如果一位中国 AI 工程师技术精湛、履历光鲜，又出自北京大学这样的顶尖学府，那么他似乎无所不能，唯独不会选择“不上班”。刚因健康和生活是“最重要的对齐工作”从 Thinking Machines Lab 辞职的翁荔，很快传出重回 OpenAI 的消息。据公司发言人透露，她将领导一个加速内部研究的团队，参与 OpenAI 对“递归自我改进”的探索，即让 AI 参与训练并改进下一代模型。
同样引人注目的是，她的前同事、OpenAI 前核心人物 Ilya Sutskever 创办的 Safe Superintelligence (SSI)，也终于向外界透露了一丝端倪。英伟达在罕见地获得内部研究访问后，决定向 SSI 投资，并利用新一代 Vera Rubin 系统将其算力提升一个数量级。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的新路线。Ilya 未透露更多细节，仅表示：“我们有值得扩大规模的研究。”
好奇心驱使下，社交媒体上出现了一篇基于公开线索的分析文章，推测 SSI 寻找的并非下一套更大的预训练配方，而是一种新的迭代和进化方式：让模型不仅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。虽然这一判断未获 SSI 确认，但与 Ilya 过去的主张高度一致。他多次表示，单纯依靠更多数据和算力的 scaling 时代已近边界，AI 需要像人一样，用较少经验形成深度理解，并在与环境的互动中持续成长。
这些功成名就的 AI 头部人才似乎都将目光投向同一个方向：如何让 AI 替自己研发下一代 AI。
**“自我进化”并非 AI 半夜重写大脑**
提到递归自我改进，很容易联想到科幻场景：AI 意识到缺陷，直接修改权重，醒来后变得聪明十倍。但现实要朴素得多。AI 研发本就是循环流水线：研究员读论文、提假设、改代码、排队跑实验、看结果、找原因、再设计方案。如今的大模型已能参与许多环节：阅读代码库、复现论文、写脚本、调用算力、整理结果、分析参数。过去团队几天一轮的工作，未来可能由多个智能体并行尝试几十条路线，再把结果交给人类判断。
翁荔 7 月初的长文《Harness Engineering for Self-Improvement》几乎预言了她即将负责的方向。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，再通过新结果优化系统。更成熟的 harness 推动自动化研究，更强的模型反过来简化 harness，形成循环。
这让翁荔与 Ilya 的路线产生有趣的呼应：OpenAI 更像是在把现有流程交给 AI，让其成为研究工程师；SSI 则可能试图从底层寻找新范式，让模型本身具备持续迭代能力。AI 不必一开始就能改权重，只要能优化训练流程、筛选数据、设计评测或优化 harness，就是在制造继任者。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**
就在领军人物加速押注这条路线时，行业内部出现了另一种声音。本周，超 1100 名来自 OpenAI、Anthropic、Google、Meta 等公司的从业者联署声明，要求提前建立控制“自动化 AI 研发”速度的工具。参与者包括 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。
请愿并未要求停止研究，也未否认自我改进的价值，而是担心一旦 AI 显著加快研发，能力增长可能快过人类理解和控制系统的速度。仔细想想，这种看似矛盾的态度源于同一群人。同一时间，他们既相信自动化研究是关键，也相信必须拥有减速能力。因为循环一旦形成，就不同于过去发布更强模型。过去速度受制于人类团队（提出问题、安排实验、判断结果、受限于预算人力）。自动化研发的目标正是拿掉这些瓶颈。
**要进步，也要控制速度**
因此，看似矛盾的两股力量其实共享前提：自动化 AI 研发正从设想变为工程目标。翁荔回 OpenAI 说明递归自我改进已有负责人；英伟达投资 SSI 说明新路线值得验证。请愿者要求准备刹车，正是因为开始认真考虑成功后的后果。
真正的分歧不在于 AI 是否应辅助研究（代码生成、实验自动化已存在），而在于当 AI 从工具变成能自行提出方案、运行实验、评价结果并修改流程的系统时，人类应在何节点保留决定权。这意味着一系列问题：谁来设定目标？谁判断修改是否破坏安全边界？在竞争中谁愿暂停迭代？如果研发周期从一年缩到数周，外部评估和安全团队能跟上吗？AI 公司争夺的不仅是爆款模型，更是持续制造更强模型的研发系统。一边是 Ilya 和翁荔希望找到新迭代方式，另一边是上千名研究者要求准备减速机制。两种立场随时变化，但所有人都面对同一难题：当研究工具加速研究本身，谁还能决定下一代 AI 何时到来？