当 AI 研发下一代 AI,人类研究员还剩下什么?

发布时间 2026-11-18
来源 What's Next|科技早知道
字数 3,397 字
反馈

这期主要在讲什么

这期请到前微软亚洲研究院副院长边江,聊 AI for AI 和 RSI(递归自进化)的技术进展:AI 怎样参与提出假设、做实验、积累经验,进而研发下一代 AI。节目也讨论了 AI 能否发现新算法、人类科学家的「品味」能不能被学习,以及初创公司和中国团队在这场竞争里的位置。

核心知识点

  • AI for AI 是用 AI 参与 AI 系统的研发与优化,真正的 RSI 则是新一代 AI 反过来提升下一轮 AI 的研发能力。
  • 只要建立起可验证的反馈闭环,预训练数据处理、后训练策略优化和 Agent 执行框架都有机会用 AI 提升效率,后训练和 Agent 是资源有限团队更现实的切入点。
  • AI 可以把实验中的成功与失败经验沉淀为 Skill 或 Memory,减少重复试错;研发效率本身也可能成为新的 Scaling 维度,但未必降低算力需求,大规模并行实验反而可能更耗算力。
  • AI 有可能通过广泛探索找到 Transformer 之外的新架构,但能否靠搜索和试错实现真正的科学突破仍有争议。
  • 科研 Taste 表现为判断什么问题值得研究,它建立在领域知识和研究经验的长期积累上;如果好的判断存在可描述、可验证的标准,AI 也可能逐步习得。
  • 头部模型公司凭基础模型、算力、数据和研发经验在通用自进化上占优,初创公司的机会更可能在垂直领域的专业知识、数据和工具,以及能否建立持续迭代的反馈闭环。

值不值得听

想了解 AI 参与 AI 研发这一前沿方向、又关心它对科研和创业意味着什么的人,值得一听。