如果你正在考虑要不要读 PhD，我很希望你能看看这篇。作者回顾了自己从 2023 到 2026 的博士经历。当年一起申请 PhD、坚持做 ML Theory 的朋友，短短三年几乎全转去了 LLM。她自己也从喜欢「一支笔、一本书、一个证明看很多天」，慢慢进入了完全不同的研究节奏。我很喜欢这篇的一点，是它没有把读博写得很浪漫。 PhD 真的是一段很长、也很消耗人的旅程。你可能会失去一些原本很喜欢的东西，经历换方向、就业焦虑、比较、失败…

一句话看懂：一篇复盘 2023 到 2026 年博士经历的长文在社交平台引发关注：作者身边坚持机器学习理论方向的朋友几乎全部转向大模型（LLM），她自己的研究节奏也被彻底改变。这不是招聘或产品新闻，而是 AI 热潮如何重塑研究人才流向的一手观察。

事件核心：发生了什么

X 用户 @Xudong07452910 推荐了一篇题为「My PhD Grind」的博士自述文章，作者 jinyansu1 回顾了自己 2023 年至 2026 年的读博历程。文章给出的一个具体观察是：2023 年一起申请 PhD、并在机器学习理论方向上坚持的朋友，到 2026 年几乎全部转向了 LLM 相关研究。作者本人也从享受「一支笔、一本书、一个证明推很多天」的理论工作方式，进入了一种节奏完全不同的研究状态。

文章同时写到读博的代价与收获：换方向、就业焦虑、同行比较、实验失败，三四年前坚定的自己后来可能变成另一个人；但也会学到与长期不确定性共处，重新认识自己，并逐渐形成独立判断。目前公开信息显示，这些描述来自个人经历，并非针对某一机构或项目的调查数据。

为什么重要

机器学习理论曾经是博士生进入学术界的重要路径，产出形式是证明与论文；而当下大模型方向同时拥有算力、数据、工程岗位和相对明确的就业出口，人才自然向那里集中。这种迁移不只发生在工业界实验室，也发生在博士培养阶段，意味着未来几年理论方向的供给可能进一步收缩。

更值得注意的是作者的判断：即便 AI 已经能帮忙读论文、写代码、跑实验，甚至承担越来越多研究工作，PhD 依然有不可替代的部分——那些真正留下来的能力，很多本来就不在代码和实验里。对正在做技术路线选择的人来说，这是一个关于「研究方向与个人适配度」而非「哪个方向更热」的提醒。

对用户/开发者/创作者的影响

对开发者而言，理论背景人才向 LLM 集中，短期内会让大模型训练、推理优化、评测等岗位的竞争更激烈，同时基础理论岗位的招聘难度上升。对创业者和企业采购方，这意味着可用的人才画像更偏向工程与落地，做底层算法创新的团队需要更早规划人才来源。对内容创作者，这篇自述的价值在于提供了可引用的真实样本：它不鼓吹读博，也不唱衰，而是把「换方向、就业焦虑、长期不确定性」这些常被省略的成本摆到台面上。