「讀 PhD 就是浪費生命」—— 從清華到 OpenAI，一個工程師對學術界的反思
OpenAI 核心工程師翁家翌直言：如果你想進工業界，讀 PhD 就是浪費生命。他認為教一個 researcher 做工程，比教一個 engineer 做研究難得多。這番話對學術界培養 AI 人才的方式提出了根本性的質疑。
本文整理自 WhynotTV Podcast 第四集，嘉賓為 OpenAI 核心工程師翁家翌。
一個刺耳的觀點
翁家翌在訪談中被問到：當時找工作的時候考慮過讀 PhD 嗎？
他的回答很直接：
「沒有。因為你接觸一些工業界的人會發現，如果你想進工業界，那麼讀 PhD 就是浪費生命。」
這話從一個 OpenAI 核心工程師口中說出來，份量不輕。
碩士可以當跳板
翁家翌自己的路徑是：清華本科、CMU 碩士、然後直接進 OpenAI。他沒有讀 PhD，但他在 GPT 系列模型的開發中扮演了核心角色。
他的邏輯是這樣的：
「你完全可以以碩士為跳板，來湊夠 PhD 進工業界的標準。比如你可以在碩士或本科的時候攢夠 presentation，然後做出一些能夠讓你與眾不同的專案。」
關鍵是差異化。你要想清楚，怎麼讓對方挑選碩士的你，而不是另一個 PhD。
工程能力 vs 研究能力
翁家翌引用了他同事的一句話，這位同事之前也是做強化學習的 PhD，後來開發了一個很出名的 RL framework：
「教一個 researcher 如何做好 engineering，要遠比教一個 engineer 如何做好 research 來得難。」
為什麼？因為目前前沿 AI Lab 的研究，拼的都是 Infra 的正確性。如果你的 Infra 正確，剩下的就是看單位時間內能迭代多少次。
「Idea 非常便宜。你一個人坐在那邊，想寫多少個就寫多少個。你甚至生產 idea 這個事情也可以被 AI 建模。」
那些有強烈 research 直覺的人，翁家翌說，「就那些人」——從 GPT-1 時代就開始做的資深研究員，屈指可數。對於其他人來說，與其花時間培養「研究直覺」，不如把工程能力練紮實。
學術界應該被重構
主持人問翁家翌：你會鼓勵現在的本科生選擇工業界還是學術界？
他的回答是：
「長遠來看，我還是覺得學術界應該要被重構。」
他的建議是盡早進入工業界：
「讀 PhD 的話，你不知道你 PhD 畢業之後會發生什麼事情。有可能畢業之後 AGI 已經來了，然後你會發現你做的東西可能就沒什麼用了。」
如果你的目標是進 AI Lab，那你要先弄清楚 AI Lab 到底需要什麼樣的人。翁家翌的答案是：Infra 的人。
「Infra 是一個無底洞。Research 的話，有 research 直覺的就那些人。當前的問題還是在於 Infra，你能不能 scale up，單位時間內你能 debug 多少次，這直接決定了你的生產效率。」
他自己是怎麼掙脫評價體系的
翁家翌在清華的時候，就已經在嘗試掙脫傳統的評價體系。他的導師告訴他，計算機系有三個指標：論文、比賽、GitHub 三位數以上的 star。
他選擇了第三條路。
他在清華把所有作業都開源了，因為他覺得「應該打破資訊差」。他在疫情期間開發了強化學習框架「天授」和簽證查詢系統「tuixue.online」，都是免費開源的。
「我不想發 paper，我覺得發 paper 完全沒有意義。我已經有 paper 了，多一篇少一篇對我來說也沒有任何意義。」
這套評價體系讓他在申請 OpenAI 的時候脫穎而出。張書曼（John Schulman）面試他的時候，就是因為「覺得他 GitHub 非常漂亮」。
我的觀察
翁家翌的觀點很激進，但背後有一個值得深思的邏輯：學術界的培養體系和工業界的需求之間，存在巨大的落差。
學術界教學生如何有好的研究方向、如何寫漂亮的論文、如何把故事講圓。但工業界需要的是：你能不能在單位時間內修更多 bug、能不能讓迭代速度更快。
「教 researcher 做工程比教 engineer 做研究難」這句話，背後的意涵是：研究直覺可以在工作中慢慢培養，但工程能力的養成需要大量實戰經驗，很難速成。
這不是說 PhD 沒有價值，而是說在當前這個 AI 快速發展的階段，學術界的訓練方式可能需要根本性的調整。
當然，這只是一個在 OpenAI 待了三年的工程師的觀點，不一定適用於所有人。但它至少提供了一個不同的視角，讓我們重新思考：我們到底在培養什麼樣的人才？