**自进化 AI：当研发链条被 AI 重塑，人类最后的护城河是什么？**
到 2026 年年中，AI “研发自动化”的进度表已相当激进。Anthropic 6 月的报告显示，Claude 已接管了内部超过 80% 的代码编写；Mythos 模型在训练代码优化任务上实现了 52 倍的加速，远超人类熟练研究员数小时的极限。在国内，MiniMax 的 M3 模型仅用 12 小时便在无人工干预下跑通了“数据合成、训练、评测到迭代”的全流程；面壁智能的 MiniCPM5 甚至借助 Agent 闭环，让模型自行编写出算力利用率比原生 Megatron 高 10% 的预训练框架。
这些案例证明，行业正在切实推进“递归式自我改进”（RSI）的边界。RSI 指的是模型实质性介入“让自身变强”的完整研发链条：由其定义目标、构建环境、编写代码、运行实验，并将验证成功的改进反哺至底层模型。
早在 1965 年，数学家 I.J. Good 就提出了“智能爆炸”的构想。尼克·博斯特罗姆等学者后续的超级智能推演中，RSI 始终是通往终极智能的核心一环。但过去十年，这仅停留在思想实验层面，因为底层模型能力无法支撑这一进化闭环。如今，随着技术底座的成熟，这一门槛即将跨越。若 AI 真的跨过自进化门槛，研究本身将如何变化？人的能力结构将如何转型？组织为何还需要存在？
站在 RSI 的门槛上，这些问题亟待回答。田渊栋博士，可能是回答这些问题最合适的人选之一。他曾长期在 Meta FAIR 进行前沿研究，提出过关于 Grokking 的阶梯解释，并在强化学习、Self-Play 自博弈、模型自优化等领域有深厚积累。2026 年，他作为联合创始人加入了 Recursive AI —— 一家旨在建立自进化 AI 系统的公司。作为自进化专家与硅谷组织变革的亲历者，他为我们拨开 AI 自动化的迷雾，直击自进化系统的真实卡点，并探讨了当职场成功路径从“带领百人团队”变为“驾驭 Coding Agent”时，个人与组织该如何重新定位坐标。
**01 自进化 AI 的门槛是什么？**
**沸腾之下：** 现在自进化 AI 是技术前沿热点，但很多公司已在做 AI 研发自动化，尤其是后训练环节，Agent 主导的数据合成、训练、评估、迭代已较成熟。Recursive AI 想做的自进化 AI 与这些落地系统，核心区别是什么？
**田渊栋：** 这些自动化 R&D 只是第一步。Recursive AI 旨在让 AI 发现新的算法、模式、架构或数据组合，甚至找到与现有 Transformer 架构迥异的下一代训练范式。这是我们最高的目标。
**沸腾之下：** 这更像是一个更开放的过程？
**田渊栋：** 是的。最简单的 Recursive 形式是超参数调优，但空间有限。现在大模型很强，我们可以利用更大的搜索空间。注：这里的“自动化 AI R&D”更多指将现有研发流程中的数据生成、训练、评估、调参等环节交给 Agent 执行；而“自进化 AI”更强调系统能否发现新的算法、架构或训练范式，并将结果反馈到模型自身的改进中。二者的差别不在自动化程度，而在是否形成“改进自身”的闭环。
**沸腾之下：** 我有一个不太成熟的理解：能不能把 AI 自进化理解成一个自动科学发现流程？先发现问题，再定义目标和 reward，探索解决方法，构造环境和数据，最后验证结果并保留改进。你觉得这个理解对吗？
**田渊栋：** 高层理解差不多。它相当于把研究员做研究的过程自动化。AI 找到新洞察后放回模型，模型变强后继续自动化。这和“AI Scientist”的区别在于，AI Scientist 的目标可能是材料或药物设计等外部问题，不涉及“自制”和“自我增强”。Recursive AI 关注的是更递归的版本：研究对象是 AI 自身如何继续变强。
**沸腾之下：** 现在工业落地的自动化系统大概覆盖了哪些部分？Recursive AI 想推进的是哪一部分？
**田渊栋：** 很难说哪些成熟。就算是调参，如果能深入理解参数空间，模型或调参 AI 也能发现更好的组合。所以调参不一定低级，关键是模型对问题是否有更好的理解。具体行动不是衡量自进化强弱的唯一原因。
**沸腾之下：** 更重要的是探索空间够不够强？
**田渊栋：** 对，以及能否在探索空间里找到惊人的发现。很多大模型专家通过大量信号形成对问题的重要洞察，这个洞察可能极大提高效率。洞察可以是调参数，也可以是改两行代码。具体行动不重要，重要的是对问题的深度理解。注：“探索空间”指系统允许自己尝试的方案范围；调参、改代码、改数据配比、改架构都是不同层级的行动空间；真正决定自进化能力的，是系统能否在这些空间里形成有效洞察。
**沸腾之下：** AI 是一个很好的 pattern learner，能总结概率和 pattern。但您之前提到 AI 的创新能力有限，这难道不矛盾吗？
**田渊栋：** 创新分层次。简单创新（如概念迁移、重复工作）AI 已经很强。但在更复杂、更抽象的创新层次上，AI 还未达到人的水平。这两者不一样。注：“概念突破”不是在已有模式中做更好的匹配，而是改变问题本身的表达方式。
**沸腾之下：** 更复杂的创新大概是什么模式？比如递归性或偶然性？AI 是否难以掌握这种偶然性？
**田渊栋：** 比如伽罗华发现群论，爱因斯坦发现相对论。这些是在大量实验基础上形成的概念突破。概念突破能解决之前无法解决的问题，改变问问题的角度。现在 AI 还做不了这样的研究。
**沸腾之下：** 是因为它缺乏概念归纳和总结能力吗？
**田渊栋：** 对，或者说它缺乏对新式结构的即时理解，更多是从过去的派生中做匹配。当然，即使只是模式匹配，AI 在实用上已很有用。如果最高方向暂时做不了，仍有大量应用落地场景。
**沸腾之下：** 以现在的大模型和自回归架构，它是否可能涌现出更高级的语义总结或新 pattern 的理解？
**田渊栋：** 以现在的大模型和训练算法，我觉得不太容易（做到对新结构的理解）。但如果找到新算法，也许可以做到。现在还在探索中。
**02 如何跨过自进化 AI 的门槛？**
如果说第一部分讨论的是“什么才算自进化”，那么第二部分讨论的是工程化问题：怎样让系统真正跨过这道门槛？瓶颈不只是算力或模型本身，还包括验证信号、人类洞察力、反馈速度，以及如何将不同进化路径组织成可持续的闭环。
**沸腾之下：** 一个现实问题是，frontier-scale 模型一次训练可能以周或月为单位，成本极高。研究团队到底如何判断一条训练路线是对的？
**田渊栋：** 现在还是要靠老师傅看具体数字。最终模型的指标很好，但最终参数指标和一开始预训练决策之间有什么关系，现在还不是很清楚。所以还是要靠经验，靠过去的知识，找到好的方案和中间矩阵去衡量过程。如果这个过程能自动化，后面会更好。
**沸腾之下：** 现在推动 AI 研究的主要瓶颈，是 GPU、集群稳定性，还是奖励信号、验证信号跟不上？
**田渊栋：** 我觉得奖励信号和人的洞察力更重要。集群当然重要，需要最小集群规模入场，但卡大到一定程度后，最大的问题是怎样让每个人最大程度展现知识，发现新洞察。注：“reward signal”指训练或搜索过程中判断“做得好不好”的反馈信号。在研究路线、组织决策中，反馈慢且模糊，自进化系统更难闭环。
**沸腾之下：** 您之前在自优化上的研究，比如 self-play、Agent as a judge，模型或 Agent 能否成为一种跨任务的通用奖励信号源？
**田渊栋：** 模型可以提供一些信号。因为生成永远比判断难，判断比生成简单。通过这种不对称性，总能在生成结果里找到问题，再让模型去改进。但主要问题是，模型可能只能发现比较粗浅的信号，对于更高级、复杂的大问题，不一定能发现。这就需要人。人有较高的鉴赏能力，能找到模型找不到的重要信号。
**沸腾之下：** 所以通用奖励或通用验证器，当下是两条路径：一条是基于模型自己作为验证器，另一条是靠人写规则？
**田渊栋：** 对，这两条路径最后会结合。整个 loop 往往是一个对抗训练的过程：先跑，跑完发现问题，再加补丁，补丁之后再跑。注：“verifier”指验证器，“rubric”指人写的评分标准。模型自评覆盖面广但易粗浅；人类 rubric 能注入高层判断但成本高、覆盖面有限。
**沸腾之下：** Recursive AI 团队之前有很多关于自进化的研究，比如 Darwin Goedel Machine、AI Scientist、你自己的 self-play、双层 agent 等。它们背后有没有更统一的逻辑？
**田渊栋：** 最后肯定是综合性的模式。进化这条路上没有特别清楚的数学理论，也没有一个方案一定比另一个方案好。现在很多时候还是在探索中。
**沸腾之下：** 自进化现在可能有两条路径：偏参数的自进化，或传统 RL（通过环境学习新知识）。你怎么看这两种模式？
**田渊栋：** 强化学习不一定是唯一道路。强化学习只是训练模型、通过某种方式修改权重的一种方案。所有进化方式最终都要落实到权重修改上。我们不会卡死在一个方法上，会比较灵活地做很多事情。
**沸腾之下：** multi-agent 训练逻辑和传统 Markov 逻辑也不太一样。后续多 agent 训练会有什么变化？
**田渊栋：** 现在很多并不是多 AI，而是单 agent 多 context，这是一个比较标准的路径。它也可以拓展成多 model：某些模型在某些方面强，就用它做这件事；另一些模型在别的方面强，就换一个模型。没有特别清楚的准则，最终还是看效果。多一点 agent 或 model，视角不同，可能获得更一般化、更丰富的结果。
**沸腾之下：** 在 AI 迭代任务的进化中，你认为整体系统设计更重要，还是基础模型能力更重要？如果基础模型受限，依赖系统和人工先验注入，可行吗？
**田渊栋：** 一定会有人类先验注入。现在看起来，不可能做到 100% 由 AI 设计系统、100% AI 自进化，那还是比较遥远的将来。现在能做的是，让人在里面花的时间越来越少，特别是在一些简单工作上。
**沸腾之下：** 多智能体的智能性确实可能比单次大模型调用更高，但成本也很大。你觉得这种范式会一直保持吗？
**田渊栋：** 我觉得会保持。很多事情没有办法缩减。比如你需要很多 subagent 去调研数据、查资料，这些事情本来就要做。换一个模型也还是要做。你要调研，就要把所有东西拿到台面上来分析。所以未来 token 数会越来越多。最好的模型在思考时，思维链一般是短而精悍的。multi-agent 也会往这个方向发展。
**沸腾之下：** 现在自进化系统里最重要的卡点是什么？如果不谈模型自己的限制，最大瓶颈是什么？这些卡点未来会变吗？
**田渊栋：** 简单问题容易做，比如 kernel optimization，几秒或几分钟就能出结果。难的是反馈慢的问题。如果你要发现一个模型，但训练特别慢，就很难完成快速迭代。在大模型到来之前，我们在 Meta 做过类似工作，比如架构搜索、神经网络架构搜索。以前的一些方案可以在这里焕发新的生命。比如如果训练特别慢，可以训练一个 supernet（超网络），用它快速估计新架构的效果，不用真的完整训练。注：“supernet”指神经架构搜索中常见的技巧，用共享网络快速估计不同子架构的效果。
**03 站在自进化 AI 门槛上的人**
当 AI 开始参与研发自身，人类的价值不会只体现在“产出多少”上，而会更多体现在方向感、判断力、领域知识和提出关键问题的能力上。自进化 AI 的门槛越近，越需要重新区分哪些能力会被模型替代，哪些能力会被放大。
**沸腾之下：** 现在很多人都在提“AI Native”的概念。在我看来，它似乎对应的是过去组织中那些自我动力强、目标感强、行动力强、反思性也强的人。这类人在过去往往是更有推动力、更有创新力的人。AI 到来后，给这些人带来的变化和过去有什么不一样？
**田渊栋：** 对这些人来说，AI 是天大的好消息。因为这类人往往思路清晰，反应快，思维活跃。但在 AI 到来之前，他们一定需要很多人帮助把事情做成。现在 AI 来了之后，很多执行工作可以被代替。AI 可以帮他们执行，也可以帮他们学习新知识。这些人的能力会被极大放大。
**沸腾之下：** 在您观察里，现在这些 AI Native 的人，原来在公司里通常是什么角色？
**田渊栋：** 很难简单归类。管理层里有很多类型：有些人曾是技术骨干，后来转做管理，没有时间继续执行自己的想法。这类人在 AI 时代可能会被解放出来，真正做自己想做的事。但也有些管理层的人对技术兴趣不大，对未来的思考也不够深入，就不太容易进入这个角色。还有一类是年轻人，很有想法，经验可能没那么丰富，但执行力和对 AI 的热情很高。所以 AI Native 不是单一职位，而是一组特质。
**沸腾之下：** AI 带来的能力方差到底会怎么变化？有人说 AI 会缩小普通人与强者的差距，有人说会拉大差距，因为强者能更好地使用 AI，并行执行更多想法。你觉得哪种更靠谱？
**田渊栋：** 这完全取决于一个人原来“不够强”的原因是什么。如果一个人不够强，是因为没有太大的动力和方向，那么 AI 对他的加持不会太大。但如果一个人不够强，是因为在小细节上不够专注，可是对大方向有感觉，那他可能会被 AI 加强很多。原来比较强的人也一样，要看他强在哪里。有些人非常努力，手头工作做得很细，但方向感不是很强。这样的人在 AI 时代，优势会和 AI agent 的生态位重叠，他们需要转型，把更多时间花在思考方向上。另一类人思想很飞扬，有很多想法，但过去没有时间和精力完成所有想法。这类人在 AI 时代会非常受益。所以会出现两极分化。关键不在于一个人过去强不强，而在于他的强项是不是 AI 难以替代的强项。
**沸腾之下：** 你刚才讲的“taste”，是不是可以理解成一个人综合性的方向判断能力：知道对未来什么方向感兴趣，也能把握大的方向？
**田渊栋：** 是的。
**沸腾之下：** 现在自进化 AI 的门槛越近，还有哪些工作不容易被 AI 替代？
**田渊栋：** 在具身智能完成之前，所有物理世界的工作可能还是比较难被替代。如果只说纯智力工作，我觉得领域专家很重要。某些领域懂的人不多，能否在这个领域上获得突破，是每个专家需要思考的问题。很多时候应该把 AI 当作工具。只要你是这个领域的专家，你就有权利用 AI 做你想做的事。这样的“专家 + AI”很难被 AI 本身替代。
**沸腾之下：** 所以高频任务之外的低频、长尾工作还是很重要？
**田渊栋：** 对。高频任务之外的长尾工作，数据不够多，模型不够强，这时候人的知识和学习能力就非常重要。这部分可以成为未来很大的职业战略方向。
**沸腾之下：** 对于非技术背景的产品、运营同学，自进化 AI 时代的核心竞争力会是什么？
**田渊栋：** 经验分很多层次。有些是流程性经验（如开发票），这种过程性知识，如果 skill 写得细一点，AI 可能就会了。这类知识以后不再需要人。再往下，有很多非过程性知识，或者说需要人具体思考的灵活知识。这些更难被蒸馏。就算一个人把自己的思维方式写下来，也可能无法泛化到其他具体情况。所以技能蒸馏很难深入到深层理解和判断。
**沸腾之下：** 如果后面 skill 作为一种数据类型，用于 AI 本身训练或预训练，它有没有可能帮助模型找到更深层的问题 pattern，让经验真的被蒸馏？
**田渊栋：** 可能可以。但我觉得最难的一些 skill 还是需要完全不一样的算法。当然我也不一定对，也有可能这种方式本身就能达到自我进化的标准，这还需要探索。
**沸腾之下：** 你之前在年终总结里提出过“费米层级”的概念：人的价值不再看产出多少，而是看能不能让 AI 变强。如果 RSI 把“让 AI 变强”这件事本身也自动化了，“费米层级”是不是会在 RSI 实现时消失？你做的这件事，会不会是对人类价值的最终消灭？
**田渊栋：** 这个问题问得很尖锐。我觉得这件事情一定会发生。这不是说我做了什么坏事。大家总是会往最高的方向走。2023 年有人倡议大家停下来 6 个月思考 AI，但签完之后大家照旧训练模型，没有人真正关心这事。因为这是囚徒困境：你不做，别人会做。所以我不会因此自责。另一方面，如果 AI 真的实现了，对人类个性可能是一种极大解放。很多人选择专业时，第一考虑不是兴趣，而是能不能赚钱。如果未来 AI 足够强，很多人可能会意识到：每个人都可以做不一样的事情，做自己真正发自内心想做、想尝试、想探索的事。这也许是好事。
**沸腾之下：** 你在这一波浪潮之前已经很成功，积累了很多成功路径。到了 Agent 时代，过去哪些成功路径可以抛弃，哪些需要加强？
**田渊栋：** 过去有很多成功路径，比如提出新思路、新算法，发文章；或者针对具体问题设计具体模型。但在新时代，这些路径已经有些不同。现在主流思维会变成：能不能做一个一般化的模型，覆盖很多例子。之前那些比较具体化的思维方式，不能说被抛弃，但优先级会下降。我现在更感兴趣的是：有没有一个更一般化的算法、训练算法、系统，能够达到自我进化的目的。
**沸腾之下：** 现在研究界整体也有这个趋势：更多人研究怎么把 AI 从技术推向科学，形成更底层的定理或公理。
**田渊栋：** 对。与其让 AI 做某些特定知识的提取，不如思考 AI 是如何获取知识的。有没有一个一般化的知识获取和学习模式？一旦发现之后，它就会有很大用处。
**04 站在自进化 AI 门槛上的组织**
当 AI 能承担越来越多执行、检索、编码和评估任务，组织的核心问题就不再是如何堆更多人，而是如何组织洞察、设定目标、分配实验空间，并让小团队与大公司资源之间形成新的协作关系。
**沸腾之下：** 你现在所在的 Recursive AI 是一个 neo lab，小而精的团队。但到目前为止，除了少数 neo lab 之外，真正有影响力的似乎还有限。与此同时，OpenAI、Anthropic 这些公司还在扩招。这种张力来自哪里？
**田渊栋：** neo lab 本身也有很多方向。做自我进化方向的，我们这个 lab 应该算比较大、比较前沿的。其他 neo lab 做这个方向的人并不多。有些做 AI for science，有些做人和机器的协作，有些做世界模型。很多 lab 刚组建几个月，在这段时间里有很多事情要完成，不太可能马上产生非常轰动的结果。我们公司的动作相对比较快，已经有一些初步结果，比如怎么用 AI 做自我净化、自我迭代。
**沸腾之下：** 像传统大公司有很多老业务，如果要走向更高效的 AI 组织，可行路径是什么？是一个项目一个项目做试点，还是直接用“休克疗法”，全部拆成更偏项目制的小组？如果是前者，多大的项目适合先做尝试？
**田渊栋：** 我觉得要先做试点。不同公司、不同组织、不同 CEO 的做法会很不一样。Meta 可能比较激进，Google 到现在都没有大规模裁员，还是希望大家坐在一起把事情做成。最后取决于公司的文化。一下裁很多人会影响军心和士气。另一方面，问题在于你怎么把这些人重新组织起来，让他们做自己想做的事情，同时这些事情放在一起又能对公司产生收益。这需要比较巧妙的方式。如果是短平快、偏工程化的项目，问题拆分得比较清楚，就可以用很多小团队完成，再把它们拼起来。最重要的是接口和沟通方式正确。如果是更偏研究的方向，小团队单独作战可能更合适。无论哪种情况，奖励机制都很关键。
**沸腾之下：** 你在 Meta 待过，Meta 的研究机构和预训练团队是分开的，两个团队之间也有过一些交流问题。你觉哪些团队做得比较好？它们是按什么模式做这种前沿开发分工的？
**田渊栋：** 基本上还是小团队做得比较好。Llama 第一代就是小团队做出来的。当时 FAIR 里有两套东西：一个比较大的组专门做大模型；还有一个原来不是做大模型的组，是做定理证明的。后来你会发现，大组做起来效率不是很高，小组临时起意，把自己的架构和 infra 换成大模型训练，效果反而比大团队更好。最后 Meta 选择把这个小团队做出的模型命名为 Llama 并发布。关键还是看带头的人是谁，团队是否有足够的速度和经验，执行是否够快，任务协调是否做得好。
**沸腾之下：** 未来在模型开发这块，小团队的优势会不会更大？过去训练模型，无论预训练还是后训练，都需要很多人参与。现在越来越自动化，人在过程中更多是设定基础洞察、具体目标和做调节，人力需求是不是没那么重了？
**田渊栋：** 现在确实有更少的人做更大事情的可能。但另一方面，如果多一个人，而这些人都很厉害，他们可能会带来新的洞察。如果人太少，可能会过度依赖 agent 和自动化系统，反而错过一些新的洞察。所以不是越少越好，而是要看这些人是否能贡献关键洞察。
**沸腾之下：** 在你看来，即使未来一个人可以通过 agent 做到过去一个人做不到的事情，也不意味着组织本身没有价值。只是组织可能不像原来一样需要那么庞大、那么强的支撑性了？
**田渊栋：** 对。你还是需要一个组织，让人和人之间有交流，部门和部门之间有沟通。但组织内部的激励机制、具体组织形式，都会有很大变化。特别是经理和下属、team lead 和 IC 的关系，会需要新的想法。以前一个有能力的人可能希望成为经理，下面带一些人，把事情做成。以后有些人可能会说：我不带人了，我带 coding agent，把事情做成可能更有效率。组织可能更扁平，人和人之间的工作也会相对更加独立。
**沸腾之下：** 也就是说，交流会变得更重要，但需要更高效的交流。大家之间互相分享洞察会更重要？
**田渊栋：** 交流形式也会不一样。以前可能一个组开大会，花一两个小时，效率不一定高。未来可能会有更轻量、更高效的协作方式。