独家专栏作者  祁瑞峰

（祁瑞峰（Ken Qi），CaptionLens CEO与联合创始人，曾任零一万物联合创始人、爱笔（Aibee）科技联合创始人，在微软、甲骨文、SAP、史宾沙等公司任职多年，拥有逾 20 年的跨界领军经验，专注于AI、2B企业营销运营、企业数字化转型等领域。）

最近看到一篇文章，标题很刺激：《计算机科学学术界死了吗？AI博士生该何去何从》, 这更“午夜惊醒”似的敲醒我，当AI开始做科研，我们还需要读博士吗？这个最近一年不断惊涛拍脑的问题。

文章来自UT Austin一位计算机科学博士生曹晋的思考。他在参与ICLR审稿时，快速浏览了很多论文摘要，突然发现不少3D Vision论文使用的方法，与自己两年前刚进入这个领域时学到的套路并没有本质区别。换一个更新的视频生成基础模型，把类似的方法重新组合一下，又可以成为一篇新的论文。于是他提出了一个多少让今天的计算机博士生有些不安的问题：“CS academia is dead. So where does that leave AI PhDs like me?”

如果只是作为一个AI业内专业来看，这个问题已经很有意思。但对我来说，它还有另外一层非常现实的意义，因为我也是一个父亲，而我的孩子恰好站在这样一个人生选择的十字路口。

孩子喜欢数学，喜欢算法，喜欢coding，更喜欢Research，未来希望往World Model、Physical AI、Robotics这些方向继续走，最终希望能够成为真正做原创研究的Researcher。他的dreaming job完美工作就是在Deepmind做算法研究。与此同时，他也拿到了很好的大厂算法工程师的offer，有机会直接进入今天世界上算力、数据、模型和真实产品最密集的工业界算法研发与落地环境。

所以最近半年，我们一直在讨论一个问题：现在到底应该直接去读PhD，还是应该先进入大厂，在真正的Frontier AI环境中做几年Research和Engineering，再决定未来？

可怜天下父母心，我首先本能与认知，也沟通的事：父母只能作为context enabler，选择在孩子，原则基于热爱。我不断说的一句话是：如果孩子能找到所热爱的，同时也是自己擅长的，更是可以有好的财富回报的，三位一体不亦悦乎？

但可怜天下父母心，我作为context input，首先就要能够context learner，学到后才能为孩子提供 context enabler。但我自己不是干world model物理模型，也对机器人行业几乎零接触，怎么办？于是：

- 我开始学习world model的技术线路与趋势

- 我开始认识机器人与世界模型的科学家、创业者与同行

- 我通过人脉去认识Gemini与OpenAI等的博士、研究员科学家们，去学习去请教；

- 我带着孩子去请教微软的老领导们：开复、亚勤、宏江...

- 我自己今年2月份回国，专门通过不同朋友介绍，去拜访学习了六家国内的机器人创业公司

- ......

孩子也在努力：

- 25年一月加入华大UW机器人Weird Lab，在Abhishek Gupta教授手下做研究。

- 第一个项目是关于真实世界强化学习算法和操作员干预（Interventions）的，二作的论文"Q-OIL: Optimistic Exploration in Learning from Human Interventions"已被CoRL2027收录。

- 去年去了特斯拉自动驾驶Foundation Model部门实习，主要工作是训练模型。特斯拉25年6月份在奥斯汀举行的Robotaxi Launch就是用的他训练的驾驶模型（虽然三个星期后就被超越了）。

- 第二个孩子领导的项目是关于大模型VLA的微调，以及如何利用VLA的泛化性做“从仿真到现实”。

如果把时间拨回十年前，我绝对不会有今天这么多犹豫，绝对会input：Go go go。一个孩子如果真正喜欢Research，又有能力去读一个很好的CS PhD，那么继续读博士几乎是顺理成章的选择。

但站在2026年，我越来越觉得，这已经不再是一个简单的“学历高一点还是早点工作”的选择。AI正在同时改变研究的内容、研究的方法、研究发生的地方，甚至正在重新定义Researcher这个职业本身。

因此，我现在的判断是：博士当然不会消失，真正的科学研究更不会消失；但是在AI、World Model和Robotics这样高速演进的领域，“本科毕业—读五六年博士—进入工业界”的传统路径，已经从过去比较自然的默认选择，变成了一项需要认真计算机会成本的投资。

尤其对于已经能够进入最前沿工业界研发环境的年轻人，我越来越倾向于一个过去未必会给出的建议：先到产业最前沿做两年，再决定是否读博士。

这不是放弃Research，某种意义上，可能反而是为了离真正的Research更近。

以下是我过去半年的研究与思考，关于孩子是进大厂做research engineer还是继续读硕读博，这是一个To Be or Not To Be的问题与选择！

一、计算机科学学术界当然没有死，但一种Research正在死去

我并不认同“CS Academia is dead”这个字面意义上的判断。大学不会消失，计算机科学不会消失，科学研究当然也不会消失。但是过去二三十年计算机科学、特别是Machine Learning、Computer Vision和NLP形成的一部分研究范式，确实正在迅速贬值。

过去很多机器学习研究沿着一条相对清晰的路径展开：针对一个具体问题，设计一个新的Architecture，增加一个Loss，引入一个新的Inductive Bias，然后在Benchmark上把结果提高0.5%，最后成为一篇Paper。上传文章对此说得很直接：很多过去被称为Research的东西，正在越来越接近Engineering；依靠设计一点新的归纳偏置来产生学术贡献的空间，也在不断缩小。

真正改变游戏规则的是Foundation Model。

过去我们针对100个问题设计100个模型，现在越来越可能变成一个足够强大的Foundation Model，通过Data、Post-training、RL和Tools去覆盖原来大量专用模型解决的问题。这个过程首先发生在NLP，后来进入Vision、Video、Coding和Mathematics，现在又开始进入3D、Robotics和Science。

这意味着很多过去必须由Researcher完成的工作，正在逐渐被基础模型本身吸收掉。所以，与其说“Academia is dead”，我更愿意说：一种Incremental Research正在失去价值。

为了理解未知而进行的Research不会消失；但是为了Paper而Research，为了Benchmark而Research，为了把SOTA从92.1做到92.4而Research，这部分工作的价值会越来越值得怀疑。

二、真正让我担心的，不是AI会写代码，而是AI开始进入Research本身

如果AI只是越来越会Coding，我其实一点都不担心Researcher这个职业。未来Researcher提出Idea，让AI写代码就好了；如果AI可以自动跑Experiment，也没有关系，人仍然负责提出Hypothesis和解释结果。

真正值得我们认真思考的是，AI能力正在继续沿着Research的价值链向上移动。

从Coding到Experiment，从Literature Review到Hypothesis Generation，从数学证明到Scientific Discovery，AI正在逐渐进入过去我们认为属于人类研究者创造力核心的部分。

这件事情在数学、生命科学和AI研究本身已经开始出现。我们过去认为科学研究最难的并不是执行，而是提出一个好问题、形成一个好的Hypothesis、设计能够证伪或者证实它的Experiment。如果有一天AI不仅能够解决问题，也能够发现问题、定义问题、提出假设、设计实验路径(Find Problem、Define Problem、Generate Hypothesis、Design Experiment和Analyze Result)，那么我们就必须重新问一个过去很少有人认真问的问题：

一个孩子花五六年读PhD，究竟是在学习与训练什么能力？

我以前一直认为，PhD真正的价值从来不是多学五年专业知识，更不是那个Doctor的Title。博士训练真正宝贵的地方，是一个年轻人花五年时间学习如何面对一个没有标准答案的问题，如何提出问题、定义问题、寻找证据、不断失败、修正自己的假设，最后形成一点原来不存在的新Knowledge。

但如果AI逐渐也能够参与甚至承担这些工作，那么博士训练本身当然也必须改变。

三、AI会做Research，并不等于人类不再需要Researcher

想到这里很容易走向另一个极端：既然AI将来什么都能研究，那人为什么还要做Research？

我并不这样看。

回顾科技史，每一次工具革命真正发生的事情，通常不是人类工作简单消失，而是人的工作不断向更高的抽象层级迁移。计算器没有消灭数学家，Matlab没有消灭控制理论，AlphaFold也没有让生物学家失业。工具把大量原来需要人完成的底层工作自动化以后，人开始研究更复杂、更困难的问题。

AI带给Research最大的变化可能也是如此。

过去一个博士生可能需要一个月Review Literature，未来Agent几个小时可以读几千篇Paper；过去半年才能写完的假设Simulation，也许AI几天甚至几个小时就能完成；过去一个Researcher一次只能尝试几十组实验，将来可以让AI同时管理几千甚至几万组实验。

如果这些事情发生，Researcher的价值自然会向上移动：从“怎样做实验”走向“为什么做这个实验”，从“怎样解决问题”走向“什么问题值得解决”，从局部Optimization走向Problem Formulation，从亲自执行Research走向设计整个Research System。

这其实和我这些年一直总结的一个能力层级很相似。我习惯把人的能力分成几个层次：最下面是“执行”，就是能把一件事情办成；再往上是“能力”，意味着可以重复办成类似的事情；再往上是“方法”，不但自己能做，还能够让团队重复做成；再往上是“逻辑”，能够把方法迁移到不同专业和行业；最上面则是类似第一性原理这样的底层思维。

AI一定会从下面开始，一层一层往上吃。

因此未来真正危险的并不是PhD本身，而是一个年轻人花了五年读PhD，训练的仍然主要是Coding、跑Experiment、调Parameter、刷Benchmark和写Paper这些能力。如果博士五年的核心训练停留在这些层次，我确实会越来越怀疑它的ROI，因为五年以后，这些恰恰可能是AI最擅长的Research Labor。

就有了类似的分叉选择：一种选择是进入工业界，整理高质量数据、建设Infrastructure、训练Foundation Model；另一种则是回到真正的科学问题，研究一个方法为什么有效、为什么无效，甚至把Foundation Model本身作为新的研究对象。

我觉得这很可能就是未来AI博士的两条主要道路，但后者之路，会是更稀缺更顶尖的接近第一性原理的原创，这个是金字塔上的尖尖，太稀缺了。我会担心我们的孩子们，是否是这个尖尖？

四、对一个想研究World Model的孩子来说，问题又更加特殊

如果孩子今天想研究的是数学、理论物理，甚至某些成熟的计算机科学领域，我可能不会如此纠结。但是World Model、Physical AI、Robotics Foundation Model正好处在一个非常特殊的历史阶段。

我自己的判断是，它有一点像2017—2020年的LLM：技术路线仍然没有完全收敛，Scaling正在发生，越来越多的数据开始进入，模型规模越来越大，产品尚未真正全面爆发，但所有人都已经感觉到某个临界点正在逼近。

我一直把它称作World Model的“GPT-4 Moment”。

这个Moment究竟明年出现、三年以后出现，还是更久，我当然不知道。但如果它真的在未来几年出现，那么整个World Model和Physical AI领域很可能迅速进入一个大规模Scaling阶段。

这时候，研究条件本身就变成了Research的一部分。

研究World Model越来越不是一台Laptop、几张GPU就能够完成的事情，它需要Compute，需要Video和Robot Data，需要Simulation，需要Infrastructure，需要真实Deployment，还需要产品运行以后不断返回的Failure Case和Feedback。

这恰恰是今天University越来越困难的地方。

问题并不是大学教授和博士生不够聪明，而是Frontier AI正在从过去高度依赖智力的Science，逐渐变成一种智力 + 算力 + 数据 + Infrastructure + Product Feedback共同决定结果的资本密集型Science。

五、几千张GPU和几十张GPU之间，差的不是一个数字，而是Research Environment

这也是我作为父亲考虑孩子选择时，一个非常现实、甚至有些残酷的问题。

孩子过去年在特斯拉实习的时候，可以接触到数千张GPU规模的Compute；回到大学机器人实验室以后，可以使用的GPU则只有几十张，而且其中不少还是上一代硬件。

这不是哪所大学的问题。即使全球最顶尖的CS学校，在Frontier Model这个特殊历史阶段，也越来越难在Compute、Data和Infrastructure上与最大的工业实验室正面对抗。

假设一个博士生提出一个非常好的Idea，需要2000张GPU训练两周。在大厂，可能就是申请资源、跑一次，失败以后修改，再跑一次；在大学里，可能首先要解决Funding、Compute Allocation、排队和Infrastructure的问题，最后不得不把Experiment缩小到一个小模型上验证，然后Reviewer再问一句：“Does this scale?”

更重要的是，World Model真正昂贵的并不只有GPU，还有真实世界数据。Autonomous Driving Fleet、Robot Trajectory、Human Demonstration、Video、Multimodal Interaction和大量Real-world Failure Cases，这些东西甚至比Compute更加难以获得。

因此，大厂真正拥有的并不是“GPU更多”，而是一整个闭环：

Compute × Data × Model × Product × Deployment × Feedback。

这些东西不是简单相加，而是相乘。一个Model能够进入真实产品，产品产生新的Data，新的Data训练新的Model，新的Model再次Deployment，这种循环本身就成为一种研究基础设施。

从这个意义上讲，几十张GPU和几千张GPU之间，差的已经不只是几十倍Compute，而可能是两个不同的Research Universe。

六、所以我现在越来越不赞成一个传统等式：想做Researcher，就必须马上读PhD

过去很多年，我们默认存在这样一个职业路径：想成为Research Scientist，就先读PhD；读完PhD，再进入工业界的Research Lab。

但今天最Frontier的一部分AI Research，实际上已经大量发生在Google DeepMind、OpenAI、Anthropic、Meta、Tesla、NVIDIA以及一些资金和算力非常充裕的AI Startup里面。

这并不意味着Industry赢了、Academia输了，我反而觉得两者正在重新分工。

工业界越来越擅长的是Build Frontier Intelligence：把巨大的Compute、Data、Engineering和Deployment组织在一起，把一个模型真正Scale出来。大学仍然非常擅长的是Understand Intelligence：研究为什么有效、为什么失败、智能究竟如何产生，以及那些短期没有商业价值、却可能决定未来十年的Fundamental Question。

因此，一个年轻人今天真正应该问的，可能已经不是“我要不要读PhD”，而是：

“我真正想解决的问题，在哪里最有可能被解决？”

如果这个问题需要一万张GPU、百万小时Robot Data和真实世界Deployment，那么Industrial Lab可能就是更好的Research Lab；如果这个问题需要五年自由思考，需要不被季度OKR打断，需要数学、认知科学、神经科学或者控制理论的长期交叉研究，那么University可能仍然是世界上最好的地方。

这才是我认为今天应该选择PhD还是Industry的判断标准。

七、反过来看，AI越强，真正优秀PhD的价值可能反而越高

说到这里，也很容易产生另一个误解：既然AI把越来越多Research工作自动化，那么博士是不是越来越没有价值？

我反而认为，真正优秀的博士未来可能更加值钱，前提不是泯然大众的博士，而是那个我提到的尖尖的真正优秀的博士。

原因很简单。过去一个优秀Researcher和普通Researcher的生产力可能差三倍、五倍；未来如果一个真正懂Research的人能够同时驾驭几十甚至几百个AI Research Agent，那么差距可能被放大到几十倍甚至上百倍。

未来的Research Productivity，很可能越来越接近：

Researcher Quality × AI Leverage × Compute。

所以AI并没有简单消灭Researcher，而是在放大最优秀Researcher的杠杆。Coding Agent正在大幅放大个人研究能力，Open Source和Open Weights又降低了很多前沿研究的门槛，因此未来甚至可能是一个更好的PhD时代。

但这里有一个非常重要的前提：未来有价值的博士，应该是驾驭AI做Research的人，而不是和AI比赛做Research Labor的人。

八、未来什么样的博士仍然值得读？

如果一定让我做一个分类，我现在大概会把未来AI领域的博士分成三种。

第一种是Incremental / Benchmark型PhD。主要工作还是换Backbone、改Loss、调参数、刷SOTA，一年努力发几篇Paper。这类博士的风险在我看来越来越高，因为它与AI自动化Research最先覆盖的能力高度重合。

第二种是Frontier Engineering型PhD，例如Large-scale Training、World Model、Robotics、Systems、Hardware-Software Co-design、Foundation Model Infrastructure。这些方向依然非常重要，但需要特别认真判断学校和导师有没有足够的Compute、Data和工业合作。否则有些问题也许在Industry里面反而更容易研究。

第三种，也是我认为长期最有价值的一种，是Fundamental Question型PhD。

World Model到底应该学习怎样的Representation？Planning和World Modeling究竟是什么关系？Embodied Intelligence需要什么样的Memory？Continuous Learning如何解决模型能力持续学习提升能力？Physical Intelligence究竟需要多少真实世界Data？Language Model和Physical World Model最终会不会走向一个统一模型？Scaling Law在Embodied Intelligence上究竟成立到什么程度？Reward、Search、Model-based Planning和Generative Policy最终有没有可能统一？

这些问题今天没有答案，而且五年以后未必就有答案。

如果一个年轻人真正找到这样一个问题，愿意花人生中最宝贵的五年去研究它，我依然认为PhD是非常值得的。

但作为父母，不担心是现实的，因为这条路太孤独太难了。

九、未来博士最重要的能力，也许会从“提出问题”继续上移到“选择问题”

过去我们经常说，博士最重要的训练是“学会提出问题”。

这个说法过去没有错，但未来可能还要再向前走一步。

假设未来AI真的可以一次产生一万个、十万个Scientific Hypotheses，甚至能够提出过去只有最优秀科学家才能提出的问题，那么人的价值在哪里？

我认为还有一个更高层的问题：Which problem matters？

一万个看起来都成立的问题，哪一个值得人类投入五年？哪个值得投入100亿美元？哪个真正可能改变一个学科？哪个结果值得相信，哪个只是Statistical Artifact？哪项Discovery应该被Deployment，哪一项即使技术上可行也不应该做？

这些问题已经不只是Problem Solving，甚至不只是Problem Finding，而是Problem Selection、Research Architecture和Scientific Judgment。

AI不断从执行、能力、方法往上走，人也只能不断向逻辑、底层思维和价值判断上移。

所以我不认为PhD会因为AI而消失。我更相信，PhD必须重新回到它最原始的意义：不是培养一个熟练的Research Worker，而是培养一个能够判断未知世界的人。

十、作为父亲，如果今天让我替孩子做这个context input

分析到这里，最后还是要回到我们家自己这个非常具体的问题。

孩子已经有比较好的数学和CS基础，也做过Robotics Research，有Frontier Industry的实习经历，同时真正喜欢Algorithm和Research，而不是简单把AI当成一份高薪Software Engineering工作。他长期真正感兴趣的，是World Model和Physical Intelligence。

在这样的情况下，我目前的context input，倾向于：

先进入Frontier Industry工作两年，然后再决定是否读PhD。

但这里有一个非常重要的前提：这两年不能变成普通Software Engineer的两年。

如果选择Industry First，就应该刻意靠近真正的Model Core，尽量进入World Model、Foundation Model、Video、Robotics、Autonomous Driving、Multimodal、RL/Post-training或者Simulation这样的团队。在工作之外仍然保持Research的习惯，持续读Paper、复现Paper、提出Idea、跑Experiment，争取和Research Scientist合作，能发表的时候继续发表。

更重要的是，要真正利用工业界最稀缺的三个资源：Compute、Data和Scale。

如果已经有机会接触几千张GPU，就不要把自己的工作限制在四张GPU也能做的事情上。真正应该学习的是：大模型为什么Scale，Scaling以后什么问题消失了，什么问题反而暴露出来；Simulation到了Real World为什么失败；Data究竟比Architecture重要多少；哪些过去看起来像Science的问题，Scale以后发现其实只是Engineering；哪些问题无论Scale多少仍然解决不了。

这些经历本身，就是一种非常难在学校获得的Research Training。

十一、两年以后，再重新问一次：博士到底值不值得读？

我之前也专门就孩子的问题，去拜访请教过微软老领导 亚琴与宏江们。他们给我的建议，与我后来逐渐形成的判断挺接近：先进入真正的大模型、算力、数据和工程落地环境做两年，同时继续Research、Experiment和Paper，两年以后再根据AI和World Model的发展决定。

我的prefer倾向，不是因为可以先工作两年、多赚两年工资，而是因为它保留了一个非常重要的东西：Option Value。

两年以后，如果World Model依然存在大量Fundamental Open Problems，可以去读PhD；如果这个领域已经进入高度成熟的Scaling阶段，可能继续留在Industry更有价值；如果突然出现一个新的Architecture或者新的Research Paradigm，可以跟着新的方向走；如果孩子经过两年以后发现自己真正喜欢的是Engineering而不是Fundamental Research，那么也不用为了年轻时候的一个想象去读五年博士。

反过来，如果两年以后，他仍然发现自己无法放弃对某个Fundamental Problem的兴趣，甚至已经清楚知道自己愿意研究什么，那么那时候再读PhD，Motivation反而可能比毕业直接读博的时候更加纯粹与更容易坚定与坚持。

更何况，他上UW academy去读CS+math的双专业，本身就跳了两级，节省了两年的时间，正好做这个时间的buffer。

也许，经历过真正Frontier Model的Research和Engineering以后的年轻人，再重新选择一个PhD，可能是更洞察与坚定的选择？

十二、当然，Industry First也有一个很现实的风险

这个风险我也必须承认：工作以后，很可能就再也不回学校了。

收入越来越高，Stock越来越多，生活越来越稳定，而五年PhD的Opportunity Cost可能从几十万美元变成几百万美元。“两年以后再读”很容易变成“再等一年”，然后再等一年，最后也就不读了。

所以如果选择Industry First，我反而认为应该提前设置一个明确的Checkpoint，比如24个月。

到了那个时间，认真问自己三个问题：

- 我有没有找到一个值得研究五年的Fundamental Problem？

- 这个Problem到底在University还是Industry更容易解决？

- 我真正希望成为的是Research Scientist，还是一个顶尖的Research Engineer和AI Builder？

如果答案已经非常明确——有一个自己愿意投入五年的Fundamental Problem，而且University确实提供了工业界无法提供的Research Freedom和环境——那时候就应该去读，不应该因为工资和Stock留下来。

因为如果一个问题真的值得用五年生命去回答，少赚两年钱并不是最重要的事情了。

十三、未来也许根本不是Industry和Academia的二选一

我甚至觉得，未来AI Researcher的职业道路可能不再是传统的“本科—PhD—Industry”这条单行线。

更合理的路径也许是：

本科 → Frontier Industry → Research → PhD → Frontier Lab，甚至在Industry和Academia之间不断往返。

University提供的是Research Freedom、长期问题、理论、学生和跨学科环境；Industry提供的是Compute、Data、Infrastructure、Scale和Real-world Feedback。这两种资源未来都很重要，而真正优秀的AI Researcher可能需要同时理解这两个世界。

有点像我在Aibee的联创科学家 Silvio Savarese教授的路径, 他当时是斯坦福大学的全球排前三的空间模型的科学家，加入Aibee，现在Salesforce做首席科学家。当然还有大名鼎鼎，他的太太李飞飞教授的路径，斯坦福教授 - World Lab世界模型创始人 - 收购后加入AMD，都是在大学 - 创业 - 大厂中间不断演进。

如果这个判断成立，那么未来研究AI可能不再只是不断Build一个更大的Model，也包括理解这个越来越复杂、甚至越来越难以由人直接解释的“硅基智能体”到底为什么会产生某些能力。

这种Research，大学不仅不会没有价值，反而可能重新找到自己最重要的位置。

十四、如果五年以后AGI真的来了呢？

这是所有推演里面最无法回答的问题。

也许Dario Amodei对于AI发展的判断是对的，也许时间表过于激进；也许World Model明年就出现自己的GPT-4 Moment，也许Physical Intelligence真正进入家庭还需要十年甚至更久。

没有人知道。

所以我不愿意用一个高度不确定的AGI Timeline，去替一个二十出头的年轻人，input 一个不可逆的五年Career Bet的context。

技术发展比较缓慢的时候，我们可以做十年职业规划；但在今天这种Exponentially Changing的时代，与其试图准确预测五年后的世界，不如让自己始终拥有重新选择的能力。

这也是为什么我现在越来越看重Option Value。

先去一个信息密度最高、高手最多、资源最集中、变化最快、离技术Frontier最近的地方，真正看清楚这个行业正在发生什么，然后再决定下一步。对今天的年轻人来说，这可能比按照上一代人的职业模板一路走下去更加重要。

写在最后：一个AI从业者的父亲，最后还是希望孩子保留对未知的好奇

写到这里，我反而没有最开始那么悲观。

也许AI真正会杀死的，并不是Research，而是一部分Pseudo Research。它会越来越多地承担重复的工作，比如coding、Literature Review、Experiment、Benchmark Engineering，甚至普通的假设生成Hypothesis Generation。

如果这些东西逐渐被AI拿走，Researcher反而会被迫重新面对科学最古老的那些问题：我们到底不知道什么？为什么不知道？什么问题真正值得知道？怎样才能证明我们以为知道的东西确实是对的？

从这个意义上讲，AI也许不是在消灭PhD，而是在逼迫PhD重新回到真正的Research，当然这也给PhD提出了更“尖尖”的要求。

作为一个AI创业者，我是AGI的坚定信仰者；但作为一个父亲，我并不因此希望孩子远离Research。恰恰相反，我希望他能够进入离未来最近的地方，亲手做模型、做系统、做Engineering，也继续读Paper、做Experiment、提出问题。

如果AI可以替你做实验，就把更多时间花在为什么做这个实验。

如果有一天AI真的可以替你提出一万个问题，那么人的任务也许就是从这一万个问题里面，找出那个真正值得用五年生命去回答的问题。

读博很想我创业给自己写在微信标签的一句话：行我所不知，至我所知。

以前我把它理解成一种学习方法。到了AI时代，我越来越觉得，它也是一种面对未来的方法。

孩子这一代人的职业生涯可能还有五六十年，而我们今天甚至看不清五年后的AI会是什么样子。所以我现在并不能够替孩子规划（臣妾做不到啊），甚至input：一条二十年的发展道路。但我更希望，他始终待在一个能够看到未来、学习未来、参与创造未来的位置，然后每隔几年重新看看世界，再重新选择一次。因为AI世界变化太快了，也因为我和孩子的格言：There is a thing, there is a way!

如果两年以后，World Model已经基本解决了，那就去寻找下一个真正未知的问题；如果两年以后发现Scaling解决了90%的问题，最后那10%才是真正困难的Intelligence Problem，那么也许那时候，恰恰才是读PhD最好的时候。

Ken写于 半年context learning与多轮孩子讨论后

2026年10月1号

商务合作，请联系侯经理 18801065284（微信同号）

报料及内容合作，请联系chanlianshe2026（微信号）