如果一位國人 AI 工程師，技術過硬，履歷漂亮，還出身北大這樣的頂尖學府，那 ta 什麼都有可能做，就是不可能不上班。
前腳因為健康和生活是「最重要的對齊工作」，從 Thinking Machines Lab 離職的翁荔，後腳就傳出重新回到 OpenAI 上班。據公司發言人透露，她將領導一支加速內部研究的團隊，參與 OpenAI 對「遞歸自我改進
」的探索，也就是讓 AI 參與訓練、改進自己的下一代模型。
」的探索，也就是讓 AI 參與訓練、改進自己的下一代模型。
無獨有偶，她的前同事、另一位曾經 OpenAI 核心人物 Ilya Sutskever 創辦的 Safe Superintelligence，也終於從密不透風的研究中露出了一條縫。英偉達在獲得罕見的內部研究訪問後，決定向 SSI 投資，並用新一代 Vera Rubin 系統將其算力擴大一個數量級。
在獲得罕見的內部研究訪問後，決定向 SSI 投資，並用新一代 Vera Rubin 系統將其算力擴大一個數量級。
英偉達確信，SSI 過去兩年一直在推進一條不同於現有大模型路線的新研究方向。對此，Ilya 沒透露更多，只說了一句：「我們有值得擴大規模的研究。」
好奇群眾一下子更來勁了，社交媒體上出現了一篇對公開線索的逆向分析，推測 SSI 尋找的並不是下一套更大的預訓練配方，而是一種新的疊代和進化方式：讓模型不只在訓練完成後靜止不動，而是在反饋、實驗和持續學習中不斷產生更強的下一代。
這個判斷沒有得到 SSI 確認，但它與 Ilya 過去一貫的主張高度一致。他此前多次表示，單純依靠更多數據和算力的 scaling 時代正在接近邊界，AI 需要重新學會像人一樣，用較少經驗形成更深理解，並在與環境的互動中繼續成長。
這些已經相當功成名就的頭部AI人才，似乎都在看往同一個方向：怎樣讓 AI 替自己研發下一代 AI。
「自我進化」不是 AI 半夜重寫大腦
提到遞歸自我改進，很容易聯想到一個科幻畫面：AI 突然意識到自己的缺陷，直接修改神經網路權重，醒來時已經比昨天聰明十倍。
現實中的起點要樸素得多。AI 研發本來就是一條不斷循環的流水線：研究員閱讀論文和實驗記錄，提出一個假設，修改訓練代碼，排隊運行實驗，等結果出來後比較指標、尋找失敗原因，再設計下一輪方案。
今天的大模型已經可以參與其中很多環節，它能閱讀代碼庫，復現論文，編寫實驗腳本，調用算力運行測試，整理幾十組結果，分析哪一個參數可能出了問題，然後繼續修改代碼。過去一支團隊幾天完成一輪的工作，未來可能由多個智能體並行嘗試幾十條路線，再把最有希望的結果交給人類判斷。
翁荔在 7 月初發布的長文《Harness Engineering for Self-Improvement》，幾乎提前寫出了她即將負責的研究方向。她認為，近期最現實的自我改進路徑不是模型直接重寫大腦，而是讓 AI 先學會改造自己的工作環境：自動分析失敗記錄，調整上下文管理、工具調用和工作流，再通過新的實驗結果繼續優化這一套系統。更成熟的 harness 可以推動自動化研究，更強的模型又可以反過來把 harness 變得更簡單，二者形成循環。
可以推動自動化研究，更強的模型又可以反過來把 harness 變得更簡單，二者形成循環。
這也讓翁荔與 Ilya 的兩條路線出現了有趣的呼應：OpenAI 更像是在把現有研發流程逐步交給 AI，讓它先成為一名能夠工作的研究工程師；SSI 則可能試圖從更底層尋找新的學習範式，讓模型本身具備持續疊代和進化的能力。
AI 並不需要一開始就有能力直接修改自己的權重。只要它能改善訓練流程、篩選數據、設計評測，或者優化包裹在模型外面的 harness，就已經在參與製造自己的繼任者。
前者從工程循環往裡走，後者從模型機制往外走，目標都是縮短一代 AI 到下一代 AI 之間的距離。
同時，千人聯名請願放慢速度
就在大牛們想要加速押注這條路線時，行業內部出現了另一種聲音。
本周，超過 1100 名來自 OpenAI、Anthropic、Google、Meta 等公司的從業者聯署聲明，要求提前建立能夠控制「自動化 AI 研發」速度的技術與協調工具。參與者中包括 OpenAI 首席科學家 Jakub Pachocki、Anthropic 聯合創始人 Jack Clark 和 Jared Kaplan 等高級研究者——以及，Ilya 本人。
請願並沒有要求停止 AI 研究，甚至沒有否認自我改進可能帶來的價值。它擔心的是，一旦 AI 開始顯著加快 AI 研發，能力增長可能快過人類理解和控制系統的速度。
仔細想想，這種「看似矛盾」的反覆橫跳，來自於同一群人，甚至同一個人。同一時間，就可以做出兩種判斷：他們既相信自動化研究可能是 AI 下一次飛躍的關鍵，也相信一旦這條反饋迴路真正運轉，行業必須擁有在必要時減速的能力。
因為這套循環一旦形成，就與過去發布一款更強模型不太一樣。過去的進步速度最終受制於人類研究團隊。人要提出問題、安排實驗、判斷結果，進度也會因為預算、人力和組織流程停下來。
自動化 AI 研發的目標，正是逐步拿掉這些瓶頸。模型越強，越能幫助團隊更快造出下一代模型；下一代模型又會成為更好的研究員，進一步縮短下一輪研發時間。
要進步，也要控制速度
因此，儘管看似矛盾的兩股力量，其實共享同一個前提：自動化 AI 研發正在從遙遠設想變成一項具體的工程目標。
翁荔回到 OpenAI，說明遞歸自我改進已經開始獲得專門的組織和負責人；英偉達願意在看過 SSI 秘密研究後投入巨額資金和最新算力，說明新的學習路線至少已經到了值得擴大驗證的階段。
請願者要求準備剎車，也不是因為他們認為這條路線不會成功，恰恰是因為他們開始認真考慮它成功以後會發生什麼。
真正的分歧不在於 AI 應不應該幫助人類做研究。代碼生成、論文檢索和實驗自動化早已進入實驗室。而在於，當 AI 從一件提高研究員效率的工具，逐漸變成能夠自行提出方案、運行實驗、評價結果並修改下一輪流程的研究系統時，人類應該在哪些節點保留決定權。
這意味著一系列需要討論的問題：誰來設定它優化的目標？誰來判斷一次看似提高跑分的修改有沒有破壞安全邊界？當多個實驗室都處於競爭中，哪一家公司願意單獨暫停一次有效的疊代？，如果模型的研發周期真的從一年縮短到數月、數周，外部評估和內部安全團隊還能不能跟上？
AI 公司現在爭奪的早就不只是造出爆款模型，它們正在爭奪一套能夠持續製造更強模型的研發系統。
一邊是 Ilya 和翁荔這樣的頂尖研究者，希望找到新的疊代方式，讓 AI 參與自己的進化；另一邊，是同一行業里的上千名研究者要求提前準備一套減速機制。兩種立場之間，陣營隨時變化，態度也並不針鋒相對，所有人都面對著一道共同的難題：當研究工具開始加速研究本身，誰還能決定下一代 AI 應該在什麼時候到來？
