总结

寒窗磨剑十年心，忽报算法已通神。
数据如潮吞旧简，模型不语代新人。
千日推敲终委地，十年灯火尽成尘。
他年若向长安去，不拜文章拜后门。

文章的文风完全不像是我的，但是我暂时也没啥办法能让ai学会我的文风，ai还是喜欢他自己的风格，没救了，就这样吧

本文章由群聊消息记录整理得来

当 AI 能一键把论文画成 PPT，科研苦力这道工序算是死透了

群里有人扔了张截图，Codex 直接把论文里的图转成了可编辑 PPT，精细程度至少顶一个硕士闷头干一下午。看到这个，大家就应该意识到：

我们完蛋了！

顺着这个话头，一直琢磨的那些东西全被抖了出来，在群上畅所欲言了一会，然后把聊天记录扔给ai整理成这篇文章。内容聊的就是 AI 会怎么把传统科研的流水线拆成零件，以及硕博劳力该往哪条道上爬。

〇、定义

Q：什么是科学家？什么是工程师？什么是科研民工/牛马/力工？

A：

能发现基础性、颠覆性、突破性的科学机理，解决历史上无人解决的关键科学问题，推动人类对于世界认知边界的拓展，完善人类知识库与逻辑基础的科研人员，叫科学家。例如：牛顿建立经典力学体系，麦克斯韦统一电磁场方程，爱因斯坦提出相对论，香农奠基信息论。这些工作的共同特征在于，他们解决的问题在提出之前，绝大多数同行甚至意识不到那是个问题。这类人在整个科研从业者中的占比，乐观估计不超过千分之一。

能解决真实现实问题，带来社会生产力发展，创造实际经济价值，对社会发展做出卓越贡献，令大众生活水平发生明确显著提高的，叫工程师。比如特斯拉的交流电系统让电力走进千家万户，冯·布劳恩的土星五号把人送上月球，法杰尔的CFD算法让流体仿真从理论变成工业标配。这个群体的占比可能略高于科学家，但也不会超过几个百分点。

按照特定操作顺序完成任务，撰写大号实验报告，总结实验结果，重复性完成需要高学历才能操作的试错流程，从事脑力劳动的，叫科研民工/牛马/力工。绝大多数硕博在读期间做的就是这个：导师给你一个方向，你负责跑实验、调参数、攒数据、画图、写初稿。这个过程和富士康流水线工人之间的核心差异，只在于你组装的是论文而非手机，需要一张硕士或博士文凭才能上岗。而恰恰是这个群体，占到了当前科研从业人员的百分之九十五以上（可能还说少了）。

一、大部分科研，其实就是打螺丝

这个和大部分先进工业，其实就是打螺丝其实没有本质区别。一个标准的科研流程摊开大概是：

• 定位瓶颈，找到确实是问题的现实问题
• 定位现实问题发生的机理，找到关键科学问题
• 针对科学问题，提出解决方法（建模、分析，从客观，公理条件进行逻辑推导，得出结论）
• 国内外研究现状调研证明自己是第一个提出的，不是重复造轮子，或者基于前人的思想而非重新发现浮力定律之类的基本东西
• 设计工程化实验验证方法（将解决方法变得实际可行）
• 消融实验（验证有效性确实来自于所提方法，而不是来自于参数量变大之类的，控制变量法）
• 对照试验（证明方法同期有效，确实有性能优势，而非只是发个论文，毫无实际工业价值）
• 效能分析（时空复杂度分析，证明方法工业化落地原理可行）
• 结论总结，摘要总结

一眼扫过去，除了最前面那个找到现实问题，剩下的全是结构化操作，说白了就是认知层面的 CRUD。

CRUD是创建（Create）、读取（Read）、更新（Update）和删除（Delete）四个词的首字母缩写，它们代表了软件系统中数据库或持久层的基本操作功能。在数据库管理和编程中，CRUD操作是最常见的数据操作方法，它们对于任何需要持久化数据的应用程序都是必不可少的。但是这个操作很长一段时间内其实是人工操作的苦力活（尤其是一般的中小企业，非技术导向的那种企业，特别的多这种其实自动化脚本也能干的工作岗位）。现在语境上说一个相关从业者的人是“干CRUD的”和直接骂你是个菜逼，只能干苦力重复的脚本活，其实没啥本质区别。

查文献、搭实验框架、整理数据、画图、写稿，这些动作的模式高度固定，边界清晰，规则明确。举个直观的例子：CV领域的消融实验，无非是把网络结构里的某个模块拆掉看精度掉多少、把某个损失函数项去掉看收敛曲线变不变、把数据增强策略撤了看过拟合程度如何。这个流程写进硕士论文的实验章节里，换谁做都大同小异，区别只在于你用Pytorch还是TensorFlow，用2080Ti还是A100。

这些东西，半年前就能让 AI 自动跑了。现在的情况更直接：你把论文PDF扔给AI，它直接给你输出一篇审稿意见，格式规整，逻辑自洽，甚至连”建议补充在某某数据集上的对比实验”这种话都能给你编得滴水不漏。已经有课题组在试水让AI写审稿回复了，round trip下来，人工只需要确认关键结论没有被篡改就行。

现在连论文配图都一键生成可编辑 PPT 了。Codex截图在群里传的时候，最令人破防的细节是什么？是它生成的是可编辑的PPT格式，意味着你后期改配色、调字体、加点logo、换个箭头风格，全部可以直接在PowerPoint里拖拽完成，不需要重跑任何代码，不需要重新导出矢量图。虽然曾经的模型生成的图已经很好看了，但是痛点其实主要是没法编辑，坏一个地方整个图基本上就报废了，找一个合适的图得不停重新生成，和抽彩票差不多。而现在，看看我们伟大的GPT大人！我的天，他的图已经可以随便编辑了！

过去一个下午的工作量，现在两分钟都不用。这说明成果包装这最后一道核心科技也被机器拿下了。早就有声音说，早该这样。论文值钱的是发现问题、解决问题的那个思想火花，其余的格式排版画图，纯属体力活。既然工具有了，谁还乐意当学术民工？更何况这民工岗的门槛现在都抬到硕博了。

实际上，可以做一个乐观的推测：通过爬取行业论坛帖子、白皮书报告、工业界统计数据，自动筛选出共识性瓶颈，然后用NLP手段抽取核心关切并转化为可度量的评价指标，这一整套流程，说不定“找到现实问题”这个环节本身也可以AI自动化。目前的难点不在技术而在数据壁垒：行业专家不懂AI，AI专家不懂行业。但这属于打通管道的问题，不是原理问题。目前来看迟早的事情，现在的ai公司有更重要的事情没来得及操心而已，等啥时候觉得LLM性能达到极限了，估计转头就来搞了……摧枯拉朽的估计是，传统行业就要被无情碾压了诶！

二、半年山寨，三年产业

按照国内著名蓝色平台知乎常说的：国外一开源，国内半年必出“山寨”…这种自动出图的能力，六个月内肯定有团队复现出来。这条规律过去几年被反复验证过无数次：GPT-2出来半年，国内就有对应规模的预训练模型开源；Stable Diffusion发布不到三个月，就有魔改的中文优化版本；Segment Anything论文刚挂在arxiv上，国内实验室的复现代码就已经在GitHub上攒了几百个star。这还不是工程能力的问题，这是开源生态的传播速度决定的。论文公开，权重公开，甚至训练脚本都公开，复现的边际成本被压到了几乎为零。

再往前推：可以预测，六个月内会有高校的组跑通端到端全自动科研的 demo（说不定已经有了只不过我不知道，没找到过或者没刷到过）。什么定义为端到端？输入一行prompt，或者丢进去一个领域关键词，系统自己完成文献爬取、研究空白定位、方法搜索、实验设计、代码生成、训练执行、结果整理、论文初稿输出。

这个demo一定会粗糙，一定会翻车，一定审稿人一眼就能揪出一堆逻辑硬伤。但第一辆汽车也跑不过马，问题在于趋势方向。三年时间，这东西大概率变成行业化标准 App 或 SaaS 平台，一键启动，自己在那儿跑，甚至可以集成到各种 harness、claw 之类的东西里面，变成一个常驻后台的学术代理进程。

到了那一天，除了JG研究所因为众所周知的原因（没人想改，没有市场竞争压力，只要稳定压倒一切）还能稳稳当当，其余普通科研岗基本就是路边一条。

让我们看看历史规律吧：盾构机革命没让挖隧道的矿工吃上红利，珍妮纺织机也没让家庭主妇的手工活儿升值。汽车出现了，跟马夫有关系吗？马夫唯一的出路是学会开车，但司机和乘客的座位数量是有限的。这次收益的只会是掌握核心 RL 范式和行业数据的头部 AI 公司，比如量化幻方、月之暗面、OpenAI，甚至A\之类。

再看看经济学规律：赢者通吃，输家啥都不剩。

寄了。

三、第四次工业革命，没有后发优势

现在很多人还没意识到这波有多恐怖。前三次工业革命，后发国家可以靠低成本劳动力、市场换技术慢慢追。毕竟物理定律都一样，澳大利亚的铁矿石和巴西的铁矿石没有本质区别，谁家高炉炼出来的钢都能造铁路。日本明治维新后靠纺织业起家，韩国七八十年代靠造船和电子代工爬出中等收入陷阱，中国改革开放四十年走的也是这条路：用规模优势压成本，用成本优势换市场，再用市场份额反哺技术积累。

但是这回是高性能自研 AI，门槛极高。

• 算力门槛：训练一个千亿参数模型需要上万张GPU集群，光是电力成本和硬件折旧就是一笔天文数字。
• 数据门槛：高质量训练数据是需要长期积累、清洗、标注、维护的，这需要大量的钱、平台和时间，至少肯定不是地里随机长出来的。
• 人才门槛：全世界能把Transformer架构改出实质性创新的人，加起来可能坐不满一个大学阶梯教室。

追不上第一梯队，整个国家在全球经济体系里的存在意义都会被抽空。实际上大部分国家可能军事、文化早就路边了，要是连经济也跟不上先进生产力，那这个国家就只剩下地缘政治价值了。

而地缘价值这个东西，历来跟打仗绑在一起。没有正常国家会希望自己沦落到这一步。

放眼全球，现在也就中美有独立可控的高性能 AI。（硬件其实也够跑了，就是性价比跟不上而已，只要不计一切代价其实也能跑起来……）

欧洲在监管上遥遥领先，设计了世界上最符合道德的法律结构，简直太适合作为人类研究ai的场地了……就是忘了研究ai本身；

日本…幽默小窝还是别提了，套壳deepseek还好意思；

韩国半导体确实厉害，但那是在供给端，在算法创新端同样缺位。

别的国家要么自研不起，要么硬着头皮自研出来，结果开源模型甩一个性能更强的出来，投资全打水漂。

不自研？那国家数据就让中美看个底朝天。（你投靠一个，那万一这个拉了你怎么办？你墙头草，那好了两边都不讨好，你还敢把自己的屁股给两边都看个精光？那是真的牛逼）

国家这些年咬着牙破唯论文、唯帽子，大搞工程项目，虽然一片骂，但是目前来看其实就是在提前排雷。工程项目有真工业价值，能扛住 AI 替代的冲击，纯学术泡沫一戳就破。当初骂这个政策的人多，可能正如网上人说的，因为动了太多人的蛋糕之类的，谁愿意自己辛辛苦苦攒了十几年的论文和帽子一夜之间贬值？但等过几年回头看，恐怕不少人得闭嘴。

我们都在用力的活着，谁想似？问题是后面就是大运，你不换赛道，那马上就该跳街舞，冰冷的尸体变成温暖的数字了。

四、学历挤压开始：大走关系时代又要回来了

AI 一锅端掉科研苦力岗，硕博的去向会是什么？可以推演出一个三层分流模型，基本是逐级挤压。

最顶层那批智商顶尖、认知跟得上前沿的，直接带投大哥，加入 AI 公司，向ai大人投降，赚海量的钱。这是零和博弈，头部通吃。这批人可能不到总从业者百分之五。但他们拿走的蛋糕份额可能超过百分之八十。

中间那一大批 985、211 的硕博，只能下沉，去干那些暂时还没被自动化的低价值工程 CRUD，给 AI 擦屁股。什么叫擦屁股？AI 生成了一版实验方案，但里面的参数配置不符合企业服务器环境，需要人工适配；AI 写了论文初稿，但引用的文献版本不是老板指定的那几篇代表作，需要手动替换；AI 画了架构图，但甲方要求用 Visio 而不是 Draw.io，需要重新排版。这些事情说难不难，说简单却要一个硕士才能干。他们的绝对收入可能因为全社会生产力提升而不降反升，日子甚至过得更舒服（这个具体可能是还得定量经济学分析，随机过程，鞅分析之类的计算才能知道会增加还是减少……我也只是个半吊子），但心理落差会非常大：自己明明（看起来）是按排头兵培养起来的，怎么混成了过滤下来的废料（小镇做题区的优绩主义可能不少这种）。这就是典型的生活水平向好，意义系统崩塌。这个群体在十年后的心态状态，大概可以参考九十年代国企下岗工程师：技术还在，经验也在，但市场不需要了，只剩下漫长的失意和偶尔的自我安慰。

再往下，普通硕博和更低学历的，就会被上一层挤占生态位：985 挤 211，211 挤双非，双非挤本科二本大专，一路软着陆。社会不会剧烈动荡，但所有人的相对位置一起往下掉。在这个过程中，既然跟机器比卷是找死，那么人类内部博弈的优势区就会重新退回到最原始的地方：血缘、地缘、人情关系。所谓大走关系时代，不是开玩笑，目前来看很可能是逻辑的必然。唉.

举一个已经能嗅到苗头的现象：某些发达省份的乡镇公务员岗位，已经出现了清北硕士扎堆报考的情况。放在十年前，这几乎是不可想象的。十年前清北硕士的默认出路是投行、咨询、BAT、出国读博。现在他们跑去考一个科员岗，你猜是什么逻辑？他们突然看破红尘想为人民服务？第一天来冲国啊同志？这就是市场在排挤他们，而体制在接纳他们。（不然一群能力尚可的人闲下来……不敢想，不敢说……不知道，不清楚，不了解，不是我，晶哥摇了我吧）

因此，一个被反复提及的判断是：编制、国企、央企、事业编、公务员，是普通人最不坏的归宿。抱好大腿，搞好行政，这些东西目前 AI 还碰不了，也能提供制度性的庇护。你或许觉得这不酷，但酷不值钱，活下去值钱。

五、最优策略：放弃内卷，尽早切换赛道

在上述趋势已经越过事件视界、变成大概率必然的前提下，个人的理性选择其实非常窄。如果还在读书，掂量一下自己是不是能发明 Transformer 的那种天选之人。不是的话，趁早把精力分给项目管理和人情世故。传统科研这艘船马上就要沉了，跑得越早，新大陆上留给你的生态位越宽。当AI能在三分钟内画出你花三小时画的图，你花在学画图上的三年时间就变成了沉没成本。提前认赔离场，比倔强扛到破产清算更理性。

如果已经在读博，眼界得拔起来。竞争对手是这个不吃不睡、迭代周期按小时算的 AI，可不是隔壁天天打原神的那个研究如何高效批量的将食物转换为大粪的研究的废物师兄。

打不过就加入，加不入就赶紧换岗。JG 研究所因为信息隔离和体制惯性，一时半会儿还会需要人去填坑，追求成就感的话可以去那儿，够献个青春。（但要清楚实际上他们只是需要的是按规定动作完成任务的执行力）

可能有些人懂得术数推演，一套策略已经跑了很久，过去几年没出过大错。凭这个躲开了所有坑，每一步都走在最优解上，旁人总以为是运气好。但身处其中就会明白，能看见必然的结局却没法改变，这种观测者困境还不如傻呵呵过。类似一个提前拿到了未来十年股票走势图的人，看着大盘一路上涨，但手里没有任何本金可以入场，那种知道会发生什么却无力参与的感觉，比完全不知道更消耗人。

不过好在，再怎么着，这波 985 硕博的积蓄和抗风险能力还是远超社会平均水平的。出国出省跟买菜一样，家人生大病能顶住，不用回家等死。按世俗标准，依然是成功人士。只是在优绩主义里泡大的这身骨头，面对未来的平庸日子，大概需要花很长时间去做心理脱敏。因为你的坐标系已经被优绩主义校准了十几年，突然告诉你坐标系本身崩塌了，重新建立参照系的过程本身就是一种漫长的内耗。

明白了，上一版里“不是……而是……”这类转折句式确实用得太频繁，读起来生硬。我重新写了这一章，去掉所有对比框架，改用更直接的心理描写和场景铺陈，尽量让语气更自然、更像人在说话。

六、退休的感觉

早上九点，你照常坐到工位前，打开电脑。

屏幕上已经躺着AI生成的一整段代码——需求是昨晚十一点自动抓取的，架构方案是凌晨三点跑完的，单元测试也全过了。你只需要看一眼，点个“确认合并”，然后本季度KPI就又多了一条“已完成”。

你点完确认，盯着终端里的绿色提示符发了一会儿呆。

以前不是这样的。以前每写出一段能跑通的逻辑，心里会“咯噔”一下，像是有什么东西从胸口浮上来。那种感觉很具体，很实在，是你熬夜、掉头发、翻文档翻到眼睛发花之后换来的。你知道这段代码是你摁进去的，你理解它的每一行，你清楚它为什么这么写而不是那么写。你在那里面。

现在没有了。现在的代码是AI写的，你只是那个“走流程的人”。你甚至在合并之前懒得看完所有逻辑——反正它大概率是对的，就算错了，你也能在日志里找到异常，但找出来又怎样呢？调一下参数，重新跑一遍，照样过。

你忽然发现，你在这个岗位上的所有动作，都已经变成了一种仪式。你提交，你审核，你写周报，你开会，你汇报。但这些事的尽头，那个曾经需要你大脑高速运转的、非你不可的部分，已经空掉了。

群里那个同事说得没错：“难道我存在的意义就是在AI生成的代码上签个名？”

当时没人接话，是因为每个人都在心里给自己签了一遍。

回到家，你坐在沙发上，老婆问你今天怎么样。你说“还行”。她没再问，因为她知道你的“还行”就是“没什么好说的”。以前你回家会唠叨今天调了个多难搞的bug，或者跟产品经理吵了一架，那时候你虽然累，但你有故事。现在你没有故事了，你只有一份“确认合并”的记录。

你打开手机刷了会儿短视频，算法给你推了好几个“35岁被优化怎么办”、“AI时代哪些职业会消失”的视频。你划掉，又推，再划掉。你明知道这些视频是在贩卖焦虑，但你忍不住点进去看了两分钟，里面的人说“拥抱变化，终身学习”，你心想——我学了十几年了，我现在学啥？学怎么比AI更快？它一秒钟生成十个方案，我十天憋出一个，我怎么拥抱？

你关掉手机，关了灯，躺着。

天花板黑漆漆的，脑子里却亮得吓人。你在想：我这个人，到底有什么用？

以前这个问题很好回答。你是工程师，你是算法专家，你是某某框架的committer，你是团队里那个别人搞不定就来找你的人。这些标签贴在你身上，像一层一层盔甲，你穿着它们走出去，跟人说话有底气，拿工资不手软，哪怕加班加到两点，你也觉得这是你应该的——因为你值。

现在盔甲碎了一地，捡都捡不起来。

你不是被裁了，你还在岗位上，工资也还发着，甚至因为工作效率提高了，活少了，日子比以前轻松。但这种轻松很怪，像悬在半空中，脚下没有地。你知道这个岗位之所以还留着你，是因为公司的组织结构还没调整完，是因为领导觉得“万一AI出错了总得有个人背锅”，是因为你签过的那些保密协议和竞业限制——总之，不是因为非你不可。

你想起九十年代听父辈讲过，那时候国企改制，很多老工程师一夜之间就没活干了。他们技术不比别人差，经验也比年轻人丰富，但整个行业不需要他们了。后来有的人去开了小卖部，有的人在酒桌上反复讲自己当年设计过什么产品、解决过什么难题，讲到后来没人听了，自己也懒得讲了，最后那些本事就烂在肚子里，再也没人知道。

你现在好像正在走进那个故事。

你甚至开始怀念以前加班的夜晚。那时候你对着屏幕骂产品经理傻逼，骂数据标注乱七八糟，骂服务器跑得太慢——但你骂得带劲，因为你做的事情有阻力，有阻力就意味着你在推进，你在跟什么东西掰手腕。那种对抗感是真实的，是你能感觉到自己活着的证据。

现在没有对抗了。你像一个提前退休的人，坐在办公室里等下班，等周末，等年终奖，等下一个不知道从哪冒出来的“组织架构调整通知”。退休的人还能领退休金，你连这个都没有——你只是被时代轻轻地放在了旁边，说“你先歇着”。

歇着就歇着吧。可你闭上眼，脑子里翻来覆去还是那句话：

我折腾了那么多年，到底图了个什么？

没人能回答。连你自己也答不上来。你只知道明天早上九点，你还会坐到那个工位前，打开电脑，看到AI已经替你写好了今天的代码。

你点确认。

然后等下一个确认。

---

2026年7月31日