【当AI工具可以让PhD从5.5年缩短到1年，教育系统准备好了吗？】一位华盛顿大学博士感慨：如果当时有Claude Code、Gemini和ChatGPT，他的博士可能只需要1年而不是5.5年。这个判断基于他对PhD工作的拆解：约50%是编程，25%是论文写作和打磨，25%是阅读他人论文。而AI现在对这三项的加速都至少是10倍级别。这个观点引发了大量讨论，值得深入思考：+ 支持者的视角一位在读博士生表示深有同感——现在他面临的唯一瓶颈已经不是能力或时间，而是训练运行需要多久、有多少GPU可以同时做A/B测试。还有人指出，这不仅仅是时间压缩的问题，AI实际上让一个人能同时推进相当于1000个PhD的工作量。更重要的是，它将赋能所有其他学科——生命科学、工程、历史等——让每个领域的研究者都能拥有专家级的编程能力。+ 质疑者的担忧最尖锐的反驳来自两个方向：一是关于能力培养：“你会毕业，但你会带着零技能离开。”另一位比喻更形象：“就像开车代替徒步——工作完成了，但你离开PhD时和进入时是同一个人，没有经过雕琢。”二是关于竞争压力：“你不是唯一拥有这些工具的人。你的导师很快就会把毕业要求改成50篇第一作者论文。”还有人指出，AI优化了研究流程中的编程、阅读和写作延迟，但假设生成仍然受限于人类。那些需要等待实验对象（比如小鼠）生病的研究，时间线依然无法压缩。+ 关于教育的深层思考一个更根本的观点：从K12到本科再到PhD，现行形式都在大量浪费人类时间。教育仍然停留在前AI时代，需要根本性的更新。这个判断或许有些激进，但确实指向了一个真实的矛盾——当工具以10倍速度进化时，制度往往以0.1倍速度调整。+ 给当下求学者的建议当被问到是否还推荐今天的年轻人读PhD，特别是想进入ML/AI研究的人，他给出了三条具体建议：1. 用AI学AI——比如向Gemini询问不同类型的神经网络、Transformer的原理和机制2. 阅读感兴趣的论文并动手实现3. 做个人项目这三条建议的共同特点是：不依赖传统学位体系，强调自主学习和实践。+ 一点个人思考争论双方其实在讨论两件不同的事：效率派关注的是“完成同样成果需要多少时间”，而成长派关注的是“过程本身塑造了什么样的人”。真正的问题或许不是“AI让PhD变快了”，而是“当AI承担了大部分执行工作后，PhD的价值和意义应该被重新定义”。如果传统PhD的核心是通过大量艰苦的执行工作来磨练研究能力，那么在AI时代，这个培养逻辑本身可能需要重构——不是让同样的训练变短，而是思考什么才是真正值得花时间培养的能力。x.com/Yuchenj_UW/status/2007874967669821798
