Jason Wei在个人网站上将自己介绍为美国AI研究者。于2026年11月11日在X发表长文,认为过去五年AI领域中专业关系的重要性正在上升。他同时强调,技术能力仍能决定职业成败,缺少广泛人脉也不意味着无法成功。
Wei把这一变化首先归因于编程智能体:在他看来,调试代码、频繁照看实验等执行投入,过去能帮助研究者拉开差距;当更多人可以借助智能体完成这些任务时,执行能力的区分度便会下降,研究选题判断仍然重要。
第二个因素是资源。Wei认为,前沿AI实验对算力、数据和基础设施的需求增长,使能力相近的研究者可能因资源条件不同而取得不同结果;资源获取又涉及声誉、与决策者建立的信任以及专业关系。这一讨论针对前沿AI实验,不能理解为所有AI研究都需要同样的资源规模。
第三个因素是个人贡献更难被外界看见。Wei认为,企业减少公开研究、转向闭源模型后,外部人士更难核验谁为模型发布作出了什么贡献,招聘、人才招募和融资因而可能更依赖声誉、个人推荐及他人的担保。
这些机制是Wei的观察与推理,长文没有提供足以验证全行业趋势或因果关系的数据。他用来比较技能与人脉权重的百分比,也明确是任意设定的示意数字,不能当作职业成功因素的统计结果。
研究执行是否变得更容易,还需要区分“写出代码”与“完成研究”。OpenAI的PaperBench项目文档说明,其Code-Dev版本只检查代码开发要求,不检查代码能否正确运行,也不检查是否复现论文中的实证结果。这一评测边界提醒读者:代码生成能力本身不足以证明研究已经完成,也不能直接验证Wei所说的行业变化。
资源获取也存在正式申请渠道。NAIRR Pilot公布的规则要求,申请由独立同行评审者评估科学与技术上的适切性和可行性。这说明资源分配并非只有私人关系一种路径,但申请规则本身不能证明实际资源可得性或分配公平性。
Wei也看到了门槛下降带来的机会:他认为,没有编程背景的人也可能创造优秀技术,产品判断和研究选题判断会成为更突出的能力。在他的论述中,执行工具更容易获得之后,选择什么问题、获得什么资源、与谁合作,可能更能影响最终结果。
参考来源:
