指導教授去了前沿實驗室，剩下的研究生誰來帶

問題是什麼

光是2026年一年，就有22位教授從史丹佛、柏克萊和哈佛轉入OpenAI、Anthropic、Meta與Google DeepMind。分布相當平均：OpenAI六位、Anthropic五位、Meta六位、DeepMind五位，另有五位宣布秋季學期離任。在哈佛SEAS，與計算機科學相關的43位終身職軌教授中，有12位在最近五年內兼任或擔任過產業界職位。

報導通常停在離職本身，很少寫留下來的人。一位教授離開時，手下往往有三到五名已經寫了三到六年論文的研究生。研究題目來自這位教授的興趣，實驗環境與資料權限也綁在那個實驗室。系上會指派一位暫代指導教授，但這位教授多半屬於另一個領域，無法在實質層面審查學生的工作。

現實中這個空缺靠人情填補。離職的教授出於善意繼續開視訊，或是從前的博士後非正式地幫忙看稿。沒有合約，沒有報酬，也沒有紀錄。於是只有人脈好的學生撐得下來，一旦關係中斷，學生要嘛推翻題目重來，要嘛畢業延後一到兩年。系上甚至沒有統計這項損失。

為什麼是現在

這波遷移已經從個人選擇變成結構現象。訓練前沿模型需要數億美元等級的GPU叢集，學界與產業之間的算力差距成了峽谷，資深研究者的薪酬差距則是倍數等級。短期內這兩道差距都沒有收窄的理由。

同時，產業這一側也出現了付費的理由。實驗室在博士層級招募上的瓶頸不是投遞量，而是判別。一份論文清單看不出真實的研究執行力。共同指導讓實驗室在數個月內直接觀察候選人的思考方式，從招募角度看是有價格的。事實上現在已經有實驗室研究者私下在帶校外學生，只是沒有報酬。

遠距研究協作也早已成為慣例。程式碼放在GitHub，實驗跑在共享叢集，討論走視訊，這套方式在疫情之後成了標準。認為指導必須面對面的反駁，已經不像五年前那樣有力。

怎麼構建

起點不是媒合，而是合約。產業界研究者帶學生時真正的障礙不是時間，而是所屬機構的兼職與智慧財產權規定。提供一份標準的共同指導協議，事先寫清每週時數上限、掛名規則、智財歸屬與保密範圍，光是這一項就能大幅降低進入摩擦。這份範本就是早期產品的核心資產。

MVP要收窄。只選一個領域，例如機器學習系統，招募30位最近兩年轉入產業界的研究者與50位指導斷線的研究生。媒合不用演算法，由人工完成。每次一小時，隔週一次，以三個月為一個週期。成功指標不是滿意度，而是這段期間提交的論文數量與通過的口試節點。

不要向學生收費。指導斷線的研究生是整條鏈路上支付能力最弱的一環。可能的付費方有三類：不想流失學生的系所、買招募管道的產業實驗室、把研究連續性寫進條件的補助機構。因此從第一天就要收集成果資料，好把試辦結果攤在這三方面前。

flowchart LR
  A[轉入產業界的研究者] -->|標準兼職合約| B[共同指導媒合]
  C[指導斷線的研究生] --> B
  B --> D[隔週一次，持續三個月]
  D --> E[論文提交、節點通過]
  E --> F[系所、實驗室或補助機構付費]

成功條件

有兩個關鍵假設。第一，付費之後產業界研究者是否願意撥出時間。已經有人無償在做，這算弱證據，但規模一大，雇主的兼職核可就會成為瓶頸。先和一家大型實驗室的法務談定範本，這個問題很快就能判明。

第二，系所會把這件事看成外部侵入還是求援。流失學生是指標上的損失，但把指導交給外人也是權威問題。嚴格定位為輔助指導、絕不觸碰學位評定權，是早期活下來的條件。