一位毕业于北大、履历光鲜的顶尖AI工程师，即便在强调健康与生活平衡的当下，似乎也难以彻底脱离职场。前Thinking Machines Lab研究员翁荔，在因“对齐工作与个人生活”离职后，近日被曝将重返OpenAI，领导一支加速内部研究的团队，专注于探索AI递归自我改进技术——即让AI系统自主参与训练并优化下一代模型。
无独有偶，OpenAI前核心成员Ilya Sutskever创立的Safe Superintelligence（SSI）也传来新动向。英伟达在获得罕见内部研究权限后，决定向SSI注资，并部署新一代Vera Rubin系统为其算力扩容十倍。据知情人士透露，SSI近两年始终在推进一条区别于主流大模型的技术路径，但具体细节尚未公开。Ilya仅在声明中表示：“我们拥有值得规模化验证的研究。”
社交媒体上，技术爱好者通过逆向分析公开线索推测，SSI可能正在探索一种非传统迭代模式：突破“预训练-微调”的固定框架，构建让模型在持续交互中自主进化的机制。这一猜想与Ilya此前观点不谋而合——他曾多次警告，单纯依赖数据与算力扩张的Scaling Law已接近物理极限，AI需发展出类似人类的“少样本深度理解”能力，并在环境互动中完成自我优化。
头部AI研究者的集体转向，揭示出行业新焦点：如何让AI成为自身进化的参与者。翁荔在7月发表的技术长文中，提出“工具链自我改进”的渐进路径：与其直接赋予模型修改神经网络权限，不如先训练其优化研发环境——包括自动分析实验失败原因、调整上下文管理策略、改进工具调用效率等。这种“工具链-模型”的双向强化循环，被认为比激进的自我重写更具现实可行性。
与OpenAI的工程化路径形成对比的是，SSI似乎试图从模型底层机制突破。有分析指出，Ilya团队可能正在设计具备元学习能力的架构，使模型能够动态调整自身学习策略，而非被动接受人类设定的训练方案。两种路线虽方法迥异，但目标一致：缩短AI代际更替周期。
然而，技术加速派的主张正遭遇内部挑战。本周，来自OpenAI、Anthropic、谷歌、meta等机构的1100余名研究人员联署公开信，呼吁建立控制自动化研发速度的技术协调机制。联署者包括OpenAI首席科学家Jakub Pachocki、Anthropic联合创始人Jack Clark等权威人物，甚至Ilya本人也位列其中。信中强调，并非反对自我改进技术本身，而是担忧能力指数级增长可能超越人类监管能力。
这种矛盾心态折射出行业深层焦虑：当AI从辅助工具升级为独立研究主体，人类将如何掌控进化节奏？传统研发模式下，进度受限于人类团队的预算、人力与组织效率；而自动化系统的理想状态，是消除所有瓶颈——更强的模型加速下一代研发，形成自我强化的闭环。这种变革虽能带来技术飞跃，却也可能使安全评估、伦理审查等机制彻底失效。
联署信提出的关键问题直指行业命门：谁应定义优化目标？如何确保性能提升不突破安全边界？在激烈竞争环境下，哪家公司会主动暂停有效迭代？当模型研发周期从年缩短至月甚至周，现有监管体系能否及时响应？这些问题揭示出自动化研发时代的核心冲突：效率追求与可控性之间的永恒张力。
当前，AI领域的竞争已从模型性能比拼，升级为研发系统效能的较量。翁荔的回归与SSI的融资，标志着递归自我改进从理论设想进入工程实践阶段；而千人联署事件则表明，行业开始严肃思考技术失控风险。在这场加速与刹车的博弈中，所有参与者都面临共同挑战：当研究工具开始反哺研究本身，人类该如何在创新与安全之间寻找平衡点？
