多年以后，面对诺贝尔奖杯，Geoffrey Hinton 也许会回想起 1986 年那篇没什么人看好的论文，以及几个年轻人愿意陪他一起写代码跑实验的那个下午。
今天，这样的年轻人正在消失。
1986 年，Hinton 发表了反向传播算法的关键论文。当时他是一个年轻的认知科学研究者，做的方向没什么人看好，神经网络在学术界是边缘话题。他有的东西很少：一个职位不高的学术岗位、一群愿意跟他一起写代码跑实验的初级研究者，以及足够的试错空间。
现在，这三样东西都在被 AI 吃掉。
48 位科学家的答案
今年 2 月，Nature 采访了 48 位不同学科的研究学者，提了一个直接的问题：AI 正在威胁哪些科学岗位？
答案出人意料地一致。正在被替代的是纯认知型任务：写代码、跑模型、做数据分析，这些曾经是研究生、博士后和初级研究人员的日常工作，现在 AI 做得更快更好。
MIT 机械工程教授赵宣赫说得直白：「这甚至不是未来的事，是正在发生的事。」Stanford 计算生物学家 Brian Hie 更绝：实验室专门雇来写代码的研究程序员？「这个岗位现在已经过时了。」
威斯康星大学计算生物学家 Hannah Wayment-Steele 说，如果她五年前建实验室，一定会招一个研究程序员。但现在？「我真的看不到这个必要了。」
原因之一当然是预算越来越吃紧，但另一个原因，也很明确：AI。
还替代不了的是动手做实验的人、提出原创问题的人、组织协调整个研究项目的人。伦敦大学学院量子物理学家 Jonathan Oppenheim 说，AI「没有能力真正提出新颖的想法」。至于 AI 控制实验室？「还无法完成很多任务，也难以解读实验结果。」
这形成了一个奇特的分裂：AI 最能够替代的，恰恰是科学家职业生涯的起点。
这并非科学界独有的现象。过去一年的多项研究都指向同一个结论：AI 对劳动力市场的冲击集中在入门级岗位。
Revelio Labs 的数据显示，自 2023 年以来，美国入门级岗位的招聘发布量下降了 35%。Snowflake 与 Omdia 的联合报告发现，在所有因 AI 导致的岗位削减中，63%发生在入门级别。
Stanford 数字经济实验室的研究指出：在 AI 高暴露职业中，22 至 25 岁年轻人的就业率自 2022 年以来下降了近 20%。在岗者的失业率没有显著上升，但新人的入职率在下降。
科学界是这个趋势最清晰，也最危险的案例。在大多数行业，入门级岗位的消失意味着年轻人少了一个挣钱的机会。
但是在科研领域，入门级岗位的消失意味着，一个学科失去了培养下一代科学家的通道。
门票消失了
数据分析、写代码、跑模型，这些任务听起来是「基础工作」，但它们同时是年轻科学家进入学术圈的门票。你不会一上来就成为大牛，你得先当研究生，帮导师跑数据、写代码、调参数。在这个过程中你学会如何提问、如何设计实验、如何在失败中发现方向。
这些才是 AI 做不了的事。但你需要先做那些 AI 能做的事，才能学会那些 AI 做不了的事。
这就是问题所在。当研究程序员不再必须，当研究生名额被压缩，当「写代码跑数据」这个入口被 AI 堵死，年轻人进入科学共同体的路径就断了。
UT Austin 计算生物学家 Claus Wilke 的警告是整篇文章最重的一句话：「可能短期内每一块钱的预算可以有更多的产出，但代价是人才管道的崩塌和长期衰退。」
这句话说得严重点：省了一个研究生的工资，但可能毁了一个未来的 Hinton。
Nature 这篇报道里有一个容易被忽略的细节：美国翻译协会科技翻译分会的成员人数，在 2.5 年内下降了 26%。曾经翻译临床试验文件的译者 Jaime Russell 现在转行做了医疗口译，因为口译需要的实时判断和人际感知，AI 还做不到。但她认识的同行里，有人已经在送外卖……
「很令人难过」，她说。这展示了 AI 入局后的两种走向：一种是「迁移」，你还能找到 AI 够不着的相邻岗位；另一种是彻底出局。
不过，弗吉尼亚大学经济学家 Jerry Qian 对 AlphaFold2 的研究提供了一个更有希望的案例。AlphaFold2 能以接近实验精度预测蛋白质结构，成本只是传统方法的零头。Jerry Qian 发现，在 AlphaFold 能高置信度预测的蛋白质上，人类的实验研究产出下降了 35%。
但科学家并没有失业，他们转向了 AlphaFold 预测不好的蛋白质，专攻 AI 搞不定的难题。「AI 没有让科学家变得无关紧要，」人类找到了自己的相对优势。
当 AI 跑马圈地，在场内的科学家，就会迁徙到 AI 边界之外。但关键词是「在场内的」，他们有知识、有经验、有判断力，知道该往哪迁。
AI 正在毁掉下一个 Hinton
那下一代还没进场的人呢？
1986 年的 Hinton 在做什么？写代码，跑实验，调参数。他做的每一件事，都是今天 Nature 调查中被列为「正在被替代」的任务。如果他生在今天，搞不好连进实验室的机会都没有。尤其是，他想做的方向既边缘、又太不确定有没有未来，会拿宝贵的资源和预算给到他，实属押宝。
这个问题的尖锐之处在于，从纯粹经济的角度看，这完全理性。如果 AI 能在两小时内完成一个研究生两周的数据分析工作，为什么还要招人？经费有限，出来混要的是产出，不是慈善。
Nature 调查中的每一个被砍掉的初级岗位，都有充分的局部理由。但当所有局部理性的决策成立时，系统性的后果就浮现了：整个学科的人才入口在收窄。这是一个经典的集体行动困境，每个个体的最优解加在一起，产生了集体的最差解。短期内论文产量上升，长期看科学共同体萎缩。更多的研究，更少的研究者。Nature 的调查显示这不是假设，它已经在发生。
AI 替代的当然不是 Hinton，AI 替代的是 Hinton 成为 Hinton 之前的那个人。
Terence Tao 在 Nature 里说，「如果我们适应——我认为我们必须适应——那我们就能存活」。但 Tao 说的是已经在场内的人，问题是，重点不在于现在的科学家能不能适应，而是未来的科学家还有没有机会进场去适应。
谁负责培养 AI 做不了的事的人？
科学究竟靠什么进步？有时候就是靠那一点灵光一现，靠某个人在某个深夜看着一组异常数据，突然想到：「等一下，如果这不是异常呢？」。
这种直觉不是从课本上学的，是在无数次失败的实验和数据清洗中磨练出来的。
2016 年李世石对弈 AlphaGo，第78手棋超出了 AI 的判断范围，被称为神之一手，记者捕捉到李世石下场后的笑容. 图片来自：news1
Hinton 之所以能在神经网络的寒冬中坚持三十年，不是因为他有超人的智力，而是因为他在早期做过足够多「基础工作」，积累了对问题的深层直觉。这些直觉不能被 prompt 出来，也不能被 fine-tune 出来。这些，支撑起了他在关键时候的一点灵光，正如李世乭对战 AlphaGo 时的第 78 手。
所以 48 位科学家的答案，真正的含义不是「AI 替代不了什么」，而是：我们正在切断培养「AI 替代不了的人」的唯一路径。
人才管道一旦崩塌，不是明年的问题，是十年后的问题。到那时候，AI 也许能写出所有的代码——但谁来告诉它该写什么？
牛配资提示：文章来自网络，不代表本站观点。
