尹希说：“我不认为存在任何一种人类智力能力，是 AI 无法复制的”
2026 年 11 月 3 日，哈佛大学物理学教授尹希（Xi Yin）在 X 上宣布离开 OpenAI。
尹希 2026 年 11 月 3 日在 X 上宣布离开 OpenAI，截图为翻译视图。
他在那里只工作了大约五个月。
离职声明很简短。他说，这是一次非常棒的经历，但自己决定提前下车，去探索新的方向。至于下一站在哪里，他没有透露。
尹希的履历相当特殊。
12 岁考入中国科学技术大学少年班，2006 年取得哈佛大学物理学博士学位，31 岁晋升哈佛正教授，后来获得物理学新视野奖。
他长期研究弦理论、量子场论和量子引力。这些领域研究的，是物理学最基础、也最难解决的问题之一：如何理解宇宙的底层规律。
这样一位科学家，为什么会在今年选择进入 AI 公司？
比他的职业选择更值得关注的，是他此前接受《哈佛深红报》采访时说过的两句话。
第一句：
在 AI 的帮助下，他的科研编码效率至少提高了 100 倍。AI 几周写出的代码，如果由他自己完成，可能需要十年。
第二句：
他个人不相信，存在某种人类智力能力，是 AI 无法复制的。
这两句话放在一起，分量就不一样了。
我们过去经常讨论 AI 能不能取代客服、设计师、翻译或者程序员。
现在，一位研究基础物理的顶尖科学家，开始认真接受这样的可能性：人类引以为傲的智力能力，也许没有哪一种天然属于人类独有。
如果这个判断最终成立，那它影响的恐怕远远不止就业市场。
十年的工作，为什么几周就做完了？
根据《哈佛深红报》2026 年 4 月 24 日的采访，尹希说的是科研编码任务，而且特别强调，这个过程仍然需要大量人工监督。
所以，不能直接理解成 AI 已经能够把一个科学家十年的科研成果压缩到几周。
写出计算程序、完成理论推导、验证科学假设，以及真正发现一条新的物理规律，是不同层次的工作。
但是，即便只发生在编码环节，这个变化也足够惊人。
因为科研有一个经常被忽视的现实：很多问题没有被研究，不一定是科学家想不到，也可能是研究成本实在太高。
比如，一个理论需要大量数值计算才能验证。
过去，研究者可能需要花几个月编写程序、调试算法，再消耗大量计算资源，才能得到第一轮结果。
如果这个方向最后被证明没有价值，几个月的劳动可能就白费了。
在这种情况下，科学家会本能地回避那些成本高、不确定性大的研究方向。
但如果 AI 可以在几天内完成大量编码，情况就不同了。
过去不值得尝试的想法，现在可以先跑一个实验看看。
过去需要几个人合作几年的项目，现在也许一个研究者就能完成其中相当一部分工作。
最重要的变化，可能不是原来的工作变快了，而是大量原本不值得做、做不起的事情，突然变得值得尝试。
这和工业革命有某种相似性。
蒸汽机出现之前，很多生产活动受到人力和畜力的限制。机器把单位生产成本降下来后，社会生产的商品种类和规模也随之改变。
AI 正在对部分脑力劳动产生类似影响。
过去昂贵的知识加工、代码实现、资料分析和计算工作，逐渐变成可以按需调用的能力。
不过，科研与工业生产还有一个关键区别。
机器能够生产更多代码，不代表科学家就能够以同样速度判断这些代码是否正确。
如果生成速度提高 100 倍，验证速度只提高 2 倍，整个科研流程的效率依然受到验证环节限制。
而尹希那句关于人类智力的判断，比效率数字更加激进。
他认为，AI 最终能够复制人类所有类型的智力能力。
这是一个值得认真对待的预测，但目前还不是已经得到科学证明的事实。
它真正挑战的是我们长期形成的一种信念：总有某些足够复杂的脑力活动，只能由人类完成。
为什么陶哲轩反而开始担忧？
有意思的是，并非所有顶尖科学家都对这种变化感到兴奋。
2026 年 9 月 11 日，包括陶哲轩在内的 25 位菲尔兹奖得主共同发表了一份声明，题为《A Severe Misalignment of AI in Mathematics》。
声明提出一个问题：
如果 AI 公司不断以攻克数学难题作为能力展示，数学这门学科会不会逐渐失去它原本追求的东西？
这里需要理解数学研究的一个特点。
一道数学难题，往往不只提供一个最终答案。
数学家花几十年研究它，过程中可能发展出新的概念、方法和理论工具。
这些工具后来还可能被应用到物理学、计算机科学和其他领域。
从历史上看，很多数学成果最有价值的部分，恰恰是研究过程中产生的新思想。
假设 AI 明天证明了一道困扰数学界一百年的难题。
证明经过严格核验，结论完全正确。
但证明过程非常复杂，只有机器能高效处理，人类研究者很难从中提炼出新的数学思想。
这究竟算不算巨大的科学进步？当然可以算。
但它是否一定能推动人类对数学的理解达到新的高度？那也未必。
陶哲轩等人担忧的，是人类可能越来越擅长获得答案，却越来越难以理解答案背后的知识。
如果数学逐渐成为一个专门生产正确结论的系统，那么学习、讨论、教学、探索和培养下一代数学家的过程，又应该放在什么位置？
这并非一个简单的技术争论。
它涉及科学研究究竟为了什么。
随后，数学家 Timothy Nguyen 公开回应了这份声明。
他的观点非常直接：人类对于数学理解的定义，本来就在随着工具不断演进。
过去有几何构造，后来有符号计算、数值算法和计算机辅助证明。现代数学中，也早已存在复杂到没有任何单个人能够完整掌握的证明体系。
既然如此，为什么不能接受 AI 带来的下一次变化？
如果机器生成的数学证明经过可靠的形式化验证，即便暂时没有哪个人能完全理解，也可以成为后续研究的基础。
尹希转发了 Nguyen 的回应，并明确表示认同。
我觉得双方实际上抓住了同一件事的两个方面。
尹希和 Nguyen 更关心知识探索能够走多远。
陶哲轩等人则提醒我们，科学进步还包含理解、培养和传承的过程。
而且，数学定理的形式化验证，与物理理论的实验检验也不能简单等同。
数学证明可以在给定公理和形式系统中被机器严格检查。物理学研究还必须面对现实世界，涉及实验、测量误差、模型假设和可重复性。
如果有一天 AI 能够快速生产海量科学发现，人类又缺乏足够的能力去检验、理解和吸收它们，这可能形成一种新的知识危机。
过去我们面临的是知识生产太慢。
以后也许会变成知识生产太快，人类消化不了。
最先失去机会的，可能是年轻人
从科学研究回到普通人的生活，情况就更现实了。
一个程序员的收入，为什么通常比许多其他职业高？
原因很多，但其中有一项非常重要：编程曾经是一种相对稀缺、需要长期训练才能掌握的能力。
学习编程语言、理解计算机系统、设计架构、排查问题，都需要时间。
企业需要软件，就需要雇佣掌握这些能力的人。
程序员的收入，很大程度上建立在软件开发需求和合格工程师供给之间的关系上。
AI 改变的正是这个关系。
当代码生成成本不断下降，企业需要购买的人类编程劳动量就可能减少。
以前一个团队需要五个人完成的功能，现在也许两个人配合 AI 就能完成。
如果市场对软件的需求没有同步扩大，那么剩下三个人的工作机会就会受到影响。
而且，即便企业产出的软件增加了，也不意味着员工收入会按照同样比例增长。
生产效率提高 100 倍，不等于劳动者的工资提高 100 倍。
新增价值如何分配，取决于市场竞争、劳动者的议价能力、产品的商业价值，以及企业对资本和技术的控制。
这一点在 AI 时代尤其值得警惕。
因为模型、算力、客户资源和分发渠道，往往掌握在少数企业手中。
劳动者使用 AI 创造更多价值，但新增收益可能主要流向企业所有者、基础模型提供商，或者拥有客户渠道的平台。
更值得担忧的是，年轻人可能最先受到影响。
斯坦福大学数字经济实验室在 2026 年 8 月更新了一项研究，使用覆盖数百万美国劳动者的 ADP 薪资数据，分析 AI 对就业市场的影响。
研究发现，在 AI 暴露程度较高的职业中，22 至 25 岁年轻人的就业水平，相比低暴露职业年轻人的同期趋势，存在约 19% 的相对缺口。
经验丰富的劳动者没有出现同等程度的差距。
研究者也强调，这是一种统计关联，不能直接证明所有差距都由 AI 造成，更不能简单理解为 19% 的年轻人被 AI 裁掉。
但它揭示了一个值得注意的现象。
企业可能正在减少部分入门岗位的招聘。
为什么？
因为过去由新人承担的标准化工作，现在越来越容易交给 AI。
问题随之而来：
如果企业不再需要那么多初级工程师，未来的高级工程师从哪里来？
一个程序员通常需要经历大量真实项目，才能积累架构设计、故障处理和工程判断能力。
如果这些入门工作逐渐消失，新人的学习路径也会受到破坏。
2026 年 1 月，Anthropic 公布的一项随机对照实验发现，在特定编程学习任务中，使用 AI 辅助的参与者，后续知识掌握测试成绩平均比不使用 AI 的参与者低约 17 个百分点。
值得注意的是，AI 组并非每个人都学得更差。主动要求解释、通过提问建立理解的人，表现明显更好。
这说明 AI 能够代替部分练习，却未必自动带来相应的知识积累。
如果一个人从来没有真正理解代码，只是不断让 AI 帮自己生成、修改、运行，那么几年以后，他掌握的工程能力到底有多少？
这才是我觉得值得担心的地方。
我们可能正在进入一个奇怪的阶段：
社会越来越依赖经验丰富的人来判断 AI 的产出，但培养这种经验的传统路径，却正在变窄。
当智力不再稀缺，什么会变贵？
过去几十年，知识经济强调学历、技能、经验和专业化。
一个人投入大量时间，掌握别人不会的东西，就有机会获得更高收入。
这套逻辑成立的前提，是这些能力具有一定稀缺性。
但如果 AI 能以接近零边际成本复制越来越多的知识劳动成果，整个定价体系就会受到挑战。
举个例子。
以前一家公司需要花几十万元开发一个软件系统。
现在，借助 AI，同样的核心功能也许可以用更少的人力完成。
开发成本降低，对客户来说当然是好事。
但是，如果市场上有一百家公司都能轻松开发出类似软件，那么软件本身就会越来越难卖出高价。
一个能力越容易被复制，仅仅拥有这种能力，就越难获得超额回报。
这会影响程序员，也会影响设计师、研究员、分析师，甚至企业管理者。
那么，什么会变得更加重要？
从经济学角度看，价值会继续向那些相对稀缺、能够影响最终结果的环节转移。
例如，发现真实需求的能力。
AI 可以帮助任何人开发一个产品，却不能保证这个产品有人需要。
当所有人都能快速开发软件时，真正理解用户、找到值得解决的问题，会直接影响商业成败。
又例如，让结果变得可信的能力。
AI 可以批量生成代码、报告和研究结论，但错误也可能随之批量出现。
尤其在金融、医疗、工业和科研等高风险领域，谁能证明一个系统可靠，谁能承担部署后的责任，仍然是重要问题。
还有，接触用户并形成交易的能力。
过去，一个优秀程序员可以凭借技术壁垒获得竞争优势。
未来，即便技术门槛下降，也不代表每个人都拥有客户、品牌、信任和分发渠道。
同样的 AI 能力，有人用来制作大量没人使用的产品，有人却可以持续获得付费用户。
区别可能越来越多地体现在技术之外。
不过，也不能简单认为这些能力永远不会被 AI 取代。
问题分析可以自动化，测试验证可以自动化，市场研究和产品运营也可以不断自动化。
今天稀缺的能力，明天可能再次变得廉价。
因此，寻找一种永远无法被 AI 替代的技能，可能本身就是错误的目标。
更现实的问题是：当某个环节的成本下降之后，新的瓶颈出现在哪里？谁能够控制这个瓶颈，又由谁承担相应的风险？
AI 越强，人类越不值钱吗？
我觉得这里还有一个容易被忽视的前提。
很多人默认，AI 能做的事情越多，人类就越没有价值。
但从经济学上看，情况并没有这么简单。
一项工作的成本大幅下降，可能减少原有岗位，也可能让过去不存在的需求开始出现。
比如，软件开发成本下降之后，小企业可能开始开发自己的数字化工具，普通人也可能为非常细分的需求制作软件。
原本不值得建设的系统，因为成本下降而变得经济可行。
需求扩大，有机会创造新的就业和商业机会。
但这个过程不会自动让所有人受益。
新需求是否足以弥补旧岗位，取决于市场规模、需求弹性、技术采用速度，以及新岗位需要什么能力。
旧岗位消失和新机会出现，也往往不会同时发生。
更麻烦的是，新机会未必属于原来失去工作的人。
一个初级程序员可能因为 AI 失去岗位，而一家 AI 创业公司的创始人却因此获得更大的商业机会。
两件事可以同时成立。
社会整体生产能力提高，不代表每个劳动者的处境都会改善。
未来几年，可能会出现一个非常现实的矛盾：
人类社会越来越富有生产能力，但一部分人越来越难通过出售自己的劳动获得相应回报。
对于投资者来说，AI 是提高生产率、扩大企业利润的机会。
对于普通劳动者来说，同样的技术可能意味着更激烈的竞争、更少的入门岗位，以及工资议价能力下降。
对于消费者来说，则可能意味着更便宜、更丰富的产品和服务。
这三种身份往往同时存在于一个人身上。
你可能一边享受 AI 降低的软件价格，一边担心自己的工作被 AI 取代，同时又通过投资 AI 企业获得收益。
所以，AI 对人类经济价值的影响，最终还取决于资本所有权、收入分配机制和社会制度。
这恐怕比讨论某个职业什么时候消失更加重要。
如果 AI 比人更聪明，我们还需要努力吗？
回到尹希。
他最让我在意的，其实是采访中的另一句话。
他说，只要 AI 能找到答案，而且这个答案能够被验证，他就会很高兴。至于是不是自己想出来的，是次要的。
我很欣赏这种态度。
一个研究宇宙底层规律的人，愿意接受机器比自己更擅长解决某些问题。
因为他追求的是知识本身，而不只是证明自己的聪明。
但对于普通人，事情没那么简单。
大多数人努力学习和工作，除了想弄明白世界，还需要谋生、获得社会认可，以及改善生活。
如果 AI 可以代替一个人的专业能力，那么这个人不仅要面对收入变化，也可能要重新理解自己的价值。
过去，他可能因为擅长写代码而获得成就感。
现在，AI 比他写得更快。
过去，他可能因为掌握某种复杂知识而受到尊重。
现在，任何人打开 AI，都可以迅速获得相当深入的解释。
当职业技能不再足以证明一个人的独特性，我们该用什么定义自己？
这个问题没有简单答案。
也许将来，人类不再需要把大量时间花在重复劳动、机械计算和知识搬运上，可以把更多精力投入科学探索、艺术创造、家庭生活和个人兴趣。
但这是一种可能的结果，需要相应的经济制度和社会条件配合。
另一种可能是，AI 使少数企业和个人拥有极其强大的生产能力，而大量劳动者失去议价能力。
人类并不会因为生产力提高，就自动获得更多自由时间。
工业革命之后，人类社会确实变得更加富裕，但劳动者的权益、工作时间和收入分配，也经历了漫长的博弈与制度调整。
AI 带来的冲击，可能更快，也更直接。
因为这一次，它正在触及人类长期认为最值得骄傲的能力：思考。
写在最后
2026 年 9 月，OpenAI 曾公开披露，公司内部的编程智能体正在越来越深地参与科研工作。
研究人员每天使用多个 AI Agent 并行执行任务，编写更多代码，运行更多实验。
但 OpenAI 同时承认，在成功完成的部分复杂任务中，AI 仍然需要频繁的人工干预。
这说明，技术正在迅速发展，但真正实现高度可靠、完全自主的科研系统，还有需要跨越的障碍。
尹希的判断可能最终得到验证，也可能比现实提前许多年。
无论如何，他的经历已经提醒我们一件事。
以前，人类可以相信，只要足够努力、足够聪明，掌握足够复杂的知识，就有机会建立长期竞争优势。
现在，这种优势的持续时间正在受到挑战。
当 AI 把越来越多的智力活动变成廉价、可复制的服务，普通人需要重新思考自己的职业、收入和资产结构。
但我不认为人类应该因此停止学习。
恰恰相反，如果我们未来要判断机器生产的知识是否正确，决定哪些技术值得发展，以及这些能力应该为谁服务，就更需要有人真正理解它们。
只是这种理解，未必还能像过去那样，直接转化为高薪和稳定工作。
这才是 AI 时代最难回答的问题：
如果人类智力不再稀缺，我们该如何分配由机器创造的财富？
以及更深一层：
当机器能够替我们解决越来越多的问题，人类还愿意花多少时间，亲自理解这个世界？
—
参考资料
- The Harvard Crimson：AI Wrote A Harvard Physicist’s Most Recent Paper（2026.04.24）——尹希 100 倍编码提效、人类智力判断的原始采访。
- Terence Tao：A Severe Misalignment of AI in Mathematics（2026.09.11）——25 位菲尔兹奖得主的联署声明。
- Timothy Nguyen：A Response to A Severe Misalignment of AI in Mathematics（2026.09.19）——对联署声明的公开回应。
- Stanford Digital Economy Lab：No Widespread Displacement, but the AI Employment Gap for Young Workers Has Widened to 19%（2026.08.12）——青年就业与 AI 暴露程度研究。
- Anthropic：How AI Assistance Impacts the Formation of Coding Skills（2026.01.29）——AI 编程辅助对技能形成的实验。
- OpenAI：Research Acceleration: The View Inside OpenAI（2026.09.06）——AI Agent 对科研流程和效率的影响。
- 量子位：中科大少年班天才离职 OpenAI（2026.11.04）——尹希离职及相关背景报道。