扩散模型发明人 Sohl-Dickstein：AI 时代的研究与职业建议

一句话结论

这场 45 分钟演讲的核心可以压缩成一句话：AI 能力正在以指数速度逼近并超越人类的智力工作，与其恐慌或否认，不如立刻改变工作方式和项目选择。Sohl-Dickstein 给出了三件立刻能做的事：审视自己的项目在模型更强时是否还有价值、强制自己每天使用 AI 工具（他本人已不再手写代码）、在「安全选项实际不安全」的时代选择真正值得做的事。他自称与 Claude 协作就像带一个「执行力惊人但研究品味差的研究生」——这个比喻本身就是普通人理解人机分工的最好起点。

演讲者是谁：为什么他的建议值得听

Jascha Sohl-Dickstein 是 Google Brain 研究科学家，2015 年发表论文《Deep Unsupervised Learning using Nonequilibrium Thermodynamics》，首次提出扩散模型（Diffusion Model）的核心思想——十年后这个架构撑起了 Stable Diffusion、Midjourney、Sora 等整个 AI 图像与视频生成产业。换句话说，他不是在预测未来，而是亲身参与缔造了现在。

这场演讲的题目戏仿了拉马钱德兰（V. S. Ramachandran）那本以观点鲜明著称的《Phantoms in the Brain》，定位也相同：不讲技术细节，讲判断。听众是斯坦福物理与 AI 会议的科研人员，但对所有知识工作者同样适用——因为它回答的问题是：当 AI 每年变强十倍时，人该怎么安排自己的工作和职业。

先看事实：三条指数曲线，不是炒作叙事

演讲前半部分用三组数据建立「这不是又一轮 AI 泡沫」的判断基础。

算力曲线：训练前沿模型所用的算力在过去十年增长了约一千万倍，图表上每一格刻度是两个数量级。曲线在某个时点斜率明显抬升——那是 AI 模型从「学术上有意思」切换到「商业上重要」的时刻。他做了一个信封背面的估算——假设每个突触每毫秒执行一次运算，人脑一生的总计算量约为 10^18 FLOP 量级——当前最大模型的训练算力已经与人脑一生持平。他谨慎地补充：这不是接近人类智能的充分条件，甚至可能不是必要条件，但它让「AI 达到人类水平」从科幻变成了工程问题。演讲开头他用一张 GDP 长周期曲线做了铺垫：站在曲线上的人总觉得未来是现在的线性外推，而人类当前的增长率指数形态大约在 1950 年左右才稳定下来——「你所处的时代并不正常」是整场演讲的底层假设。他还提到「人类世」的概念：人类开始产生地质尺度的影响——第六次大灭绝、核试验同位素进入未来几十亿年可读的地层——而这个「以人类为主要智力驱动力的纪元」，可能恰好临近尾声。这不是危言耸听的花活，而是他为后文「决策紧迫性」铺设的时空尺度。

任务时长曲线：METR 等机构测量「AI 能以 50% 成功率独立完成的软件任务需要人类花多久」。这个指标的妙处在于它衡量的不是 AI 跑多快，而是 AI 能吃下多长的任务。曲线同样指数上升——不到一年前他还告诉听众「2026 或 2027 年模型能完成一整天软件工作量」，如今这条线已经越过了那个点。成功率要求 80% 或 90%，只需在同一曲线上一两年后。

基准测试寿命：1990 年代发布的基准，AI 花了约 20 年达到人类水平；现在新建的基准，几个月到几年内就被攻破。他本人是 BIG-bench 的共同创造者之一，论文还没正式发表，就有其他论文在它的子集上刷出当时的最优成绩。

一组现场问答的细节值得注意：有听众问「通往 AGI 还缺什么脚手架」，他的回答是「一阶近似下，最让我震惊的是把天真的方法放大一个数量级规模总是继续有效」。他认为当前方法离大脑的数据效率差四个数量级——「我们显然在做错事，但低效不等于无效」。这个判断对普通人的意义：不要等待「下一个范式」才入场，现有工具的能力边界还在快速外扩。

时间线共识：离模型最近的人反而看不到障碍

「AGI 什么时候来」在这个圈子里已经不是一个禁忌话题。他讲了个现场感很强的观察：在他所处的斯坦福 AI 圈子里，共识答案是「就几年」；你去派对上遇到一个自称「时间线很长」的人，追问两句就会发现对方的意思是「要十年」。

他拿自己妻子的行业做对照：跟生物科技的人聊「癌症治愈率在指数下降，我们会治愈癌症吗」，接下来十分钟全是解释治愈癌症有多难、要比你预测的晚得多。而跟造模型的人聊，得到的回答是「从现在的模型到超级智能模型之间，我们看不到障碍」。离一个东西最近的人通常最先看到障碍——而造模型的人没看到障碍，这个现象本身就是信息。

这个话题的公开讨论氛围也变了。他在哈佛讲过一版这个演讲，收到一封只有一句话的邮件：「多么疯狂的摘要。」这涉及「奥弗顿窗口」——一个社会认为可以公开持有、公开表达的观点集合。预测 AGI 曾在窗口之外，但现在英国前首相苏纳克说过「AGI 竞争是根本性的地缘政治问题」，奥巴马说过「AI 将比手机技术更具影响力且来得更快」，Eric Schmidt 说过「一年内大多数程序员将被 AI 取代，三到五年出现与最优秀人类相当的 AGI 系统，六年内出现比所有人加起来更聪明的超级智能」，《经济学人》在讨论「经济超级智能」。

他强调讲这些引语的目的不是背书这些预测，而是一个更小心的结论：讨论它是被允许的。你不需要自我审查自己的担忧或想法——正常、受尊敬的人和机构都在说同样的事，说完之后依然受尊敬。对普通读者，这意味着「认真对待 AI 变化」不再需要勇气，只需要开始计算。

他的日常：把 Claude 当「品味差的天才研究生」

对普通人最有直接参考价值的，是他描述的自己工作方式。他原话的比喻是：每天和 Claude 一起工作，就像带一个「执行力惊人、但研究品味出奇差的天才研究生」——所以「我仍然感觉自己是在做点什么」。

具体分工是这样的：

• 代码已经完全不手写。他说「我不再写任何代码了，我甚至几乎不看代码」，尽管他每天都和代码打交道。复杂分析直接让模型迭代，他好奇什么就「随手拉起一个自定义仪表盘，模型生成一页又一页的图表」。
• 头脑风暴和研究想法迭代交给模型。快速生成、快速否定、快速收敛。
• 写作只用来被批评。他的原则是「请别用 AI 写初稿，但请一定用它告诉你所有你错在哪」——因为写作即思考，外包写作就是外包思考。
• 一年前的对比：一年前他没法把一个高层级问题丢给 Claude 然后直接看生成的图；今天可以。他判断一年后模型会更强。

他把与 LLM 协作的技能类比为当 PI（课题组长）：两者都要求清晰的任务界定、明确的期望传达。想当 PI 的人可以先拿模型练手——把模型指挥好和把学生指导好，是同一种能力。「工作在 LLM 上很像当 PI，它们互为绝佳练习。」

这段描述里藏着一个对「AI 取代论」的精细回应：模型执行力已经超过他，但「研究品味」还差得远——选题、判断什么值得做、识别方向好坏，这些暂仍是人的阵地。所以他的结论不是「人没用了」，而是「人的价值上移到了品味与判断层」。这与前文基准测试的讨论形成呼应：有人问他「研究品味有没有好的基准」，他答「任何被攻克的品味基准，人们都会说它测的不是品味」——但等模型做出公认的重大发现那天，争论自然终结。换句话说，品味作为护城河的有效期，取决于模型进步的速度，而不是你的意愿。

现场一位研究生问：代码反正模型都能写，自己还有必要花时间写吗？他的回答给了分层：理解代码在做什么仍然重要，但所需的手写经验「可能比你想的要少得多」。他类比 Python 程序员与穿孔卡片时代程序员的关系——抽象层级上移后，你不需要理解计算机内部，但仍然需要「审问和思考」。最后一句对所有人都适用：研究生总觉得自己的时间不值钱，这是错的，你的时间很值钱，应该用最好的工具去花它。

检验项目价值：「完成时是否过时」这一个标准

演讲最有操作性的部分，是他给研究者的选项目标准。核心是一句话：确保你的项目在完成的时候仍然重要。

他描述了最需要避免的失败模式：辛苦工作两年，做出显著的线性进展，但项目完成时，别人直接问一句基础模型就得到更好的结果。有些科学问题是「提示词就能解决」的曲线上的——落在那条曲线内的努力，价值会被指数增长直接抹平。

对应的调整方向：

• 做有针对性的项目，和别人协作，跑得快才能保持在指数曲线之前；
• 避免缓慢的漫游式探索——他坦承这是自己最喜欢的科研方式，但「世界就是这样了」；
• 利用「苦涩教训」的正反面。2019 年 Richard Sutton 的《苦涩教训》指出：利用算力的通用方法最终胜过精巧的人类先验。正面解读：做那些随算力和智能增长而变得更有效的项目，影响会超出预期；反面解读：不要做会被规模「顺便解决」的项目，尤其可能在你做完之前。

职业决策：为什么「安全选项」不再安全

后半段转向职业建议，逻辑链值得完整复述。

第一，信念要一致。促使他准备这场演讲的，是一位非常能干的研究生：前几分钟刚说「我们三年内会有 AGI」，几分钟后就开始规划「再读几年博士、做博士后、然后申请教职」。如果你大脑的一部分相信世界级变革要来，其他部分也该相信——「我不知道 10 年或 20 年后学术工作会是什么样，也不知道任何工作会是什么样，但我非常确定它和今天长得非常不一样」。所以职业规划应该基于「当前路径并不稳定」的假设来做。

第二，风险计算变了。人们通常在风险与回报之间权衡，选安全的那个。但如果 AI 将造成大规模扰动，基准风险本身就很高——「安全选项实际不安全，你只是在牺牲潜在回报，却没有买到更多安全」。结论：做有趣的事，而不是安全的事。尤其当可贡献的时间有限、 stakes 很高时，做一些退休后回看会觉得自豪的事。

第三，「你仍然在指数早期」。Epoch AI 的外推显示 2030 年算力可能达到 2025 年的一万倍；回看今天，在线性算力坐标图上与零无法区分。早期介入意味着小决定被指数放大——他举的例子横跨技术与社会：1980 年两位科学家提出邮件互通协议，今天所有人互发邮件；聊天协议晚了十年，至今各产品互不相通；哈伯法合成氨既养活了世界一半人口也是大多数炸药的基础；美国医学会与律师协会的早期组织设计决定了今天两行业的格局；连同行评审制度也「完全可以长成另一个样子」。这些例子的公共结论：早期的小选择有巨大杠杆，而当下正是早期。

值得投入的方向清单（附他的坦率保留意见）

他强调清单极不完整、真正最有影响力的事可能还没人想到，但给出了六个方向：

1. AI for Science：材料发现、蛋白质折叠、天气建模、聚变等离子体监控——「更好地理解世界，在期望上几乎总是明确正面的」。对这场物理与 AI 会议的听众，这是最自然的交叉点；对普通从业者，等价物是用 AI 加速自己领域的核心问题，而不是只做周边。
2. 把 AI 当研究对象：用本学科方法研究 AI——可解释性就是「对模型做神经科学」，也可以做统计物理、心理学、经济学。他建议每个人花一小时头脑风暴：我的专长怎么转向模型本身。这个建议的普适版本：你积累了十年的领域方法论，可能正是研究 AI 行为的稀缺工具。
3. AI 安全研究：「可怕的是这件事你还能赶上地面层」，许多正确问题还没定义清楚，重要性增长远快于领域规模。他说这个领域的重要性相对领域规模「仍然严重错配」——事多人少。
4. 能力预测与外推：更精确地理解即将到来的东西，能让它进展得更好。这对应普通人做技术选型时的判断力：知道曲线形状，才不会在错误时点 all in 或错失。
5. 公平与可及性：想让技术惠及所有人需要非常努力——他同时警告这是「有毒且高压」的领域，适合能在被骂「你是可怕的人」时仍能务实决策的人。有人担心「能烧算力的和烧不起的」分化，他回应说智能本身会变得指数级便宜，这既是好事也令人不安；他个人相信社会最终会对 AI 公司征收大额「智能税」做再分配，且因为人们失业后会为自己强力发声，这套机制在美国「大概会运行得不错」。
6. 政策与治理：政府「极度渴望」有能力的 technical 人——好的人不断为高薪和少政治而离开。对学者这是比较优势：政府信任你的方式不同于信任实验室来的人。

现场问答里最锋利的三个回答

问：怎么判断 AI 不行？ 一位听众质疑「这更像微软 Outlook 取代寄信，AGI 还远」。他的回答是可以直接拿来用的方法：「量化它、操作化它、做成基准。不必发表，做个私人基准，放一个数字出去，看它随时间怎么变。」如果你测的那个能力真的停滞，测量结果会证明你对——「不要让怀疑只停留在脑子里的模糊感觉」。他甚至给怀疑者留了体面：一旦有人为「研究品味」做出基准并被模型攻克，大家会说「那测的不是研究品味」——但等到模型独立做出「无可争辩的重大发现」（比如提出室温超导的新概念路径），这个问题自己会消失。

问：AI 只会训练数据内的问题？ 他反驳：只要输入超过几个词，模型输出的每一步都是泛化，不存在某种「更高阶的魔法泛化」是模型做不到的分界线。泛化有层级——换个同义词是泛化，换个数字跑加法算法是泛化，用微分解新题也是泛化——「我看不出这道梯子在哪里断了一截，使得之下的泛化容易、之上的泛化不可能」。爱多什（Erdős）留下的公开数学问题，过去七个月里 AI 模型已经开始解出来——人类已公认的好问题，机器开始推进已知边界。他选爱多什问题的原因也很讲究：那是人类已经公认「值得解」的题，不依赖机器自问自答。

问：AI 会取代程序员吗？ 引用 Eric Schmidt 的话后他给出自己的观察：一年过去，「AI 确实做了程序员过去做的大部分事，但程序员工作的其他部分扩张了，大多数程序员并没有失业」。这个二阶效应比「取代」的叙事更贴近现实。另外有实验科学背景的听众问「理论预测不准、LLM 对物理科学是不是全是炒作」，他给了两条时间线：机器人「如果 10 到 15 年后还不能替我们做物理实验，我会惊讶」；而理论对实验结果预测太差，「某种程度是理论科学的失败」——理论变强本身就能减少需要跑的实验数量，只是前提是交互成本要设计得比收益低。

给普通读者的三个直接行动

把这场面向科研者的演讲翻译成任何人都能执行的动作：

1. 今天就把 AI 纳入日常工作流，不是查资料，是完整任务：让它生成图表、迭代分析、批评你的文字。UX 还很烂（他称之为「无马的马车」）也照用——「你无法追上指数，除非你在指数上」。
2. 用「完成时是否过时」审计手头项目。问自己：模型再强两个版本，这件事还重要吗？重要的标准是它是随规模增长而增值，还是会被规模顺便解决。
3. 重新计算你的风险。如果行业即将大变，「守着原路径」不是安全牌，而是把下行风险和上行空间一起锁死。选那件回看时会自豪的事。

演讲的最后，他展示了一张玩笑式的「地质纪元图」：人类世之后的下一个纪元，由环绕太阳的戴森云地层标记。他说这五年内不太可能发生——但整场演讲的真正信息是：中间的黄金年代（你还能解锁 AI 做不到的事、一周做完一生工作量的年代）正在当下，用好它。

他预见的中间形态值得单独记住：先是「你与庞大 AI 智能体团队互补」的时期——你解锁它们做不到的工作，「一周内完成整个职业生涯都无法完成的事」，一个惊人的全球黄金时代；更晚才可能出现人不再突出于 AI 所能延伸的方向的时刻。「享受并充分利用这个黄金年代，用赋予你的力量做一些了不起的事」——这句话既是给科研者的，也是给每一个正拿起新工具的普通人的。

原文信息

• 原视频标题：2026 Conference on Physics and AI: Jascha Sohl-Dickstein
• 频道：Stanford HAI
• 讲者：Jascha Sohl-Dickstein（Google Brain 研究科学家、扩散模型发明人）
• 发布日期：2026-06-30
• 视频时长：约 45 分钟