中训练、后训练持续升温，模型快速迭代，成为 AI for AI 最佳试炼场

当模型开始参与研发下一代模型，大模型的研发方式正在发生什么样的变化？ 作者丨 高允毅 编辑丨 岑 峰 大多数科研构想，从未被充分验证。 这并不是研究者缺少灵感。恰恰相反，新的架构猜想、训练策略无时无刻不在涌现。但大多数想法，却在写不完的训练脚本、调不完的参数、排队等调度的 GPU 集群中，被无声消磨。 如果换种玩法，重构大模型研发呢？ 你只说了半句话：“我猜想这个架构或许能降低长上下文成本……” 它就能读懂前沿文献，生成候选方案，自动编写代码、调度算力、并行跑消融实验。 这正是近期讨论度很高的 AI for AI。 它不是研发工具的升级，是下一代大模型的核心命题。所有人都试图在这个赛道里，触碰人类终极智能。 01 为什么 AI for AI 是下一个十年的核心命题 过去两三年，行业最关注的是编程和数学：端到端完成复杂代码任务，推导悬而未决的数学难题。AI 由此具备了扎实的逻辑推演与代码工程落地能力。 当这些能力成熟，一个更根本的问题浮出水面：能不能把它们用回 AI 自己身上？ 2026年，“AI for AI”已经成为海外头部实验室公开的目标。 比如， OpenAI 侧重前沿理论的自动化研究，在 9 月宣布其 AI 已具备“自动化研究实习生”的能力，专门成立 RSI（递归式自我改进）团队，目标在 2028 年 3 月前实现完全自动化的 AI 研究员，让 AI 自主生成、审计高质量训练数据，接管自身研发全流程； Anthropic 侧重工程的自动化探索，在6月发布《When AI Builds Itself》报告时便披露，其内部 80% 以上的可运行代码已由 Claude 独立编写，每名工程师的产出效率提升了 8 倍。而9月曝光的最新进展中，其内部最核心的研发平台上，有30,000 个 AI Agent 同时协作，日夜不停地在数字沙盒里进行代码跑测与算法实验。 Google 内部也在加码 AI for AI 的投入，一方面，推出自进化编码智能体 AlphaEvolve，加速 Gemini 的迭代。另一方面，Google 迎来人事地震，哈萨比斯卸任 Google DeepMind CEO ， 全面转战 AGI 长期战略、全球事务以及 Isomorphic Labs 的 AI 药物研发。 此外，Google 灵魂人物 Jeff Dean 前段时间官宣离职创办 Discovery Loop，专攻自动化机器学习。短短几周内，估值就被推到了 500 亿美元，连老东家 Google 也下场投资。 国内，AI 参与 AI 研发的实践也在密集出现，而且切入的环节各不相同：面壁用 AI 编写预训练框架，智谱让 AI 搭建国产芯片上的推理基础设施。有的团队从训练框架入手，有的从推理系统入手，也有的直接研究"会进化的智能体"本身。AI 能接手的研发环节，正在一段一段被打通。 Nai