AI博士生质疑：计算机学术界已死？

AI时代，计算机科学研究正在失去意义吗？来自德克萨斯大学奥斯汀分校的计算机科学博士生曹晋在参与ICLR审稿时发现，许多论文方法与他两年前进入3DV领域时学到的套路完全一样：换一个更新的视频生成基础模型，套上类似方法，就能产出新论文。他不禁怀疑，ICLR六万篇投稿里，有多少真正是人想出来的。

这种焦虑并非个例。过去AI研究围绕明确路径展开：针对具体问题设计新模型结构，引入新的归纳偏置，在benchmark上不断优化。但基础模型正在改变这一过程。World Labs的Atlas展示了强大的4D场景理解与生成能力；新一代大模型与3D工具、机器人系统结合后，也展现出意外的空间推理和操作能力。曹晋回忆GPT-6 Astra发布后，信息流中充满GPT+Blender的逆向图形实验，以及GPT驱动机器人机械臂完成复杂操作的案例。一年前他还坚信大语言模型永远不可能拥有空间智能，一年后Astra彻底推翻了他的认知。

他认为，Astra经过大量3D数据和机器人操作数据的后训练，未来规模只会更大、速度更快。这意味着，任何能被符号化表示、拥有清晰RL评测标准的领域，最终都会被大语言模型吞噬。相比真正具备智能的大语言模型，大量依靠加入一点归纳偏置、通过调参刷出SOTA的学术论文，不过是在等待被淘汰。遗憾的是，这类论文仍不断涌入会议，这更多是一种惯性：追逐SOTA太久，很难一夜停止。但必须承认，很多领域的方法范式早已收敛，过去被称为研究的东西如今越来越像纯工程工作，学术界通过设计新归纳偏置来贡献价值的空间正不断缩小。

面对变化，曹晋认为未来AI研究者可能面临两种选择。第一，如果打不过就加入：整理高质量数据，搭建基础设施，进入工业界训练基础模型。第二，回归真正的科学研究：不再执着于在benchmark上提升0.1%，而是研究为什么这个方法有效、那个方法无效，把基础模型本身作为研究对象。正如他的朋友所说，未来AI研究可能越来越像生物学，只不过研究对象从碳基生命变成硅基生命。随着AI能力提升，人类知识和经验的独特价值正被重新衡量。就像AlphaGo改变围棋领域对人类智慧的理解，未来每个领域都可能迎来自己的AlphaGo时刻。

曹晋的帖子引发了不少讨论。有网友指出，AI研究正出现类似生物学研究的趋势，机械可解释性领域已率先展现：研究者建立AI领域的模型生物，研究Transformer内部机制，尝试通过新实验方法观察大模型如何产生能力。还有网友表示，如果基础模型逐渐吸收大量工程层面工作，未来真正重要的科学问题反而会更困难、更有趣。一位研究视觉表示的研究者分享经历：他正在探索视觉模型究竟编码了什么、忽略了什么，但导师曾告诉他，社区更关注更好的模型，而非这些基础问题。看到讨论后，他受到鼓舞，决定继续追随真正感兴趣的问题。

也有研究者持更积极态度，认为基础模型能力增强不会削弱学术研究价值，真正影响学术界的是科研经费、评价体系以及过度强调个人明星效应的激励机制。在他们看来，现在反而是成为博士生的好时代：代码Agent让研究者可以借助AI放大能力，开源模型和开放权重生态也让个人研究者能更快速参与前沿问题探索。即使进入工业界，也要保持阅读论文、研究开源项目的习惯。基础模型带来的变化并不意味着学术研究结束，而可能意味着研究问题正在迁移：从构建更大的模型，转向理解智能如何产生。