如果让人工智能来点评博士论文，还顺手预测一下作者将来的职业发展。会是什么样子？
最近，谷歌首席科学家、Gemini负责人Jeff Dean就玩了这么一出，他把自己的博士论文交给了最新的Gemini 2.0。
结果，这位AI「批评家」只花了26秒，就给出了一份相当深刻的剖析报告。
Jeff Dean用最新的Gemini 2.0 Flash Thinking Experimental 01-21分析了自己的博士论文《面向对象语言的完整程序优化》——一篇长达134,540个Token的大作。
他给Gemini的提示词非常简洁，就一句：「Please analyze this PhD thesis and give me a concise critique of things that could be improved」。（请分析这份博士论文，并就其可以改进之处给出一个简明的评价）
结果，Gemini在短短26秒内「火力全开」，给出了论文不足和改进之处的精准点评。
紧接着，DeepMind高级研究科学家Yi Tay也跟风测试，将自己长达205K个Token的博士论文《用于自然语言理解的神经架构》丢给了Gemini。
得到的评价同样「刀刀见血」，连论文作者本人都承认点评得确实到位。
两位大佬的论文在Gemini眼里，都「问题」不少。
Jeff Dean的论文被指出「需要更多理论基础」、「存在扩展性问题」以及「离线分析数据不稳定」，甚至连简历里一句「可乐瘾还挺大的，是吧？」都被AI捕捉到，并调侃了一番。
而Yi Tay的论文则被吐槽「几乎没有理论贡献」、「整体叙事结构松散」、「对模型效率的定义也不够严谨」，以及「缺乏深入分析，就知道搞基准测试」。
这评价，比他的博士导师还要「毒舌」。
就连Yi Tay自己也承认，Gemini的评价「确实如此，比我的博士导师靠谱多了」。
更令人惊奇的是，Gemini不仅能点评论文，还能「预测」职业规划。
基于Jeff Dean的论文，Gemini推断他「最有可能且成功的路径」是进入行业研究实验室（例如，谷歌研究、微软研究、IBM 研究），或者成为大型科技公司（例如，谷歌、Facebook、亚马逊）的软件工程领导/技术专家。
事实呢？
Jeff Dean的职业轨迹完美契合了Gemini的预测，他早期加入谷歌，并成为那里最有影响力的工程师之一，为MapReduce、BigTable和TensorFlow等基础技术做出了贡献。
无独有偶，谷歌DeepMind研究副总裁及深度学习负责人、Gemini联合负责人Oriol Vinyals也让Gemini预测了他的职业发展，结果也相当准确。
那么问题来了，Gemini的精准预测究竟是巧合，还是AI的又一次进化？难道AI真的能成为学术界的「算命先生」，替学术界的年轻人指点迷津？
Gemini的深度解析能力与预判
Gemini的表现并不是简单用关键词匹配或模板套用就能解释得通的。它的背后，是强大的深度解析能力和对自然语言的深入理解。
以其最新版本2.0 Flash为例，它建立在1.5 Flash的成功之上，是开发人员迄今为止最受欢迎的模型，以同样快的响应时间的同时增强了性能。
值得注意的是，在关键的基准测试中，2.0 Flash甚至优于1.5 Pro，而速度却是后者的两倍。
2.0 Flash还具有新功能。除了支持图像、视频和音频等多模态输入外，2.0 Flash现在还支持多模态输出，如原生生成的图像与文本和可控文本到语音（TTS）多语言音频混合。
它还可以本地调用工具，如谷歌搜索、代码执行以及第三方用户定义的函数。
Gemini的洞察力体现在哪里
在Jeff Dean的案例里，Gemini的表现让人感觉它像个能洞悉一切的高手。
它先是非常犀利地指出论文里一些难以察觉的弱点，比如理论基础不牢、扩展性有瓶颈、离线分析数据也不够稳定。就连那些资历深厚的研究者，有时都会忽略这些细节。
接着，Gemini还给了一个思路——可以考虑混合链接时间和全程序编译的方式，这让Jeff Dean后续的研究方向更清晰。
更有意思的是，Gemini能读懂作者在简历里那些看似随意的口吻，还忍不住调侃了几句，这种精准捕捉语言细节的能力，展现出它对自然语言的深刻理解。
整体看下来，Gemini的这种「火眼金睛」确实让人惊叹。
Yi Tay：Gemini的评价非常准确
Yi Tay的论文里动手能力超强，各种实验做得飞起，数据也是一大堆。但是有点光顾着展示酷炫的技巧，却忘了讲背后的原理。
这在深度学习刚兴起那会儿，也算是正常，毕竟那时大家都忙着「搭房子」，还没空好好研究「地基」。
再说说论文的排版。Yi Tay这篇论文，是把好几篇小论文拼凑在一起的，就像是用不同的积木搭了个城堡，虽然看起来也挺像那么回事，但仔细一看，连接的地方还是有点生硬，不够流畅。
Gemini一眼就看出了这个问题，真是「火眼金睛」。
最后，不得不提的是「基准测试」。
当时，大家都很热衷于刷纪录，就像游戏里冲排行榜一样。研究者们喜欢在各种测试集上比拼分数，分数高谁就厉害，反而忽略了模型本身的内在逻辑和原理。
Gemini毫不客气地吐槽了当时学术圈的这个怪现象！
AI预测：巧合还是趋势
Jeff Dean和 Oriol Vinyals的现实职业轨迹都验证了Gemini的预测，这无疑增强了其预测的可信度。
再结合Gemini对Yi Tay等其他研究者论文的准确评价，可以认为，Gemini的预测并非简单的巧合，而是基于对学术研究和行业趋势的深刻理解。
Gemini能精准捕捉研究者的学术风格和潜在缺陷，离不开对海量学术论文的训练。
职业预测时，Gemini会从论文中挖掘作者的硬技能和软技能，并结合学术界和工业界的热门领域，比如高并发性能调优、大规模语言模型研发、跨模态深度学习等，评估作者与这些方向之间可能发生的化学反应。
它对各大科技巨头的研究动向相当熟悉，哪些团队在钻研编译器与程序优化，哪些团队专注于大模型，一清二楚，所以能够更准确地推测作者在哪个方向或岗位会大放异彩。
不过，AI的预测固然强大，却并不意味着它无所不能。
个人的兴趣、价值观和人生目标，往往带有高度的主观性，AI很难全面掌握。
人生里还有各种机遇和挑战，时不时冒出来的偶然事件，也超出AI的范围。
Gemini是「马后炮」吗？
不过，很快就有网友质疑Gemini是否提前知道Jeff Dean的职业生涯，所以才给出如此准确的预测，认为这是一种「剧透」或「马后炮」。
确实，作为AI大佬，Jeff Dean的信息在互联网上遍地都是，Gemini从中获得这些信息并不奇怪。
但就算如此，能把他的论文内容跟后来的职业道路对应起来，也说明它有一套「读懂」和「联想」的本事。
况且，Gemini对Oriol Vinyals和Yi Tay等人的分析同样精准，也说明并不仅仅是「马后炮」。
AI与学术的未来
Gemini的出现，为学术界带来了无限的想象空间。可以预见，Gemini将成为科研人员的得力助手，极大地提高科研效率，辅助学术创新。
文献综述可以交给它，在海量论文里检索、归类并提供初步解读，让研究者更快获取新鲜信息。实验设计也能借它的力量，根据研究目标和已有文献来制定更科学的实验方案和评估指标。
论文的润色与审校更是不在话下，从语法到逻辑结构，随时提供修改建议，就像一个随叫随到的「科研小秘书」。
面对不断升级的AI工具，我们应当思考：除了「点评论文」与「预测职业」，AI是否还能为学术研究带来更深层次的革新？
有人把它当成万能搜索引擎或写作机器，「拿来主义」似乎一劳永逸。事实上，真正优秀的学术工作者应该在使用这些工具时保持清醒，批判性思维和独立创新一直都是科研的灵魂。
离开了人类学者的洞察与创造，AI 再强也只能在已有知识的范畴里打转。真正的前沿、那些从未踏足的「未知之地」，依旧需要人类去开拓。
