当大模型开始“做研究”,AI博士生还要研究什么?

如果有一天，AI不仅能帮研究者写代码、跑实验、整理文献，还能自动提出方法、生成论文，并在基准测试上击败大量人工设计的模型，那么今天的AI博士生，究竟应该研究什么？

近日，得克萨斯大学奥斯汀分校计算机科学博士生曹晋提出了一个尖锐的问题：

计算机科学学术界已经死了吗？像我这样的AI博士又该何去何从？

这不是一句简单的情绪宣泄。

当越来越多论文遵循“更换基础模型、调整模块、刷新指标、重新投稿”的固定路径，当过去需要研究团队反复实验的工作开始被代码智能体快速完成，AI学术界正在面对一次比“论文数量过多”更深刻的变化：

过去被称为研究的工作，有多少仍然属于真正的科学问题？

01

FUTURE 

TECHNOLOGY

换一个基础模型，又是一篇新论文

曹晋在参与ICLR审稿时，快速浏览了大量论文摘要。

他发现，许多研究采用的方法，与自己两年前进入3D视觉领域时接触的套路高度相似：换成更新的视频生成模型，接入相近的处理流程，在新的数据集上运行实验，然后得到一组更高的指标。

模型变了，论文标题变了，结果也可能更好了。

研究问题本身却没有发生多少变化。

这种现象并非某一个会议或方向所独有。在计算机视觉、自然语言处理和多模态学习等领域，一套成熟方法出现后，社区往往会迅速复制并扩展：

更大的模型、更丰富的数据、更复杂的模块，以及比上一项工作高出一点的分数。

这种增量研究曾经具有现实价值。它帮助学术界验证方法、发现边界，也推动技术不断成熟。

然而，当基础模型能够自动完成大量代码编写、参数搜索、实验组合和结果分析时，单纯依靠“换模型、加模块、刷指标”产生的研究增量，正在迅速失去稀缺性。

AI没有让所有研究失去意义，却正在压缩套路化研究的生存空间。

FUTURE TECHNOLOGY

02

FUTURE 

TECHNOLOGY

基础模型正在吞掉“方法创新”

过去，AI研究通常围绕一条清晰的路径展开：

发现一个具体问题，设计新的模型结构，引入特定的归纳偏置，再通过实验说明新方法优于旧方法。

研究者的重要价值之一，就是把对问题的理解写进模型结构。

例如，为了让模型理解图像、空间和运动，人们会分别设计视觉编码器、三维表示、几何约束和运动模型。不同领域拥有不同的专用架构，也形成了相对独立的研究社区。

基础模型正在打破这种分工。

随着训练数据持续扩展，语言、图像、视频、三维场景和机器人操作逐渐进入同一个模型体系。一些过去需要专门模型才能完成的任务，开始成为通用模型能力的一部分。

曹晋曾经认为，大语言模型很难真正获得空间智能。后来，当他看到大模型与Blender、三维工具和机器人系统结合后表现出的空间推理与操作能力，这个判断发生了变化。

这也引出了一个更激进的推测：

只要一个领域能够被符号化表达，又拥有相对清晰的反馈标准，它就可能被通用模型逐步吸收。

如果这一趋势继续发展，未来很多“专门为某个任务设计一个模型”的研究，将越来越像基础模型发展过程中的临时方案。

FUTURE TECHNOLOGY

03

FUTURE 

TECHNOLOGY

真正受到挑战的，是“SOTA崇拜”

很长时间里，AI论文最容易传播的故事是：

我们提出了一个新方法，并在某项基准测试上取得了最先进结果。

SOTA，即“当前最佳性能”，由此成为研究价值最直观的证明。

它简单、明确、容易比较，也方便会议审稿和学术评价。一篇论文有没有贡献，似乎只需要看表格中的数字是否超过前人。

久而久之，研究者开始围绕指标组织问题，而不是围绕问题设计研究。

模型为什么有效？

它真正学到了什么？

换一个数据分布是否仍然成立？

更高的准确率是否意味着更强的智能？

这些问题耗时更长、结论更不确定，也未必能够迅速换来一篇论文。相比之下，在成熟方案上增加一个模块，往往更符合现有评价体系。

当AI可以大规模生成代码、运行实验和搜索参数时，这种研究模式会进一步加速。论文可能越来越多，真正的新问题却未必同步增加。

AI学术界面对的危险，不是论文停止生产，而是论文生产越来越容易，问题发现却越来越困难。

FUTURE TECHNOLOGY

04

FUTURE 

TECHNOLOGY

AI博士生，可能面临两条道路

曹晋认为，未来AI研究者可能有两种选择。

第一条道路，是进入基础模型的工业体系。

研究者可以参与高质量数据建设、训练基础设施、分布式系统、模型评测、推理优化和后训练，直接推动更强大的通用模型诞生。

这条道路需要巨大的算力、数据和工程组织能力，主要集中在少数拥有资源的企业和研究机构。

第二条道路，是回到更接近科学本身的问题。

不再满足于让某项指标提高0.1%，而是追问：

模型为什么会形成某种能力？

它内部究竟表示了什么？

哪些能力来自数据，哪些来自训练机制？

模型何时是在推理，何时只是在复现统计规律？

为什么相同方法在某些条件下有效，换一个环境就会失败？

沿着这条道路，未来的AI研究或许会越来越像生物学。

研究者面对的不再是一个完全由自己设计、每个部分都能够解释的程序，而是一个经过海量数据训练后形成的复杂智能系统。

模型像一种新的研究对象。研究者需要设计实验、观察行为、寻找内部机制，再建立能够被重复验证的理论。

05

FUTURE 

TECHNOLOGY

代码Agent，可能让年轻研究者变得更强

基础模型带来的并不只有替代。

代码Agent可以帮助研究者搭建实验环境、检查程序、复现论文和分析数据。过去需要几周才能完成的工程准备，现在可能被压缩到几天甚至几个小时。

对于缺少大型团队和算力资源的年轻研究者来说，这也是一次能力放大。

当实现成本下降，个人研究者可以更快验证自己的想法；当开源模型和开放权重不断发展，小团队也有机会研究模型内部机制、构建新的评测方法，或者探索大型企业暂时没有兴趣的问题。

AI降低的是执行门槛，不一定降低思想的价值。

恰恰相反，当所有人都能快速写出代码、完成实验时，选择什么问题，将比如何完成实验更加重要。

未来优秀的AI博士，未必是写代码最多、刷榜最快的人，而可能是那个能够看见别人忽略的问题，并知道如何用可信证据回答它的人。

END

计算机科学学术界没有死亡。

正在消失的，是一部分依赖信息差、工程门槛和固定套路存在的研究空间。

当模型能够生成代码、组合方法和完成实验时，“把事情做出来”会越来越容易；理解现象、提出问题、判断证据和解释结果，则会变得更加珍贵。

对于AI博士生而言，真正需要担心的或许不是模型会不会取代自己，而是自己研究的问题，是否仅仅因为过去难以实现才显得重要。

一个值得长期追问的问题，不会因为工具变强而失去价值。

相反，工具越强，我们越有机会越过重复劳动，接近那些真正困难的问题：

智能如何产生？

模型如何理解世界？

机器的能力边界在哪里？

人类又应该如何与一种不断进化的智能系统共同生活？

AI研究并没有走到终点。

它只是终于开始要求研究者回答，比“还能提高多少分”更难的问题。

参考资料：

[1] 曹晋关于“计算机科学学术界与AI博士生未来”的讨论

https://x.com/xjincaox/status/2103144302784237674

[2] Transformer Circuits：大模型内部机制与可解释性研究
https://transformer-circuits.pub/

《IEEE Transactions on Consumer Electronics》是IEEE消费电子学会的旗舰期刊，其影响因子达到了9.9（位于JCR一区）。TCE集结了消费产品、技术、用户等各方面的最新工程研究成果，覆盖了电子、通信、控制、信息学、计算智能、系统服务，产品安全和标准化等多个领域，开展了理论研究、创新技术、实施方案、研发趋势，以及标准案例等多个模块。它提供了一个专业的交流平台，供消费电子的设计师、生产商、供应商、销售人员和回收行业相关工作人员使用。

亚太认知智能学会（AACI）是一个汇聚了亚太地区顶尖学者、研究人员和行业专家的国际性学术组织。AACI致力于推动认知智能领域的研究和实践，通过跨学科合作解决人工智能领域的前沿问题。