给非AI研究者的发顶会指南：如何用你的专业知识在AI论文中署名
Published:
坦率的讲，你不需要懂任何大模型底层的原理，只要你是一个真的懂行的领域专家，你现在就能在顶级 AI 论文上署名。
事情是这样的。这两天我一直在琢磨一个问题，像我现在在 UT Austin 读地球科学的 PhD，对 AI Agent 很感兴趣，但毕竟不是正儿八经搞深度学习出身的。那有没有什么办法，是简单免费、只需要付出时间，就能确定性地发 AI paper 的？
我去跟 Gemini 聊了聊，结果给我一下子整不会了 = =
我发现现在的 AI 圈子，其实面临着一个巨大的瓶颈，他们极度缺乏高质量、人类原创的、具有挑战性的数据。你想想看，模型越来越强，现在缺的不是算力，是能难倒最强 AI 的题目。这需要各行各业的领域专家，而不仅仅是那些懂 Transformer 架构的人。
这玩意在圈子里有个专门的词，叫「众包评测」或者叫社区主导研究。
顺着这个思路，我整理了几条对于非 AI 专业的硬核专家来说，最可行的几条路。我自己也还在摸索，可能有小伙伴纳闷这到底靠不靠谱，但我自己梳理完是觉得太特么赤鸡了。
这块需要注意一下，我就不扯那些虚的了，直接上干货。
第一条路，去参加顶级的众包基准测试项目。
最近圈子里有个特别火的项目叫 Humanity’s Last Exam。这名字听着就有点中二对吧，但人家是 Center for AI Safety 联合 Scale AI 搞的。他们现在的要求是征集研究生水平的高难度问题。
如果你能在你的专业领域，比如我就在地学或者环境建模这块，出一道只有这个领域的专家才能看懂、而现在的 AI 一定会做错的题目。只要你的题目通过了同行评审被收录了，你就能作为共著者列入最终的 Technical Report 或者 Paper 里。
这就是确定性。除了这个，还有 Meta 牵头的 GAIA，专门考 AI 在现实世界任务里的执行能力，还有专门针对很难被 Google 搜出答案的科学问题基准 GPQA。
第二条路，利用你的专业壁垒，主动出击去建 Benchmark。
很多朋友可能不知道，现在 AI 社区其实特别渴望垂直领域的评估数据。像 NVIDIA 的 Earth-2 或者是 Google 的 GraphCast，这些大厂都在搞气象和地学的大模型。
我自己的感受是，如果你在 GitHub 上找到那些正在开发中的特定领域大模型，主动提议说，哥们我来帮你们建一个评估基准数据集。你能提供高质量的标注数据，人家通常会非常乐意把你放进作者名单的前列。这比你自己去从头训一个模型要容易得多，而且价值巨大。
第三条路，去混硬核的开源研究社区。
大家也都知道 EleutherAI 这种去中心化的 AI 研究组织。如果你跑到他们的 Discord 频道里，展现出你对某个特定领域，比如地学 AI 的深刻理解，又能提供一些他们急需的数据支持，是非常容易被拉进论文小组的。这其实就是一种用你的专业知识入股的方式。
说到这个，如果你不想只是为爱发电，科研界其实也有成熟的智力变现渠道。
我顺手查了一下现在的科研外包生态系统。像 Kolabtree 或者是 ScienceExchange 这种平台，专门给有博士学位的独立专家提供「零工经济」的平台。这就不是去发水文了，而是实打实地解决生物统计、临床试验或者是你所在领域的专业问题。你的知识资产在这些数字化采购平台上，是有明确标价的。
这其实说明了一个很有意思的现象。在这个大模型满地跑的时代，很多人的焦虑是自己会不会被取代。但你想想看，当 AI 越来越趋同，所有的模型都学过了互联网上的公开数据之后，真正稀缺的是什么？
是你脑子里那些没有被写进维基百科的经验。是你作为在这个行业里摸爬滚打了好几年的专家，所独有的直觉和那些极其刁钻的问题。
机器可以生成一万篇看似通顺的综述。
但它造不出一道只有地质学家才知道哪里有坑的题目。
这尼玛就是我们这些普通人的机会。磨平一些信息差。
如果你也心动了，今天就可以去关注一下 Center for AI Safety 的官网或者推特，他们经常发专家的招募。挑一个你最擅长的领域，写一道你觉得能把 AI 难住的题。
别管能不能中，先试了再说。