当 AI 研发下一代 AI,人类研究员还剩下什么?|S10E36
NOV 18, 202649 MIN
/https%3A%2F%2Fcdn.fireside.fm%2Ffile%2Ffireside-images-2024%2Fpodcasts%2Fimages%2F4%2F4931937e-0184-4c61-a658-6b03c254754d%2Fcover.jpg%3Fv%3D10)
Description
如果有一天,AI 不仅能够回答问题、编写代码,还能够参与研发下一代 AI,甚至不断改进自己,人工智能的发展速度会发生怎样的变化?最近半年, RSI(Recursive Self-Improvement,递归自进化)的研究方向受到越来越多的关注。它描绘了一种可能的未来:AI 参与研发更强大的 AI,而新一代 AI 又能够进一步提升研发效率,形成持续迭代的循环。
本期节目,我们邀请到前微软亚洲研究院副院长、现中关村人工智能研究院杰出技术专家边江,一起讨论 AI for AI 和 RSI 的技术进展,以及它们可能给人工智能产业带来的深远影响。我们从 AI 如何提出研究假设、执行实验、积累经验聊起,探讨 AI 能否发现全新的算法和科学规律。当 AI 越来越擅长科学研究,人类科学家的价值究竟在哪里?所谓科研中的「品味」(Taste),是否也能够被 AI 学习?面对模型、算力和数据上的巨大差距,AI 初创公司还有哪些机会?中国团队又该如何参与这场竞争?
当 AI 开始参与创造下一代 AI,我们或许正在见证人工智能研发方式的一次重要转变。
本期人物
边江,中关村人工智能研究院杰出技术专家,前微软亚洲研究院副院长
Yaxian,「科技早知道」主播
主要话题
[00:00] 当 AI 开始研发 AI,我们距离真正的递归自进化还有多远?
让十几位研究人员与 300 多个 AI Agent 协作,在四五个月内完成一个 400B 模型的后训练,展现了 AI 参与研发带来的效率提升。
AI for AI 是利用 AI 参与人工智能系统的研发与优化,而真正的 RSI(递归自进化)意味着新一代 AI 能够反过来提升下一轮 AI 的研发能力。
从传统 AutoML 到如今的研发 Agent,大模型的知识储备、推理能力和编程能力,让 AI 有机会自主提出研究假设、执行实验,并根据反馈持续调整优化方向。
[09:46] AI 如何参与下一代大模型的研发?
从预训练的数据处理,到后训练的策略优化,再到 Agent 的执行框架,只要能够建立可验证的反馈闭环,就有机会利用 AI 提升研发效率。
以 XYZ-Aquila 的 Deep Search Agent 为例,研究人员可以带领多个 Agent,分别负责分析实验结果、提出新假设、实现优化和监控训练过程。
预训练对算力、数据和工程能力的要求较高,因此后训练和 Agent 成为资源相对有限的团队探索 AI for AI 的重要切入点。
[18:32] 从 AI for AI 到 RSI,真正的自我进化需要什么?
真正的递归自进化,不仅需要 AI 帮助研发下一代模型,还需要负责研发的 AI 系统自身能够不断进步。
AI 可以把过去实验中的成功与失败经验沉淀为 Skill 或 Memory,在下一轮研究中减少重复试错,更快找到有效的优化方向。
除了模型规模、数据和算力,下一代智能产生的速度也可能成为新的 Scaling 维度。但更高的研发效率未必会降低算力需求,大规模并行实验反而可能消耗更多计算资源。
[25:29] AI 能否发现全新的算法,甚至成为下一个爱因斯坦?
AI 有可能通过广泛探索,找到 Transformer 之外的新模型架构,但真正的科学突破是否能够通过搜索和试错实现,仍然存在争议。
从 AlphaGo 的「神之一手」到牛顿的万有引力、爱因斯坦的相对论,讨论 AI 能否突破已有知识和经验的边界,提出人类尚未想到的科学理论。
当前人类仍然负责制定大的研究方向、优化目标和资源约束,但随着 AI 积累更多科研经验,人类在具体研究过程中的作用可能逐渐改变。
[31:38] 科研中的 Taste,真的是人类不可替代的能力吗?
当 AI 的能力不断突破过去的想象,我们很难提前断言哪些能力永远属于人类,哪些能力能够被机器习得。
科研中的 Taste 往往表现为判断什么问题值得研究,而这种判断也建立在对领域知识、既有成果和研究经验的长期积累之上。
如果好的科研判断存在可以描述和验证的标准,那么 AI 也可能通过学习和反馈,逐步获得更强的科研品味。
[34:46] 大模型公司开始用 AI 研发 AI,初创公司还有机会吗?
Anthropic、OpenAI 等头部模型公司已经在利用 AI 加速自身研发,凭借基础模型、算力、数据和研发经验的积累,在通用 AI 自进化领域拥有明显优势。
初创公司的机会可能来自垂直领域独有的专业知识、数据、工具和工作流程。例如芯片设计、医药研发等领域,通用模型未必能够直接理解和完成复杂的专业任务。
对于垂直领域的 AI 公司,能否建立真正有效、持续迭代的反馈闭环,可能比单纯拥有一个更强的基础模型更加重要。
[40:07] RSI 创业公司如何找到自己的商业价值?
随着基础模型能力不断提升,部分 AI 应用公司的竞争优势正在受到挤压。仅仅掌握 AI for AI 或 RSI 的技术方法,并不意味着能够建立可持续的商业模式。
RSI 更像是一套提升研发效率的方法论。无论是开发垂直领域的 AI 系统,还是探索 AI for Science,创业公司最终都需要找到明确的应用目标和价值。
除了算力和数据,如何让 AI 更有效地提出研究假设、积累失败经验、缩小探索范围,以及不断优化研发流程,本身仍存在技术创新空间。
[45:47] 中美 RSI 竞争,中国团队的机会在哪里?
美国在算力资源、资金规模和基础模型能力方面具有优势。部分明星 AI 创业公司能够获得远高于中国同类团队的计算资源。
硅谷的创业和投资环境更愿意支持高风险、尚未明确商业回报的前沿探索,这也为 RSI 初创公司提供了发展空间。
中国团队虽然面临算力等资源限制,但仍有机会通过聚焦垂直行业和 RSI 的关键技术问题,形成具有实际价值的创新成果。
Demo Not Tell 来北京了|看产品,也一起录年终总结
上个月,我们在硅谷做了一场 Demo Not Tell。这一次,我们来到北京。
邀请你来声动活泼办公室,看看几款 AI 产品现场怎么用,再和我们一起录一期 AI 年终总结:这一年,AI 到底帮我们做成了什么?
两个半小时,我们一起做这些事:
看产品 Demo:一小时,四个产品。开发者现场演示一个具体任务,从操作到结果,也聊聊产品目前的局限。你可以提问,并投票选出自己最想试用的产品。
参与年终录制:和主播、嘉宾一起回顾这一年——哪些 AI 真正用起来了?哪些期待落空了?哪些判断被改变了?明年又值得关注什么?
当面聊聊:认识做产品的人、使用产品的人,也和节目里的老朋友见个面。
我们也在招募 AI 产品现场演示。
已上线产品和可运行的原型都欢迎。请带来一个你最想展示的任务,用 6 分钟实际操作,让大家看到它是怎样完成的,随后接受现场追问。
申请时,请提交产品链接、一段 1–2 分钟的实操录屏,以及你想演示的任务。
活动信息
时间:2026.11.29 (周日) 5:30pm~8pm
地点: 北京市东城区东雍文化园一层,声动活泼线下空间
时长:两个半小时
人数:限 30 人
观众报名:【微信搜索「声动活泼」小程序 -- 社群 -- 线下活动「Demo, not tell」】
产品演示申请:【Demo, Don’t Tell — Show What You Built!】
现场将进行录音录像,相关内容用于后续节目及视频发布。
无论你正在做 AI 产品,还是想看看这些工具究竟能做什么,都欢迎来。北京见!
幕后制作
监制:Diane
后期:迪卡
运营:George
设计:饭团
商业合作
声动活泼商业化小队,点击链接直达声动商务会客厅,也可发送邮件至 [email protected] 联系我们。
加入声动活泼
声动活泼正在招聘全职商务运营经理、早咖啡内容实习生和社群实习生,如果你也对播客行业的内容制作感兴趣,欢迎[点击招聘入口](https://eg76rdcl6g.feishu.cn/docx/XO6bd12aGoI4j0xmAMoc4vS7nBh?from=from_copylink\)
关于声动活泼
「用声音碰撞世界」,声动活泼致力于为人们提供源源不断的思考养料。
我们还有这些播客:声动早咖啡、声东击西、吃喝玩乐了不起、反潮流俱乐部、泡腾 VC、商业WHY酱、跳进兔子洞、不止金钱
欢迎在即刻、微博等社交媒体上与我们互动,搜索 声动活泼 即可找到我们。
期待你给我们写邮件,邮箱地址是:[email protected]
欢迎扫码添加声小音,在节目之外和我们保持联系。
Special Guest: 边江.


/https%3A%2F%2Fcdn.fireside.fm%2Ffile%2Ffireside-images-2024%2Fpodcasts%2Fimages%2F4%2F4931937e-0184-4c61-a658-6b03c254754d%2Fcover.jpg%3Fv%3D10)