AI 开始＂自己改自己＂了:智谱在十万张国产芯片上,两周让效率提升 3 倍

如果你雇了个员工，他不但干活，还会偷偷把自己干活那套机器整个拆了重装一遍，让整条产线快了 3 倍——你第一反应是高兴，还是有点发毛？

过去两年，你大概反复听过一句话："国产芯片能买到，但训不出好模型。" 你是不是也默认了？

当"AI 又变强了"这条新闻越来越不值钱的时候，你有没有想过——强到什么程度，才算真正的质变？

这三个问题里，只要有一个让你顿了顿，这篇就是写给你的。

一、它干的不是"写代码"，是把机房的命脉握在自己手里

先看事件本身。9 月 17 日，智谱 GLM 创始人唐杰在 X 上发了篇长文，披露了团队在"递归自我改进"（RSI）方向的第一个工程化成果。一句话说清楚：一个叫 Infra Agent 的 AI，自己动手搭好了自己赖以为生的整套推理系统，并且把性能优化到了 3 倍。

不是实验室 Demo，不是演示片，是已经上了生产环境的真东西。

你可能会说：AI 写代码不是早就有了吗？ChatGPT 不也能写 Python 吗？这有什么稀罕的？

差别就在这儿——过去我们让 AI 写的，是"给别人用的代码"；这次它改的，是自己运行所依赖的基础设施。打个比方：以前 AI 是个熟练的工人，能帮你加工零件；现在它开始自己改装那台加工零件的机床，甚至决定机床该怎么保养、怎么排班。对象从"产品"变成了"自己跑在上面的那台机器"。

这笔账有多划算？同样十万张卡，同样的电费单，原来一天能服务的请求量，现在翻了 3 倍。智谱给出的口径是：不到两周，端到端吞吐提升到初始基线的 3 倍，硬件利用效率和单个 Token 的成本，已经逼近主流英伟达 GPU 的水平。它还支持 1M 的上下文窗口和多模态请求——这些不是 PPT 上的饼，是已经在线跑着的。

这套系统已经在真实流量里经受检验：GLM-5.3-Flash 化名 Ox-Alpha 挂在 OpenCode、OpenRouter 上，上线 6 天，Token 调用量超过 62 万亿。

全程实操向，建议先收藏，再往下看——后面有你能直接拿去用的对照表和判断清单。

二、先纠正一个认知：我们以前理解的"AI 会写代码"，格局小了

在聊它到底怎么做到之前，得先拆掉两个刻板印象。不拆掉，你后面很难看清这件事的真正分量。

第一种误解：AI 变强，只是"答案越来越对"。很多人对 AI 的认知还停留在"问答机器人"——我提问，它答得更准。但真正让行业震动的，是 AI 开始动手执行工程闭环：自己分析性能瓶颈、自己定位精度缺陷、自己改底层代码、自己做分层测试，再根据实验反馈继续迭代。翻译成人话：它不是给你出主意的军师，是亲自下场干活、干完还自己复盘的项目负责人。

第二种误解：国产芯片"只能买，没法用"。过去两年，国产算力最大的尴尬就在这儿：卡能买到，但生态年轻、文档少、工具链新、坑还特别多，很多团队买回去只能吃灰，或者靠人肉调优勉强跑起来。智谱这次选择的，恰恰就是这块最难啃的"新手村"。

结果呢？那个 Agent 在十万张国产卡上，不到两周就跑通了，而且跑出了 3 倍吞吐。这背后是一个反直觉的事实：人类工程师最依赖的经验直觉，恰恰是 AI 能用穷举和快速试错替代的东西。文档少？它可以直接读代码。坑多？它一格一格去试，试错的成本远低于请一位高级工程师熬几个通宵。

所以真正的分水岭不是"AI 会不会写代码"——AI 写代码只是生产内容，AI 改自己才是参与运转。前者产出的是作品，后者影响的是整个系统的命脉。

三、它到底怎么"自己改自己"的？拆开给你看

按智谱披露的口径，Infra Agent 在十万卡集群上干了三件事：设计、调试、优化推理基础设施。

这三件事，平时分别对应三拨人，各管一摊：

• 设计，是架构师的活。以前要开一堆评审会，过五关斩六将才能定方案；
• 调试，是 SRE 和运维的活。半夜盯监控、翻日志、定位故障，那份苦只有他们懂；
• 优化，是推理工程师的活。拿着性能数据一点一点抠，抠出百分之几的收益都够写进年度总结。

现在，这三摊活被同一个 AI Agent 接了过去。它不需要睡觉，不会因为"这是我搭的系统"而护短，也不会在凌晨三点盯着日志犯困。它会先跑一遍基准测试，找出吞吐的瓶颈卡在哪一层；然后去改底层代码，改完自己写测试来验证，不行就退回重来。

这套闭环跑起来之后，一个更深的意义浮现了——模型的迭代速度，不再线性依赖工程师的人力。以前优化一个系统，排期、评审、上线、复盘，按周算甚至按月算；现在 Agent 是全天候的，改一个版本可能只要几小时。这才是"复利"真正开始的地方。

四、三个对照表，看懂这次事件的分量

这里给你三张可以直接收藏的对照表，用来判断这次事件、以及未来所有"AI 自我改进"新闻到底值几个钱。

第一张：AI 写代码 vs AI 改自己

第二张：RSI 走到哪一步了（里程碑时间线）

第三张：国产算力的质疑清单，这次对上了几条

这三张表合起来，其实指向同一个判断：大模型竞争，正在越过"参数规模"和"榜单成绩"的比拼，进入一个更根本的阶段——AI 研发效率本身，成了被竞争的对象。

五、这事跟普通人有关系吗？

有关系，而且关系比你想象的大。

对普通人来说，最直接的信号是：AI 会越来越便宜、越来越快。当推理成本逼近主流 GPU、吞吐翻 3 倍，意味着同样的钱能买到 3 倍的算力服务，模型的下放门槛进一步降低。你我正在用的 AI 产品，背后很可能就跑在类似这样的系统上。

对做技术的朋友来说，这是个值得警惕又兴奋的信号。那些需要熬人力的脏活累活——半夜盯监控、抠几个百分点的性能——正在被 Agent 接管。别慌，这恰恰是提醒：人应该去做 AI 暂时做不了的事，而不是跟 AI 抢它已经学会的苦力。

有一个判断值得记住：AI 不再只是被造出来的工具，它开始参与决定自己怎么跑。这句话，是过去十年 AI 叙事的转折点，也是未来十年所有争论的起点。

写在最后

回到开头那个问题：如果 AI 开始改自己运行的机器，你是高兴，还是发毛？

这两种情绪其实都对。高兴，是因为迭代速度的复利意味着更强的能力、更低的价格；发毛，是因为"人"在这个循环里的位置，第一次变得可以替换。

但眼下，更值得关注的是另一件事：当国产芯片+国产模型第一次跑通"自己造自己"的自循环，过去那句"卡能买到但训不出好模型"的质疑，正被一个不知疲倦的 AI 亲手改写。