当AI开始制造AI

（本文作者为 15Bit，钛媒体经授权发布）

> 文 | 15Bit

刘慈欣在《乡村教师》里写过一段对话。

外星文明发现，人类没有记忆遗传，每一代都需要重新学习，却依然发展出了能够进入太空的文明。它们难以理解，这个物种怎样积累知识。

「他们没有记忆遗传，所有记忆都是后天取得的。」

答案落在一种负责跨代传递知识的人身上。

「他们叫教师。」

这个故事写出了人类进步的一项成本。前人的知识能够留下，后来的人还得花时间读懂。论文可以复制，培养一个能够继续研究的人，要经过很多年。

如果这个过程能够被大幅缩短呢？如果参与研究的智能，可以帮助制造下一代更强的智能呢？

今年9月29日，特朗普签署行政命令，要求美国行政部门在法律允许的范围内，将官方通信和非法律文件中的AI改称SI，也就是超级智能。

对照文件的定义可以看到，SI暂时仍覆盖现有法律所定义的AI。改名已经发生，超级智能是否到来，需要另外的技术证据。

相比名字的变化，我更在意AI公司正在尝试的另一件事。

让今天的AI，参与制造明天的AI。


无限自进化

过去，模型开发主要由人来推动。研究者提出方法，工程师把它写成程序，再训练、测试，根据结果决定下一次怎么改。

如今，AI开始接手其中的一部分工作。

Google的AlphaEvolve用Gemini提出候选程序，运行并评价结果，再沿着表现较好的方案继续修改。Google披露，它找到的一项优化让Gemini中的关键计算核加速23%，对应整个训练时间缩短约1%。支撑这套系统的模型，已经用到了它帮助发现的改进。

这就出现了一种值得关注的反馈关系。模型参与改善训练，改善后的训练条件，又可能帮助开发后续模型。

沿着这条关系继续走，就是RSI，递归自我改进。



理解它，可以先抓住一个问题。一次改进得到的能力，能不能让下一次改进更容易发生？如果每一轮都能提高研究效率，模型的进步速度也可能跟着变化。

这也是RSI让人不安的地方。

我们习惯了一代代人接着研究。新人学习已有知识，再尝试补上一点。AI若能承担更多研发工作，知识转化为下一项发现的过程，就可能少等一些人的成长。



但这里有一个很容易混淆的区...

15Bit | tmtpost​.com • Oct 4, 2026