最近經常看到有人說，AI 發展這麼快，以後讀博士還有什麼用？搞不好博士還沒畢業，很多研究工作就已經被 AI 取代了。 但我其實一直有一個相反的感覺。 AI 越發展，我們需要研究的問題好像反而越多了。 舉一個很簡單的例子：神經網路為什麼這麼有效？ 按照以前很直覺的想法，一個模型參數特別多，而訓練資料又有限，那它不是應該很容易把訓練資料直接「背下來」，然後嚴重過擬合嗎？ 但現實卻不是這麼簡單。 現在的模型可以有幾十億甚至更多參數，在訓練集上擬合得非常好，同時在沒見過的資料上也能有不錯的表現。 那問題就來了： 為什麼？ 而且你繼續往下問，會發現問題越來越多。 為什麼 SGD 在這麼複雜的高維空間裡，真的可以找到一個不錯的解？ 為什麼模型變大之後，很多能力不是變差，反而變強了？ 為什麼有些能力在小模型上幾乎看不到，規模上去以後卻突然變得明顯？ 這些東西不是 AI 出現以前我們全部都已經理解好了，然後現在只需要把模型做大就行。 恰恰相反，是因為 AI 真的做成功了，我們才突然發現： 原來這裡還有這麼多東西是我們解釋不了的。 所以這幾年才會不斷有人去研究 generalization、double descent、implicit regularization、scaling law 這些東西。 這也是為什麼我不太認同「AI 出來了，所以以後博士沒用了」這個說法。 AI 確實會取代掉一部分研究工作。 比如查論文、寫一些程式、做基礎推導、整理實驗結果，甚至幫你快速嘗試很多想法。這些事情以後可能真的不需要博士生花那麼多時間。 但我覺得這反而會把人的價值推到另外一個地方： 你到底知不知道什麼問題值得研究？ 一個實驗結果很奇怪，別人可能覺得只是誤差，你能不能意識到它背後可能有一個新的規律？ 大家都知道某個方法有效，你能不能繼續問一句： 為什麼它有效？ 甚至能不能從這個「為什麼」裡面，再找到一個新的理論或者新的方法？ 尤其是機器人和具身智能，我覺得這個現象會更明顯。 大語言模型待在電腦裡面的時候，世界其實還是相對乾淨的。 但你真的把 AI 塞進一個機器人，讓它進入現實世界，事情馬上就複雜了。 攝影機有誤差，東西會滑，地面有摩擦，別人會突然走到機器人前面，現實環境也不可能跟訓練資料一模一樣。 這時候 perception、planning、learning、control 全部混在一起。 我們甚至還沒有真正搞清楚，一個 AI 到底要怎麼建立對物理世界足夠好的理解，才能像人一樣在現實環境裡學習和行動。 所以我現在反而覺得： AI 每解決掉一批問題，也會把下一批更難的問題暴露出來。 未來博士真正容易被 AI 取代的，可能不是「博士」這個身分本身，而是那些比較機械的研究工作。 會寫程式、會算東西、會查論文，這些能力當然還是重要，但可能會越來越不稀缺。 真正稀缺的反而是： 當所有人都看到一個答案的時候，你還能發現這裡其實藏著一個沒人問過的問題。 AI 可以讓我們越來越快地得到答案。 但也許正因為答案越來越便宜，提出一個好問題才會越來越貴。