成本预测能说明什么，不能说明什么

消息提到，一位研究者承认一次高难度证明花费数百万美元；他回忆某模型在ARC-AGI 1上取得87.5%的分数花费约50万美元，又称如今另一系统以约20美元取得更高分数，并相信一年后每个人都能触手可及解决这一级别问题的AI。这是个人预测，素材未说明具体方法、验证状态、系统适用条件或招聘变化。

对准备进入AI辅助科研方向的求职者，更稳妥的准备不是押注“成本会降所以机会会多”，而是把时间分给两类能力：一类是会用工具，包括写提示、调用流程、检查输出；另一类是能定义问题、设计验证、解释结果为何可信。两类都要练，但后者的迁移性更强。假设同一组数据，一种做法是让AI跑出十条结论就交差；另一种是先写清要验证什么、哪些结果与已有工作矛盾、需要补哪组对照。模拟面试中，后一种更经得起追问。

面试里怎么问清团队实际怎么用AI

不要只问“你们用不用AI”。更具体的问题包括：这个岗位的交付物是模型输出、实验验证，还是方法设计？模型给出候选结果后，哪一步必须人工复核，谁对最终结论负责？过去一年有没有因为模型输出错误而返工的案例，返工发生在哪一环？新人前三个月主要参与哪部分？

这些问法不是断言面试官一定会问，而是帮你确认团队分工。读岗位描述时也要留意：如果写的是“用AI加速仿真或生成候选”，重点可能在工程流程和数据；如果写的是“验证AI结果或负责可靠性”，重点可能在领域判断与对照实验。两种要求不同，别只看“AI”两个字。

把预测当职业信号时，先做一个小核查

那位研究者的说法是个人预测，不是已验证的行业事实。把它当职业信号可以，但决策要落到可核查的团队信息：他们现在把AI放在哪个环节、谁复核、新人能否接触验证工作。若只因为“50万美元降到20美元”就认为门槛降低，可能高估了自己与岗位的匹配度。

实际可做的小建议：选一篇目标方向的论文，写一句“如果AI帮我做，我会先验证什么”，再带着这句话去问目标团队当前怎么处理类似问题。