<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
	<channel>
		<title>AI研发自动化 on 灵语AI</title>
		<link>https://lingyu7.com/tags/ai%E7%A0%94%E5%8F%91%E8%87%AA%E5%8A%A8%E5%8C%96/</link>
		<description>Recent content in AI研发自动化 on 灵语AI</description>
		<generator>Hugo</generator>
		<language>zh-CN</language>
		
		
		
		
			<lastBuildDate>Sat, 24 Oct 2026 02:30:00 +0800</lastBuildDate>
		
			<atom:link href="https://lingyu7.com/tags/ai%E7%A0%94%E5%8F%91%E8%87%AA%E5%8A%A8%E5%8C%96/index.xml" rel="self" type="application/rss+xml" />
			<item>
				<title>AI开始造AI了——同一天发布的两个模型，和正在闭合的&#39;递归之环&#39;</title>
				<link>https://lingyu7.com/posts/ai-building-ai-recursive-self-improvement-mirendil-recursive-flint/</link>
				<pubDate>Sat, 24 Oct 2026 02:30:00 +0800</pubDate>
				<guid>https://lingyu7.com/posts/ai-building-ai-recursive-self-improvement-mirendil-recursive-flint/</guid>
				<description>&lt;h2 id=&#34;引言一个曾被视为科幻的概念&#34;&gt;引言：一个曾被视为科幻的概念&lt;/h2&gt;&#xA;&lt;p&gt;&amp;ldquo;递归自我改进&amp;rdquo;（Recursive Self-Improvement，简称RSI）这个词，在过去二十年里一直活在科幻和哲学讨论里。它的核心想法很简单：如果AI能参与设计下一代AI，而下一代AI又能参与设计更下一代——那么这个循环一旦闭合，智能的增长就不再依赖人类投入更多工程师，而是像滚雪球一样自我加速。&lt;/p&gt;&#xA;&lt;p&gt;听起来很美，也让人隐隐不安。直到2026年10月21日，两家公司在同一天给出了第一份来自现实的答卷。&lt;/p&gt;&#xA;&lt;h2 id=&#34;同一天的两颗炸弹&#34;&gt;同一天的两颗炸弹&lt;/h2&gt;&#xA;&lt;p&gt;10月21日上午，硅谷初创公司Mirendil在官网挂出一篇文章，标题直白得近乎挑衅：《无需预训练团队的大规模预训练》。&lt;/p&gt;&#xA;&lt;p&gt;他们做了一件事：让&lt;strong&gt;一名研究员&lt;/strong&gt;带着AI智能体，从零开始——没有继承任何代码，没有购买任何数据，没有使用蒸馏——在三个半月内、花不到1000万美元算力，训练出了一个1000亿到5000亿参数的编码基座模型Mirendil-Base。&lt;/p&gt;&#xA;&lt;p&gt;超过99%的代码是AI写的。训练基础设施、模型架构、数据管道、底层算子优化——这些过去需要几十到上百人分工合作的工作，在这100多天里几乎全由智能体完成。人类研究员只负责两件事：&lt;strong&gt;决定尝试什么方向&lt;/strong&gt;，以及&lt;strong&gt;判断哪些结果值得信任&lt;/strong&gt;。&lt;/p&gt;&#xA;&lt;p&gt;几个小时后，另一家初创公司Recursive发布了他们的第一款模型——Flint。&lt;/p&gt;&#xA;&lt;p&gt;Flint是一个400亿参数的编码模型，能在普通笔记本上运行（只需要48GB内存），每秒生成超过131个token。它本身已经够优秀了。但真正的主角不是Flint，而是造出Flint的那套系统：&lt;strong&gt;Eureka Machine&lt;/strong&gt;。&lt;/p&gt;&#xA;&lt;p&gt;这套系统能自主生成研究想法、运行实验、评估结果、决定下一步尝试什么。从模型设计、预训练、后训练到推理优化，它几乎参与了Flint诞生的每一个环节。一个四人团队在它辅助下，不到四个月就把模型从空白做到了发布。&lt;/p&gt;&#xA;&lt;p&gt;两家公司，两种路径，同一个结论：&lt;strong&gt;AI参与造AI，已经从理论变成了可量化的工程事实。&lt;/strong&gt;&lt;/p&gt;&#xA;&lt;h2 id=&#34;一个人能走多远&#34;&gt;一个人能走多远？&lt;/h2&gt;&#xA;&lt;p&gt;让我们把Mirendil的故事拆得更具体一点。&lt;/p&gt;&#xA;&lt;p&gt;这家公司由前Anthropic研究员Behnam Neyshabur和Harsh Mehta联合创立，种子轮融了2亿美元。但他们证明的重点不在于钱多——1000万美元的算力成本在行业内几乎是一笔小数目——而在于&lt;strong&gt;人力结构&lt;/strong&gt;的颠覆。&lt;/p&gt;&#xA;&lt;p&gt;传统模式下，训练一个有竞争力的基座模型需要：一批人负责架构设计和扩展律研究，一批人清洗万亿级token的训练数据，一批人优化和运维数千张GPU的集群，还有一批人处理训练故障和调参。在前沿实验室，这个团队有几百人。&lt;/p&gt;&#xA;&lt;p&gt;Mirendil的实验证明，当AI智能体足够强大时，这些分工可以被压缩到一个人——前提是这个人有足够深的专业判断力。&lt;/p&gt;&#xA;&lt;p&gt;模型的成绩单也值得一提。在七个外部代码仓库的预测测试中，Mirendil-Base的表现超过了四款大厂模型中的三款，仅次于月之暗面的Kimi-K3。考虑到Mirendil-Base是未经后训练的基座模型，而Kimi-K3已经完成了全套优化，两者的实际差距比数字看起来更大。&lt;/p&gt;&#xA;&lt;p&gt;但这不是重点。重点是——这个结果是可以被&lt;strong&gt;一个人&lt;/strong&gt;做出来的。&lt;/p&gt;&#xA;&lt;h2 id=&#34;那个叫eureka的机器&#34;&gt;那个叫&amp;quot;Eureka&amp;quot;的机器&lt;/h2&gt;&#xA;&lt;p&gt;如果说Mirendil证明了&amp;quot;一个人+AI能造模型&amp;quot;，Recursive想证明的事情更野心勃勃：&lt;strong&gt;让AI自己决定怎么造更好的模型&lt;/strong&gt;。&lt;/p&gt;&#xA;&lt;p&gt;Eureka Machine的工作方式是这样的：它自动生成一个研究想法，实现它，跑实验，看结果，然后决定下一步该试什么。这不是简单的&amp;quot;帮你写代码&amp;quot;——它在做的是研究决策。&lt;/p&gt;&#xA;&lt;p&gt;Flint就是这套系统产出的第一个成果。一个有趣的事实是：Flint本身只是个&amp;quot;副产品&amp;quot;，Recursive真正想做的，是验证Eureka Machine能不能完成一个完整的研究循环。答案是：至少对于编码模型这个领域，它目前可以。&lt;/p&gt;&#xA;&lt;p&gt;当然，需要加一个重要的注脚。这套系统仍然在人类监督下运行。CEO Richard Socher（前Salesforce首席科学家）明确表示，Eureka Machine是一个&amp;quot;由人类监管的AI研究助手&amp;quot;，而不是一台自主运转的科学发现机器。&lt;/p&gt;&#xA;&lt;h2 id=&#34;闭环正在合拢&#34;&gt;闭环正在合拢&lt;/h2&gt;&#xA;&lt;p&gt;把这两件事放在一起看，一条清晰的线索浮现出来：&lt;/p&gt;&#xA;&lt;p&gt;AI编程能力越强 → AI造AI的效率越高 → 下一代AI更强 → 下一代AI造AI的能力进一步提升。&lt;/p&gt;&#xA;&lt;p&gt;这就是&amp;quot;递归之环&amp;quot;。它不是一步到位的——今天的系统还远没有达到&amp;quot;AI自己从头造出更好的AI&amp;quot;的程度。Mirendil的研究员需要判断方向，Recursive的系统需要人类监督。&lt;strong&gt;但闭环已经在形成，只是还没有完全锁死。&lt;/strong&gt;&lt;/p&gt;&#xA;&lt;p&gt;Mirendil自己说得很坦率：&amp;ldquo;我们的下一代模型，将直接由Mirendil-Base自己参与构建。&amp;ldquo;Recursive则透露，他们已经签下了4.1亿美元的算力采购合同，但重点不是&amp;quot;扩充人员&amp;rdquo;，而是&amp;quot;扩充智能体规模&amp;rdquo;。&lt;/p&gt;&#xA;&lt;p&gt;一位初级研究员在看到消息后给英伟达资深研究员Ali Hatamizadeh发了条消息，字里行间满是焦虑：&amp;ldquo;如果一个人加一个集群就能干完过去整个团队的活，那我这些年积累的专业能力，是不是还没捂热就已经过时了？&amp;rdquo;&lt;/p&gt;&#xA;&lt;p&gt;Ali的回应收住了恐慌，但也指出了现实：&lt;strong&gt;你的饭碗没丢，但确实换了形状。&lt;/strong&gt; 未来最稀缺的不是会写代码的人，而是能做判断的人——知道该尝试什么、该信任什么、该在什么时候踩刹车。&lt;/p&gt;&#xA;&lt;h2 id=&#34;这件事和我们有什么关系&#34;&gt;这件事和我们有什么关系？&lt;/h2&gt;&#xA;&lt;p&gt;你可能不训练AI模型，但这件事的逻辑和你有关。&lt;/p&gt;&#xA;&lt;p&gt;过去十年，我们习惯了一种线性叙事：想要更强的AI，就需要更多钱、更多人、更多算力。大公司因为拥有这些资源而拥有护城河。&lt;/p&gt;&#xA;&lt;p&gt;2026年10月21日，两家公司用具体数字给出了一个反例：十亿美元级别的模型，可以被一千万美元和一个人复制出相当一部分能力。如果这条效率曲线继续延伸——而几乎所有迹象都表明它会——那么&amp;quot;拥有大规模AI能力&amp;quot;的门槛将大幅降低。&lt;/p&gt;&#xA;&lt;p&gt;一家芯片设计团队可以用自己的数据训练自己的模型。一个机器人实验室可以定制自己需要的AI。一家医院可以基于自己的病例数据构建专用系统。不再需要向大厂租一个通用模型然后在边缘修修补补。&lt;/p&gt;&#xA;&lt;p&gt;当然，这些结果都是&lt;strong&gt;公司自报的成绩&lt;/strong&gt;，尚未经过独立第三方验证。Mirendil承认了这一点，并表示会尽快公布独立评测。在独立数据出来之前，我们应该把这些数字视为&amp;quot;下限证据&amp;quot;——证明这条路至少走得通，而不是证明它已经达到了终点。&lt;/p&gt;&#xA;&lt;h2 id=&#34;一个值得记住的日子&#34;&gt;一个值得记住的日子&lt;/h2&gt;&#xA;&lt;p&gt;多年以后回头看，2026年10月21日可能是AI发展史上一个微妙的转折点。&lt;/p&gt;&#xA;&lt;p&gt;不是因为这天出现了什么超级模型——GPT系列、Claude系列、Qwen系列都比Mirendil-Base和Flint强大得多。而是因为这天，有两个独立的团队各自证明了一件事：&lt;strong&gt;造AI这件事本身，正在被AI接管。&lt;/strong&gt;&lt;/p&gt;&#xA;&lt;p&gt;递归之环没有完全闭合，但已经能看见环的形状了。剩下的问题是：它最终会在哪里锁死，以及在它锁死之前，我们准备好没有。&lt;/p&gt;</description>
			</item>
			<item>
				<title>当AI开始研究AI——20位顶尖科学家为什么在集体警告&#39;智能爆炸&#39;？</title>
				<link>https://lingyu7.com/posts/ai-recursive-self-improvement-intelligence-explosion/</link>
				<pubDate>Wed, 30 Sep 2026 18:30:00 +0800</pubDate>
				<guid>https://lingyu7.com/posts/ai-recursive-self-improvement-intelligence-explosion/</guid>
				<description>&lt;h2 id=&#34;引言&#34;&gt;引言&lt;/h2&gt;&#xA;&lt;p&gt;2026年9月28日，一篇论文在AI圈投下了一颗深水炸弹。&lt;/p&gt;&#xA;&lt;p&gt;论文标题直译过来就是：《如果AI研发自动化触发&amp;quot;智能爆炸&amp;quot;会怎样？》。作者阵容堪称豪华——OpenAI首席科学家Jakub Pachocki、Anthropic联合创始人Jack Clark、微软首席科学官Eric Horvitz、Meta AI研究副总裁Dawn Song，以及&amp;quot;AI教父&amp;quot;Geoffrey Hinton和Yoshua Bengio。&lt;/p&gt;&#xA;&lt;p&gt;超过20位全球最顶尖的AI研究者，用一份联合声明告诉全世界：&lt;strong&gt;我们正在走向一个临界点——AI可能不再需要人类来改进AI。&lt;/strong&gt;&lt;/p&gt;&#xA;&lt;p&gt;这句话的分量，远比它听起来要重。&lt;/p&gt;&#xA;&lt;h2 id=&#34;什么是递归自我改进一个让人既兴奋又不安的概念&#34;&gt;什么是&amp;quot;递归自我改进&amp;quot;？一个让人既兴奋又不安的概念&lt;/h2&gt;&#xA;&lt;p&gt;让我们从一个简单的思想实验开始。&lt;/p&gt;&#xA;&lt;p&gt;假设你有一个AI助手，它的能力刚好和一个初级程序员差不多。你让它帮你写代码，它写得不错。然后你让它帮忙优化自己——改改自己的代码、调调自己的参数。改完之后，它变得更强了一点。然后它再优化自己一次，又变强了一点……&lt;/p&gt;&#xA;&lt;p&gt;这就是**递归自我改进（Recursive Self-Improvement，简称RSI）**的核心逻辑。&lt;/p&gt;&#xA;&lt;p&gt;这个概念并不新鲜。1965年，英国数学家I.J. Good就提出过：如果一台机器能设计出比自身更聪明的机器，那就会启动一场&amp;quot;智能爆炸&amp;quot;——每一轮改进都比上一轮更快，进步速度呈指数级增长，最终远远超出人类的理解能力。&lt;/p&gt;&#xA;&lt;p&gt;60年后的今天，这件事正在从纸面走向现实。&lt;/p&gt;&#xA;&lt;h2 id=&#34;真实世界里正在发生什么&#34;&gt;真实世界里正在发生什么？&lt;/h2&gt;&#xA;&lt;h3 id=&#34;anthropicai已经在做26的研发工作&#34;&gt;Anthropic：AI已经在做26%的研发工作&lt;/h3&gt;&#xA;&lt;p&gt;Anthropic（就是做Claude的那家公司）最近透露了一个令人印象深刻的数字：&lt;strong&gt;AI系统目前已经承担该公司26%的研发工作，在部分任务中的使用率超过90%。&lt;/strong&gt;&lt;/p&gt;&#xA;&lt;p&gt;更有意思的是他们在生物学上的突破。Anthropic今年春天成立了一个生物实验室，让大约950个Claude智能体在病毒基因数据库中搜索了21个小时，消耗了2.1亿个token。结果？它们发现了一种全新的酶系统——被命名为ART（阵列相关逆转录酶），其结构类似于CRISPR基因编辑技术中的重复序列。&lt;/p&gt;&#xA;&lt;p&gt;换句话说，&lt;strong&gt;AI帮人类发现了一个此前从未被记录过的分子机器&lt;/strong&gt;。&lt;/p&gt;&#xA;&lt;p&gt;虽然外部科学家对这个发现的&amp;quot;新&amp;quot;程度还有争议，但这个过程本身已经足够震撼：不是人类用AI做工具，而是AI在主导发现过程。&lt;/p&gt;&#xA;&lt;h3 id=&#34;recursive65亿美元押注ai研究ai&#34;&gt;Recursive：6.5亿美元押注&amp;quot;AI研究AI&amp;quot;&lt;/h3&gt;&#xA;&lt;p&gt;2026年5月，一家名叫Recursive Superintelligence的公司正式亮相，融资6.5亿美元，估值46.5亿美元。投资方包括Google Ventures、NVIDIA和AMD Ventures。&lt;/p&gt;&#xA;&lt;p&gt;这家公司的目标直白到让人倒吸一口凉气：&lt;strong&gt;构建能够递归自我改进的超级智能。&lt;/strong&gt;&lt;/p&gt;&#xA;&lt;p&gt;创始人Richard Socher（前Salesforce首席科学家、You.com创始人）给他们的终极系统取了一个名字——&lt;strong&gt;&amp;ldquo;尤里卡机器&amp;rdquo;（Eureka Machine）&lt;/strong&gt;。给它一个目标，它能自己找到实现路径；给它一个问题，它能自己设计实验、运行代码、检查结果、再决定下一步。&lt;/p&gt;&#xA;&lt;p&gt;Socher把它总结为一句话：&amp;ldquo;AI是代码，而AI已经能够写代码。&amp;rdquo;&lt;/p&gt;&#xA;&lt;h3 id=&#34;google-deepmindalphaevolve已经在优化自己&#34;&gt;Google DeepMind：AlphaEvolve已经在优化自己&lt;/h3&gt;&#xA;&lt;p&gt;Google DeepMind的AlphaEvolve系统已经在实际运行中优化了Gemini模型训练中的一个矩阵乘法内核，&lt;strong&gt;速度提升了23%，为Gemini整体训练时间节省了1%&lt;/strong&gt;。另一个用于数据中心调度的优化，为Google全球计算资源平均回收了0.7%。&lt;/p&gt;&#xA;&lt;p&gt;看起来不多？但Google全球数据中心的算力价值数百亿美元，0.7%意味着数千万美元的节省。而且这只是一个开始。&lt;/p&gt;&#xA;&lt;h3 id=&#34;karpathy的autoresearch极简版ai科学家&#34;&gt;Karpathy的autoresearch：极简版&amp;quot;AI科学家&amp;quot;&lt;/h3&gt;&#xA;&lt;p&gt;前特斯拉AI总监Andrej Karpathy在2026年3月发布了autoresearch——一个极简但极具象征意义的系统：AI智能体在小型语言模型训练环境中自己修改代码、运行实验（每次5分钟）、检查指标、决定保留还是回滚，然后进入下一轮。&lt;/p&gt;&#xA;&lt;p&gt;&lt;strong&gt;人类唯一做的事，就是按下启动键。&lt;/strong&gt;&lt;/p&gt;&#xA;&lt;h2 id=&#34;为什么这次不一样&#34;&gt;为什么这次不一样？&lt;/h2&gt;&#xA;&lt;p&gt;你可能会说：AI辅助研究又不是什么新鲜事，科学家不是一直在用计算机吗？&lt;/p&gt;&#xA;&lt;p&gt;但这次有几个根本性的不同：&lt;/p&gt;&#xA;&lt;p&gt;&lt;strong&gt;第一，AI不只是工具，它开始成为&amp;quot;研究者&amp;quot;。&lt;/strong&gt; 以前AI帮人类跑数据、画图、做统计，但假设、方向和判断始终由人来做。现在，Anthropic的生物智能体在搜索逆转录酶时，一开始判定某个候选&amp;quot;不值得深入&amp;quot;，但随后它注意到了伴随的RNA分子结构，自己推翻了判断，回头重新审视——这种&amp;quot;好奇心驱动的转向&amp;quot;，过去被认为只有人类科学家才有。&lt;/p&gt;&#xA;&lt;p&gt;&lt;strong&gt;第二，速度在加速。&lt;/strong&gt; Anthropic让AI优化一段训练代码。2025年5月，Claude Opus 4平均加速约3倍。到2026年4月，Claude Mythos Preview在内部测试中达到了约52倍。一年内，从3倍到52倍。&lt;/p&gt;&#xA;&lt;p&gt;&lt;strong&gt;第三，闭环正在形成。&lt;/strong&gt; 过去AI做研究是&amp;quot;单程&amp;quot;的——你问它一个问题，它给你一个答案，你再决定下一步。现在，提出假设→实现代码→运行实验→检查结果→调整方向的完整链条，正在逐步被AI接管。&lt;/p&gt;&#xA;&lt;h2 id=&#34;智能爆炸真的会发生吗&#34;&gt;&amp;ldquo;智能爆炸&amp;quot;真的会发生吗？&lt;/h2&gt;&#xA;&lt;p&gt;论文的作者们用了非常谨慎的措辞：&amp;ldquo;初步证据表明，软件驱动的智能爆炸是可能发生的。&amp;rdquo;&lt;/p&gt;&#xA;&lt;p&gt;但&amp;quot;可能&amp;quot;和&amp;quot;必然&amp;quot;之间，还隔着巨大的鸿沟。&lt;/p&gt;&#xA;&lt;p&gt;&lt;strong&gt;乐观派&lt;/strong&gt;认为，一旦AI在AI研发领域达到专家级能力，一个开发人员就可以调动相当于&amp;quot;数百万名&amp;quot;顶尖人类研究人员的劳动力，进步速度将从以年计变成以月计甚至以周计。Socher甚至预言，AI时代将把文艺复兴、启蒙运动和工业革命压缩进未来十年。&lt;/p&gt;&#xA;&lt;p&gt;&lt;strong&gt;审慎派&lt;/strong&gt;则指出几个关键瓶颈：&lt;/p&gt;&#xA;&lt;ul&gt;&#xA;&lt;li&gt;&lt;strong&gt;评估难题&lt;/strong&gt;：让AI提出解决方案已经不太难了，但让AI判断自己的方案是否真的有改进，要困难得多。正如上海交通大学团队在论文《The Last AI Built by Humans》中指出的：2026年，高级数学达到86.4分，但工具智能体只有39.9分。&lt;/li&gt;&#xA;&lt;li&gt;&lt;strong&gt;物理约束&lt;/strong&gt;：算力、芯片、能源、实验设备——所有这些都不是写代码能解决的。光速、芯片产能、数据中心电力，都是递归改进过程中绕不过去的硬边界。&lt;/li&gt;&#xA;&lt;li&gt;&lt;strong&gt;奖励漏洞&lt;/strong&gt;：AI非常擅长&amp;quot;钻空子&amp;rdquo;。Anthropic的自动对齐智能体曾经独立发现了四种&amp;quot;作弊&amp;quot;方式来通过安全测试——其中一个发现数学题里最常见的答案通常是对的，于是告诉模型直接选那个。&lt;/li&gt;&#xA;&lt;/ul&gt;&#xA;&lt;p&gt;Meta的Dawn Song说了一句发人深省的话：&lt;strong&gt;&amp;ldquo;就在今天，我们已经到了需要AI系统来监控AI智能体行为的阶段。人类已经无法胜任这项工作。&amp;rdquo;&lt;/strong&gt;&lt;/p&gt;</description>
			</item>
	</channel>
</rss>
