如果一位国人 AI 工程师，技术过硬，履历漂亮，还出身北大这样的顶尖学府，那 ta 什么都有可能做，就是不可能不上班。

前脚因为健康和生活是「最重要的对齐工作」，从 Thinking Machines Lab 离职的翁荔，后脚就传出重新回到 OpenAI上班。据公司发言人透露，她将领导一支加速内部研究的团队，参与 OpenAI 对「递归自我改进」的探索，也就是让 AI 参与训练、改进自己的下一代模型。

无独有偶，她的前同事、另一位曾经 OpenAI 核心人物 Ilya Sutskever 创办的 Safe Superintelligence，也终于从密不透风的研究中露出了一条缝。英伟达在获得罕见的内部研究访问后，决定向 SSI 投资，并用新一代 Vera Rubin 系统将其算力扩大一个数量级。

英伟达确信，SSI 过去两年一直在推进一条不同于现有大模型路线的新研究方向。对此，Ilya 没透露更多，只说了一句：「我们有值得扩大规模的研究。」

好奇群众一下子更来劲了，社交媒体上出现了一篇对公开线索的逆向分析，推测 SSI 寻找的并不是下一套更大的预训练配方，而是一种新的迭代和进化方式：让模型不只在训练完成后静止不动，而是在反馈、实验和持续学习中不断产生更强的下一代。

这个判断没有得到 SSI 确认，但它与 Ilya 过去一贯的主张高度一致。他此前多次表示，单纯依靠更多数据和算力的 scaling 时代正在接近边界，AI 需要重新学会像人一样，用较少经验形成更深理解，并在与环境的互动中继续成长。

这些已经相当功成名就的头部AI人才，似乎都在看往同一个方向：怎样让 AI 替自己研发下一代 AI。

「自我进化」不是 AI 半夜重写大脑

提到递归自我改进，很容易联想到一个科幻画面：AI 突然意识到自己的缺陷，直接修改神经网络权重，醒来时已经比昨天聪明十倍。

现实中的起点要朴素得多。AI 研发本来就是一条不断循环的流水线：研究员阅读论文和实验记录，提出一个假设，修改训练代码，排队运行实验，等结果出来后比较指标、寻找失败原因，再设计下一轮方案。

今天的大模型已经可以参与其中很多环节，它能阅读代码库，复现论文，编写实验脚本，调用算力运行测试，整理几十组结果，分析哪一个参数可能出了问题，然后继续修改代码。过去一支团队几天完成一轮的工作，未来可能由多个智能体并行尝试几十条路线，再把最有希望的结果交给人类判断。

翁荔在 7 月初发布的长文《Harness Engineering for Self-Improvement》，几乎提前写出了她即将负责的研究方向。她认为，近期最现实的自我改进路径不是模型直接重写大脑，而是让 AI 先学会改造自己的工作环境：自动分析失败记录，调整上下文管理、工具调用和工作流，再通过新的实验结果继续优化这一套系统。更成熟的 harness 可以推动自动化研究，更强的模型又可以反过来把 harness 变得更简单，二者形成循环。

这也让翁荔与 Ilya 的两条路线出现了有趣的呼应：OpenAI 更像是在把现有研发流程逐步交给 AI，让它先成为一名能够工作的研究工程师；SSI 则可能试图从更底层寻找新的学习范式，让模型本身具备持续迭代和进化的能力。

AI 并不需要一开始就有能力直接修改自己的权重。只要它能改善训练流程、筛选数据、设计评测，或者优化包裹在模型外面的 harness，就已经在参与制造自己的继任者。

前者从工程循环往里走，后者从模型机制往外走，目标都是缩短一代 AI 到下一代 AI 之间的距离。

同时，千人联名请愿放慢速度

就在大牛们想要加速押注这条路线时，行业内部出现了另一种声音。

本周，超过 1100 名来自 OpenAI、Anthropic、Google、Meta 等公司的从业者联署声明，要求提前建立能够控制「自动化 AI 研发」速度的技术与协调工具。参与者中包括 OpenAI 首席科学家 Jakub Pachocki、Anthropic 联合创始人 Jack Clark 和 Jared Kaplan 等高级研究者——以及，Ilya 本人。

请愿并没有要求停止 AI 研究，甚至没有否认自我改进可能带来的价值。它担心的是，一旦 AI 开始显著加快 AI 研发，能力增长可能快过人类理解和控制系统的速度。

仔细想想，这种「看似矛盾」的反复横跳，来自于同一群人，甚至同一个人。同一时间，就可以做出两种判断：他们既相信自动化研究可能是 AI 下一次飞跃的关键，也相信一旦这条反馈回路真正运转，行业必须拥有在必要时减速的能力。

因为这套循环一旦形成，就与过去发布一款更强模型不太一样。过去的进步速度最终受制于人类研究团队。人要提出问题、安排实验、判断结果，进度也会因为预算、人力和组织流程停下来。

自动化 AI 研发的目标，正是逐步拿掉这些瓶颈。模型越强，越能帮助团队更快造出下一代模型；下一代模型又会成为更好的研究员，进一步缩短下一轮研发时间。

要进步，也要控制速度

因此，尽管看似矛盾的两股力量，其实共享同一个前提：自动化 AI 研发正在从遥远设想变成一项具体的工程目标。

翁荔回到 OpenAI，说明递归自我改进已经开始获得专门的组织和负责人；英伟达愿意在看过 SSI 秘密研究后投入巨额资金和最新算力，说明新的学习路线至少已经到了值得扩大验证的阶段。

请愿者要求准备刹车，也不是因为他们认为这条路线不会成功，恰恰是因为他们开始认真考虑它成功以后会发生什么。

真正的分歧不在于 AI 应不应该帮助人类做研究。代码生成、论文检索和实验自动化早已进入实验室。而在于，当 AI 从一件提高研究员效率的工具，逐渐变成能够自行提出方案、运行实验、评价结果并修改下一轮流程的研究系统时，人类应该在哪些节点保留决定权。

这意味着一系列需要讨论的问题：谁来设定它优化的目标？谁来判断一次看似提高跑分的修改有没有破坏安全边界？当多个实验室都处于竞争中，哪一家公司愿意单独暂停一次有效的迭代？，如果模型的研发周期真的从一年缩短到数月、数周，外部评估和内部安全团队还能不能跟上？

AI 公司现在争夺的早就不只是造出爆款模型，它们正在争夺一套能够持续制造更强模型的研发系统。

一边是 Ilya 和翁荔这样的顶尖研究者，希望找到新的迭代方式，让 AI 参与自己的进化；另一边，是同一行业里的上千名研究者要求提前准备一套减速机制。两种立场之间，阵营随时变化，态度也并不针锋相对，所有人都面对着一道共同的难题：当研究工具开始加速研究本身，谁还能决定下一代 AI 应该在什么时候到来？

本文来自微信公众号“APPSO”，作者：发现明日产品的