Jascha Sohl-Dickstein 斯坦福演讲深度解读：人类世的最初与最后时光里，研究者该做什么

一句话概括：扩散模型的发明者 Jascha Sohl-Dickstein 对年轻研究者说——如果你真相信 AGI 几年内到来，就别再按过去几十年的经验规划职业和课题（来源1、2）。

他的核心论据是“指数增长才刚开始”：十年来训练算力增长约 1000 万倍；AI 能完成的任务时长不到一年约涨 10 倍；按趋势，2030 年算力或达 2025 年的约 1 万倍，今天的规模在线性坐标上几乎就是零（来源2、3）。

他最常被引用的一句话：“写作即思考。如果你外包了写作，你其实也外包了思考。”——代码可以交给 AI，初稿要自己写（来源2）。

本文判断（本文分析）：这场演讲的价值不在于 AGI 时间表本身（那是他的预测，不是共识），而在于一套可操作的决策框架——“按项目完成时的模型水平来评估项目”“把怀疑变成可追踪的基准”“在指数早期做高杠杆的小决定”。即使你不相信短时间表，这三条也几乎零成本、高回报。

素材说明：演讲于 2026-06-12 在斯坦福 Physics and AI 会议（PAI26）发表，Stanford HAI 于 2026-06-30 上传视频，时长 45:14（来源1、3）。本文依据 36氪整理的演讲稿（来源2）与 Atlasnote 基于完整英文字幕、含观众问答的整理（来源3），并对照了 METR 与 Epoch AI 的原始研究页面（来源4、5）。本文作者未逐字核对视频全文；凡推论标注“本文分析”。

一、讲者是谁，为什么值得听

Jascha Sohl-Dickstein 最为人知的身份是扩散模型（diffusion models）的发明者——今天几乎所有图像、视频生成模型的基础方法，来自他 2015 年的论文。他长期在 Google 从事神经网络理论、学习型优化器等研究，现为 Anthropic 研究科学家（来源1、3）。他还参与创建了大型基准 BIG-bench（来源2）。

换句话说，这是一位亲手做出过一次“范式级”突破、又身处前沿实验室的人，在面对一屋子物理学家时，谈“我们这代研究者还剩下什么”。

演讲标题致敬了诺贝尔奖得主、现代神经科学奠基人卡哈尔（Santiago Ramón y Cajal）的名著《给年轻研究者的建议》，并加上了一个沉重的后缀：“在人类世的最初与最后时光里”（来源2）。

二、标题里的“人类世”是什么意思

“人类世”（Anthropocene）是一些科学家提出的概念：人类活动已在地球上留下不可磨灭的痕迹——物种大灭绝、核试验在地层里留下的放射性物质——即便数十亿年后也能证明人类存在过（来源2）。

Sohl-Dickstein 的意思是：人类可能很快不再是唯一能大规模改变世界的智能力量。“人类世”何时结束，很大程度取决于 AI 的发展（来源2）。所以我们正处于这个时代的“最初”（人类刚开始深刻改变地球），也可能处于它的“最后”。

三、他的论证：五组证据

他还提到一个耐人寻味的社会观察：在旧金山的 AI 圈，所谓“长时间表怀疑派”，追问下去也只是认为“AGI 在十年内”。而在生物技术领域问“癌症何时能治愈”，研究者会解释各种困难；AI 研究者却常常认为从现有模型到超级智能没有明确的技术障碍（来源2）。

他承认现有方法效率很低——人脑的数据利用效率可能高出几个数量级——但“低效不等于行不通”。让他一再惊讶的是：把相当简单的方法放大一个数量级，往往仍能带来明显进步（来源2）。

四、七条建议，逐条拆解

4.1 按“项目完成时”的模型来评估项目

他描述了一个具体的失败场景：你花两年取得看似重要的进展，完成时却发现别人只需给最新基础模型一个提示，就得到更好的结果（来源2）。

工作可能非常认真扎实，但它的基准线已经移动了。所以每个项目都要回答：完成那天，它还剩多少价值？（来源3）

4.2 用“苦涩的教训”给课题分类

他引用 Richard Sutton 2019 年的《苦涩的教训》（The Bitter Lesson）：长期看，能充分利用算力的通用方法，往往胜过依赖人工设计的专用方法（来源2）。由此给出两类判断：

• 好课题：价值随算力和模型能力增长而增长，甚至反过来推动 AI 能力发展（来源2）。
• 危险课题：注定会被模型规模扩张解决的问题；只因“模型目前做不到”而成立的课题，需要反复审视这个前提（来源2、3）。

他坦言这意味着更聚焦的合作和更快可验证的研究，而他并不全然欢迎这个后果：缓慢、漫游式的探索恰恰是他最热爱的科学方式，而能力的快速变化提高了“慢慢来”的代价（来源3）。

4.3 把 AI 当作每天的研究工具

他每天使用 Claude。在他看来，它像一位执行力极强、工作意愿极高的研究生，但研究直觉和判断仍有明显不足（来源2）。

• 一年前，他需要逐一检查它工作的每个细节；现在可以给出高层问题，让它生成图表，再根据结果决定下一步（来源2）。
• 他“基本不再自己写代码，甚至很少读代码”，但每天都在用代码做研究；常让 AI 搭一个定制仪表盘、生成几页图表，只为满足对某个问题的好奇（来源2）。
• 他强调这种分工是暂时的：一年前模型还做不到这样协作，他预计一年后又会不同（来源3）。

4.4 委托执行，但保留理解

有学生问：既然 Claude 能写代码，自己练习还有意义吗？他的回答是：理解代码在做什么仍然必要，而亲手写过一些，正是获得这种理解的一部分（来源3）。

他用“从打孔卡到 Python”作比：更高层的工具让你不必理解计算机内部的每个细节，而能专注更高层的问题。关键是你必须能质疑模型的结果——图表是否自洽、结论是否合理，而不是直接接受它的解释（来源2）。他还把与 AI 协作比作带一个研究组：范围、期望和沟通都要清楚；委托执行不能解决一个含糊的问题，产出更多也修不好一个错误的方向（来源3）。

4.5 写作即思考：初稿自己写

这是全场最被广泛传播的一句：

“我鼓励大家用 AI 获取写作反馈，但不要让它替你写初稿。原因很简单：写作即思考。如果你外包了写作，你其实也外包了思考。”（来源2）

有观众追问：如果模型连初稿都不能写，AGI 怎么会近在眼前？他的回答是：问题不在模型的文笔，而在作者的理解——组织论证本身就是发展思想的过程（来源3）。

这与他乐于外包代码并不矛盾。他区分了两类活动：执行一个已经理解的想法（可以外包），与暴露你还没想清楚的地方（不应外包）（来源3）。

4.6 重新估算“安全路径”到底有多安全

演讲的直接起因是一次对话：一位很有能力的研究生说他认为 AGI 可能三年内到来，几分钟后却开始规划读博、做博后、申请教职（来源2）。

Sohl-Dickstein 认为这里有明显矛盾：如果你相信一项改变世界的技术即将到来，就应让其他判断与这个信念对齐（来源2）。

他的论证是有条件的：人们通常在风险与回报之间权衡，选择相对安全的路。但如果 AI 真的引发大规模社会变化，你本来就面临很高的系统性风险，传统的“安全选择”未必能降低这种风险，反而可能让你放弃更大的潜在回报。所以他建议：做有趣的事，而不是盲目追求看似安全的选择；选择多年后回望时会让你自豪的事（来源2、3）。

4.7 在指数早期，小决定有大影响

有人认为 AI 发展已超出个人影响范围。他认为这是错的：如果 2030 年算力达 2025 年的约 1 万倍，那今天的规模在线性图上与零无异——我们仍处在指数增长的早期，此时的小决定可能产生巨大的长期影响（来源2）。

他举了历史例子：电子邮件协议的标准化、哈伯-博施合成氨工艺、美国早期医疗与法律组织的建立，都长期塑造了后来的世界，而它们都不是必然的（来源2）。

他列出值得投入的方向（来源3）：

• 用 AI 做科学：材料发现、蛋白质研究、天气建模、核聚变等离子体监测；
• 把 AI 当作科学对象研究：神经科学、统计物理、心理学、经济学都能贡献方法；
• 安全、能力预测与公平获取：模型能做什么、何时失败、谁能使用；
• 政策与治理：政府需要技术专长，学术界能提供不同于商业实验室的视角。

他个人还支持通过税收和再分配分享 AI 创造的财富——Atlasnote 特别注明这是他的政策偏好（来源3）。现场听众、伯克利教授 Joshua Bloom 的总结是：做短周期、高影响的工作，避开会被规模化解决的项目；并趁早期在安全、政策、获取、公平上发挥作用（来源6）。

五、问答环节里的几个关键回合

1. 实验科学怎么办？ 有观众指出，理论和软件的进步不能直接替代物理实验，很多科学问题也没有容易验证的答案。他回应：更强的理论可以减少所需实验；如果理论长期不能预测实验结果，本身就说明理论仍有提升空间。他还说，如果 10 到 15 年内仍没有能替人做物理实验的机器人，他会感到意外——但承认机器人时间表更难预测（来源2、3）。
2. 研究品味能被基准测量吗？ 他承认很难设计一个无争议的测量。回答已有问题与发现值得研究的新问题，是需要分开观察的能力（来源3）。
3. 如果你认为 AI 做不到某事？ 把它变成可量化的指标，建立基准并持续追踪，基准不必公开，私人记录也能显示进展是否发生。不要停留在“AI 不够聪明”的模糊判断（来源2、3）。
4. 未来的两个阶段：他设想先有一个惊人的阶段——人类通过管理和协调 AI 智能体团队，一周完成过去需要多年的探索；之后可能是另一个阶段——AI 在越来越多认知任务上超越人类，人类难以再用自身智力为 AI 提供同等增益（来源2、3）。

六、反方视角：哪些地方值得保留怀疑

本节综合了来源中的限定条件，并加入本文分析。

1. 时间表是预测，不是事实。Atlasnote 指出，他所在圈子对 AGI 时间表的乐观并非整个研究界的共识，基准持续提升本身也无法确定 AGI 到来的年份（来源3）。
2. 数据口径需要校正。“2030 年是 2025 年的 1 万倍”与 Epoch AI 报告的基准（GPT-4）不同，且报告只谈可行规模，并有投资意愿等前提（来源3、5）。
3. 50% 成功率不等于可靠交付。METR 指标衡量的是 50% 成功率；对需要高可靠性的工作，他本人也估计里程碑要推迟 1–2 年（来源3、4）。
4. 职业建议有幸存者视角（本文分析）。“放弃安全路径、做有趣的事”对已在前沿实验室、拥有声望和收入保障的人来说成本较低；对没有经济缓冲的学生，风险承受能力并不相同。他的论证是有条件的（“如果 AI 引发大规模变化”），读者应先评估这个条件对自己意味着什么。
5. “慢科学”的代价（本文分析）。他自己也承认失去了缓慢漫游式探索的乐趣。许多历史上的重大发现恰恰来自长期、非功利的积累；如果所有人都追求“短周期、快验证”，科学生态可能失去多样性。

七、放到今天看：演讲之后发生了什么（本文分析）

演讲在 6 月发表，10 月在 X 上重新走红，恰好与一连串事件重叠：本站前几天刚解读过 OpenAI 声称其内部模型推翻了计算机科学近三十年的“指数时间假设”，ETH 的原始提出者被请来做“解释者”而非“发现者”；同月，OpenAI 一次性在 GitHub 公开了 700 余份数学手稿。

这几乎就是他所说的“两年工作被一个提示超越”和“人类从发现者变成理解者”的现实版本。演讲之所以在四个月后重新引爆讨论，很可能正是因为它的预言开始被逐条兑现。

八、对不同读者的可操作启示（本文分析）

本节全部为本文分析。

对研究生和青年研究者

• 每个课题开题时写一句话：“如果一年后的模型能直接做这件事，我的工作还剩什么价值？”
• 维护一份私人的“AI 还做不到的事”清单，每季度用最新模型重测一次。
• 代码、绘图、数据清洗大胆交给 AI；论文初稿、研究动机、关键论证自己写。

对工程师和智能体开发者

• “按完成时的模型评估项目”同样适用于产品：只为弥补当前模型短板而写的大量提示工程和规则，可能在下一代模型发布时归零；而评测框架、数据闭环、权限与审计这类“随模型变强而增值”的基础设施更值得投入。
• 把 AI 当作“执行力极强但判断不足的研究生”来设计工作流：人负责定义问题与验收标准，AI 负责执行，机器可判定的检查器负责把关。

对企业与管理者

• 重审三到五年的能力建设计划：哪些岗位技能会被模型覆盖，哪些判断力需要加倍培养。
• 不要让团队把“写作”全部外包——方案、复盘和决策备忘录是组织思考的载体。
• 在治理、合规、安全上的早期投入，正处于“小决定、大影响”的窗口期。

九、结语

本文分析：Sohl-Dickstein 并没有告诉年轻人“一切都完了”。他给出的是一种态度：认真对待自己的信念，让行动与之对齐；把执行交给机器，把理解、判断和责任留给自己；趁一切还在早期，去做那些多年后回望会让你自豪的事。 至于 AGI 究竟是三年还是三十年到来——他给出了自己的下注，也给了你检验它的方法。

常见问题

Q: Jascha Sohl-Dickstein 的斯坦福演讲是什么时候、在哪里讲的？

A: 2026 年 6 月 12 日，在斯坦福大学举办的 2026 Physics and AI 会议（PAI26）上；视频由 Stanford HAI 于 2026 年 6 月 30 日上传，时长约 45 分钟（来源1、3）。

Q: 这场演讲的标题是什么？

A: 《Advice for a Young Investigator in the First and Last Days of the Anthropocene》（给人类世最初与最后时光里年轻研究者的建议），致敬卡哈尔的名著《给年轻研究者的建议》（来源2）。

Q: Jascha Sohl-Dickstein 认为 AGI 什么时候到来？

A: 他认为几年内到来的可能性需要被认真对待，并以算力增长约 1000 万倍、任务时长约一年增长 10 倍、AI 开始解决 Erdős 问题等为依据；但这是他的个人预测，并非学界共识（来源2、3）。

Q: “写作即思考”是什么意思？

A: 他建议用 AI 获取写作反馈，但不要让它写初稿，因为组织论证本身就是发展思想的过程；外包写作等于外包思考。他区分了“执行已理解的想法”（可以外包，如写代码）和“暴露尚未想清楚之处”（不应外包）（来源2、3）。

Q: 他建议年轻研究者研究什么方向？

A: 价值随模型变强而增长的课题，以及用 AI 推动科学、把 AI 当作科学对象研究、AI 安全与能力预测、公平获取、政策与治理等高杠杆方向；避免注定会被模型规模扩张解决的课题（来源2、3、6）。

事实来源

1. Stanford HAI 视频（来源1）：讲者、会议名称与日期、上传日期。
2. 36氪演讲整理稿（来源2）：标题、主要论据、Claude 使用方式、“写作即思考”原话、职业建议、历史案例、两个阶段设想。
3. Atlasnote 基于完整字幕的整理（来源3）：时长、问答内容、各项数据的限定条件与口径校正。
4. METR（来源4）：任务时长指标定义。
5. Epoch AI（来源5）：2030 年训练规模可行性研究。
6. Joshua Bloom 现场评论（来源6）：听众总结。

本文推论部分（非来源表述）：第六节第 4、5 条、第七节、第八节全部内容与结语。

本文不构成职业建议或投资建议。

（内容由AI生成，仅供参考）