structure｜1️⃣ 三级笔记、思想框架
AI 替代的不是已功成名就的辛顿，而是辛顿成为辛顿之前的那个人。当基础性认知劳动被自动化，年轻人失去的不是一份工作，而是成长为专家的阶梯。
concepts｜2️⃣ 关键概念、概念网络
context：
「可能短期内每一块钱的预算可以有更多的产出，但代价是人才管道的崩塌和长期衰退。」—— UT Austin 计算生物学家 Claus Wilke
费曼一下：人才管道是指一个学科从「入门新手」到「资深专家」的完整培养链条。在科研领域，这条管道的入口是研究生帮导师跑数据、写代码这些「基础工作」。AI 正在堵死这个入口——不是管道中间断了，是源头干涸了。
context：
正在被替代的是纯认知型任务：写代码、跑模型、做数据分析，这些曾经是研究生、博士后和初级研究人员的日常工作，现在 AI 做得更快更好。
费曼一下：写代码、跑模型、做数据分析——这些不需要动手做物理实验、不需要面对面协调、纯粹依赖大脑处理信息的任务。它们恰好是 AI 最擅长的领域，也恰好是年轻科学家的入行门票。
context：
你需要先做那些 AI 能做的事，才能学会那些 AI 做不了的事。
费曼一下：文章的核心悖论。那些被 AI 替代的「基础工作」不只是苦力活，它们同时是学徒制的训练场。你必须经历写代码调参数的过程，才能培养出提出好问题的直觉。当 AI 把这些「低级任务」做了，年轻人失去的不是劳动机会，而是学习机会。
context：
每个个体的最优解加在一起，产生了集体的最差解。短期内论文产量上升，长期看科学共同体萎缩。更多的研究，更少的研究者。
费曼一下：经典的博弈论概念在 AI 时代的新变体。每个实验室用 AI 替代初级研究员都是理性的——省钱、高效、产出更多。但当所有实验室都这么做，整个学科就没有新人进来了。个体理性导致集体灾难。
context：
这种直觉不是从课本上学的，是在无数次失败的实验和数据清洗中磨练出来的。这些直觉不能被 prompt 出来，也不能被 fine-tune 出来。
费曼一下：科学家在长期基础工作中积累的、对问题的非言语化感知能力。Hinton 能在神经网络寒冬坚持三十年，李世石能下出「神之一手」，靠的都是这种直觉。它只能通过大量实践「长」出来，不能通过训练数据「灌」进去。
agentic reading｜3️⃣ 费曼 x3