又漏掉了什么。导师直接泼了冷水，说整个圈子更关心下一个更强的模型，而不是这些基础问题。看到这轮讨论之后，他决定还是继续做自己真正感兴趣的方向。
图注：这位研究者的留言，讲了他和导师之间的分歧。
也有研究者态度更积极。他们认为基础模型变强，并不会削弱学术研究的价值。真正拖累学术界的另有原因。经费紧张算一个。评价体系不公道算一个。激励机制过分偏爱明星，也算一个。
在这位研究者看来，现在反而是读博士的好时候。代码智能体让研究者可以借 AI工具 把一个人的能力放大很多倍。开源模型和开放权重生态也在变强，个人研究者能更快地摸到前沿问题。他自己刚从学术界转到工业界，依然保持着读论文、翻开源项目的习惯。在他看来，基础模型带来的变化并不是学术研究的终点。研究的问题正在迁移。从把模型做得更大，转向理解智能到底怎么产生。
图注：一位持乐观态度的研究者留言，认为现在反而是读博士的好时候。
整场讨论看下来，没有谁给出标准答案。可以确定的是，模型会承担越来越多原本属于人的脑力劳动。每个行业都得重新回答一遍，自己不可替代的那部分究竟是什么。学术界只是最先被问到的那个。
争论还在继续。
与其等一个明确的结论，不如先看这轮争论会把年轻人往哪边推。还有一些人，明知道方向冷门，也知道评价体系不待见，却仍然决定继续往下做。他们才是这件事里最值得留意的部分。
