深耕还是刷论文，博弈论算了这笔账

以前，一篇带硬核理论结果的论文基本等于「这人真懂」。现在 AI 一开，这种信号的成本塌了，懂和不懂的人都能交出像样的稿子。学术市场最值钱的信号，突然不值钱了。麻烦在于，被冲击的两边都没有退路可退：学生的时间只有一份，导师的招聘名额也只有几个，怎么花都是赌。

一、发生了什么

10 月 26 日提交的一篇论文里，两位研究者把这个困境做成了正式的博弈模型。问题有两面：求职的青年学者，是把力气花在吃透领域上，还是借 AI 快速堆一摞论文把简历撑厚？负责招聘的一方，是偏爱论文不多但能在考察理解的面试里过关的人，还是坚持数量和面试双达标？作者把双方的所有纯策略均衡分类列清，再用学习仿真推演求职者群体和招聘方群体各自会收敛到什么行为——比如会不会全体滑向「刷数量」，或者稳定在「重面试轻数量」的新默契上。论文自己定位成一个框架：用来推理学术招聘该如何适应 AI，以及哪些做法能保住「深度理解」的价值。它点名的重灾区是数学和理论科学——这些学科的立身之本就是纸面上的定理和证明，而定理恰恰是模型最擅长批量生成的文体之一。

二、跟你有什么关系

读研读博的人：你「堆数量还是练内功」的选择，和对面招聘方的筛选策略互相锁定，单独改一边可能吃亏。带组招聘的教授：只数论文会招来会做题的人，只靠面试又可能错过产量，需要想清楚自己到底在筛什么。数学和理论方向尤其受影响——论文里点名的就是这些靠理论结果说话的学科。写论文的人都明白：AI 能帮产出，替代不了你被追问三层之后还在场的能力。评审的人也在同一条船上：连审稿都在用模型打辅助的今天，「一眼看出功力」的评审眼力本身也在贬值，整个信号链条没有哪个环节能独善其身。

三、怎么判断

1. 面试加一层「为什么」：让候选人解释结果背后的推导动机和失败路线，这类问题 AI 代笔最难糊弄。
2. 看作品看过程：让候选人现场拆一个自己论文里的关键取舍，或者复盘一条走不通的路线，比看论文列表更能测出理解深度。
3. 把出题成本算进筛选设计：仿真的意义在于提醒双方，策略是配对着稳定的——你改筛选规则，对面刷简历的行为也会跟着变，单边加码未必有效。
4. 自查你的策略是不是稳定：如果多数人在刷数量，深耕者的信号反而更稀缺；反过来也一样——博弈的最优解取决于别人怎么做。

四、三个别信的说法

「AI 时代论文没用论。」 论文仍是必要门票，贬值的只是「有论文等于有理解」这个等式，数量不再是理解的证据而已。

「面试万能。」 仿真考察的恰恰是双方策略的搭配，单方面加重面试而不调整对数量的要求，均衡未必偏向理解。

「这是学术圈自己的事。」 任何用「可交付成果」筛人的行业都在经历同样的信号贬值，招聘逻辑会先于行业规范被改写。

「均衡分析是纸上谈兵。」 恰恰相反，把「别人会怎么反应」算进决策，正是博弈论比拍脑袋强的地方——单边策略在互动局面里经常失灵。

五、一句话结论

当造假信号变得便宜，真功夫就得换一种方式被看见。

信息来源

• 关于学术投入与招聘的博弈论论文，2026-10-26 提交

功能与价格以官方公告为准。本文写于 2026 年 10 月 28 日。