AI 正在淘汰 PhD 训练中那些原本被误认为是研究能力的机械劳动。 现在一个很强的人配合 agent、coding model、自动化实验系统，可以把相当一部分压缩掉。Stanford 2026 AI Index 的数据已经非常说明问题：AI 能力仍在快速增长；2025 年超过 90% 的 notable frontier models 来自工业界，而编码 benchmark 的能力也在一年间大幅提升。 博士的任务，是寻找知识前沿。 很多人把 PhD 想象成2027年我决定研究 diffusion model，然后2032我会成为 diffusion model 专家。这当然非常的荒谬。因为，2032 年 diffusion 甚至可能已经不是一个值得单独讨论的研究对象。 我和 Isola 最大的分歧是关于AI Research的部分。他说，在 frontier lab 外做公开研究，也许反而更能影响未来。这个价值判断我理解，但现实结构已经发生巨大的变化。现在的情况是，AI frontier 越来越依赖compute、data、engineering、infrastructure、talent concentration和capital的组合。 芝加哥大学 2026 年一项追踪约 42,000 名 AI researchers 的研究显示，AI 人才长期从 academia 向 industry 集中；截至其历史样本中的 2019 年，68% 的 AI researchers 已在 industry。研究者转入产业之后，平均论文数量下降、专利活动显著增加，收入则上升。 所以，今天必须把AI research拆成两种：Frontier scaling research和Idea-constrained research。 但我特别赞同他的第 7 条，Slow Science。 Isola 写道，技术越来越快，但人的深度理解不会同比例加速，擅长未来科研的人，依然会是愿意花时间理解材料的人。 AI 让你在自己还没有理解的时候，就产生了已经理解的错觉，这是博士训练最大的敌人。 我观察许多人，epistemic leverage 很高，internal representation却很浅。而 PhD 训练的，其实恰恰是后者。 听说美国 NSF 今年已经启动一个 $47 million、五年期的四年制 PhD pilot，让博士生直接获得 industry R&D placement，并由 academia 与 industry 共同指导。 与此同时，2026 年美国 PhD funding 环境又比以前紧张。AAU 收集的 55 所研究型大学数据显示，Fall 2026 doctoral admissions 相比 Fall 2025 整体下降约 15%；AAU 还特别提到，包括 AI、quantum computing、advanced engineering 在内的一些领域也受到 funding uncertainty 的影响。这个数据不是专项统计，但却可以说明整个美国科研训练体系正在承受压力。 Don’t do a PhD to learn the tools. Do a PhD to learn how to decide what deserves to exist. 去读博士，是为了学习如何判断什么问题值得存在。因为未来的情况一定是PhD会被AI强迫回到它原本应该是什么的状态。 独自面对未知，是一种孤独的勇气。