AI前源 AI|Muse Wonder来了,AI会自我进化吗?

10 月 12 日（美国时间），Meta 超级智能实验室（MSL）发布 Muse Wonder 与 Muse Wonder Full。不少人顺势追问：AI 是否已经能「递归自我改进」（RSI），Meta 是否做到了？我们把官方材料、独立评测和各家实验室的原文放在一起，分清哪些是事实、哪些是宣传、哪些是误读。

官方说了什么

两款模型。Muse Wonder 通过 Meta Model API 和 Muse Code 提供，定价每百万 token 输入 $4、缓存输入 $0.20、输出 $20；Muse Wonder Full 只在 Muse Code 订阅（Power / Maximum Usage）里提供，按 token 价格未公布。

规格。模型卡：输入文本、图像、视频、音频，输出文本；推理时上下文 100 万 token。官方称在 Meta 千兆瓦级 Prometheus 数据中心训练，比 Muse Spark 用了「更大、更强的基座模型」。

两个新名词。Active Memory：跨对话携带与你有关的上下文，并在相关时主动调取；Active Focus：任务变难时尝试其他路径、绕过阻碍，必要时请你澄清、重要操作前先确认。Meta 用内部的 MemoryBench、FocusBench 和第三方的 SWE-Marathon 衡量这两点。

王兆（Alexandr Wang）原话（X，10 月 12 日）：这是 MSL「一年多研究与基础设施工作的结晶」，自 4 月推出 Muse Spark 以来「在预训练和强化学习上持续扩展」，「现在到达前沿」。

最值得看的一张图：泛化

Meta 博客把后训练「针对过」的任务（分布内）和「没针对过」的任务（分布外）分开画：随推理算力增加，两代模型在分布外任务上的提升斜率相近；但在同样的分布内分数下，Wonder Full 的分布外表现高于 Spark 1.3 的趋势线。Meta 的解释是更强的基座让后训练收益更能迁移。这是在正面回应「刷榜」质疑，方法值得借鉴；但所用任务集为 Meta 自选，尚无第三方复现。

独立评测怎么说（Artificial Analysis，10 月 12 日）

智能指数 v4.3：Wonder Full（max）56、Wonder（max）52，前代 Spark 1.3（max）48，两次发布只隔 6 周。最大涨幅在智能体任务：Terminal-Bench 4.0 从 33% 到 57%，GDPval-AA 从 1681 到 1857 Elo。Full 在 CritPt（33%）和 GDP.pdf（33%）排第一。

短板也写得很清楚：知识类 AA-Omniscience 只有 30 / 25，低于 Claude Opus 5.5（46）、GPT-6 Astra（43）、Gemini 4 Argon（42）；但 Full 幻觉率从 33% 降到 23%。成本：Wonder（max）跑一次指数任务约 $4.52，是前代的 2.8 倍，主因是每任务约 769 万输入 token。编码智能体指数 Full 为 68，与 Claude Code + Sonnet 5.5 持平。

要区分：Meta 自称「在个人与专业智能体、记忆、编码上 SOTA」；MemoryBench、FocusBench、个人超级智能指数（PSI）都是内部评测。模型卡也写明，部分竞品成绩由 Meta 内部跑、「尽力而为」，SWE-Marathon 一行并非同一测试框架。截至 10 月 14 日，AA 榜首是 Claude Opus 5.5（max，58），Wonder Full 与另外两个 Claude 配置并列 56。

安全：模型卡称未缓解时不排除化学与生物领域达到「高风险」阈值，因此加了安全后训练和系统级分类器；网络安全与失控两类评为「中等或更低」。博客写明：完整安全报告「即将发布」。模型卡里有个细节值得学：漏洞利用测试 ExploitGym 拿到 92 个 flag，但复核发现只有 21 个走的是预设漏洞，可与公开榜单比较的是 21。Meta 也在 X 上回复：Wonder 太大且有安全顾虑，不开放权重；开放的会是 Muse Spark。

直接回答：没有，也没有人宣称解决。我们逐字检查了 Muse Wonder 博客、模型卡、开发者博客和 @AIatMeta、@alexandr_wang 的发布帖：没有任何关于「自我改进」或「递归自我改进」的表述。它说的是扩大预训练和强化学习。模型卡的风险领域只有网络安全、化生和失控，没有单列「AI 研发自动化」。唯一沾边的一句是：未来会用 Muse Wonder 开发面向大众的专门模型，这是常见的蒸馏或数据合成，不是 RSI。

什么是 RSI

AI 系统改进自己（或设计、训练下一代），新一代又更擅长做这件事，循环往复。1965 年 I. J. Good 在《Speculations Concerning the First Ultraintelligent Machine》中提出「智能爆炸」：第一台超智能机器能设计更好的机器，因此是「人类最后一项发明」。2000 年代 Eliezer Yudkowsky 用「种子 AI」「FOOM」讨论快速起飞；2014 年 Nick Bostrom 在《Superintelligence》里系统分析了起飞速度与控制问题。

图2　RSI 闭环：今天哪几步仍由人把关（各实验室公开材料，AI前源 制图）

它不是什么

自我对弈（AlphaGo Zero，2017）：在固定规则的游戏里自己和自己下，提升的是下棋策略，不会改写自己的训练方法。可验证奖励强化学习（RLVR，如数学、代码答案能自动判分）：模型在人设计的训练流程里变强。合成数据与蒸馏：大模型给小模型出题。这些都是「用 AI 训练 AI」，但目标、方法、评测和是否部署仍由人决定；RSI 指的是 AI 自己接管这些环节并持续加速。

现在走到哪一步

OpenAI（9 月 6 日）：按自身测量，已实现 9 月「自动化研究实习生」目标，即在人类指导下完成熟练研究员需数天的明确任务；8 月中旬研究部门每个人类工作日对应 3.1 个智能体工作日；目标 2028 年 3 月做出自动化 AI 研究员。原文：「我们还不知道如何安全地走到对齐的、完全的 RSI。」

Anthropic（6 月「When AI builds itself」，9 月 18 日更新）：「我们还没到那一步，RSI 也并非不可避免」；2026 年 5 月合并代码中超过 80% 由 Claude 编写；Mythos Preview 在固定训练代码提速任务上达约 52 倍（Opus 4 约 3 倍）。它也说明：在「选择目标」上仍有很大差距。9 月的 R&D 自动化指数原型称 Claude「主导」约 26% 的研发工作，没有完全自主的部分；Anthropic 也承认评级由 Claude 自己当裁判，需第三方核验。

Google DeepMind（2025 年 5 月 AlphaEvolve）：Gemini 驱动的进化式编码智能体，找到 4×4 复数矩阵乘法 48 次标量乘法的方案，为 Google 回收约 0.7% 的全球算力，并把 Gemini 训练中一个内核提速 23%，整体训练时间缩短 1%。这是 AI 改进 AI 基础设施的实例，但评分函数由人写。

Meta 自己（10 月 2 日，@AIatMeta）：研究者与 Muse Spark 合作，在概率、群论、微分方程等 6 个数学问题上取得结果；例如群论一例由 Spark 生成搜索代码找到反例，团队验证并完成证明。这是 AI 辅助科研，不是 AI 改进自身。

METR：50% 成功率下能完成的任务长度，2019–2025 年约每 7 个月翻一番；新版 TH1.1 估计 2024 年以来约 89 天翻一番。METR 同时提醒置信区间很宽，16 小时以上的测量不可靠，「时间跨度翻倍不等于自动化程度翻倍」。

一把可用的尺子：Anthropic 采用 Epoch AI 的自动化等级 AL0–AL5。AL3 是「协作」，AI 在人密切指导下完成大块工作；AL4 是「主导」，AI 从高层指令出发端到端完成、人监督；AL5 才是完全自主。按这把尺子，RSI 要求研发闭环的关键环节都到 AL5，目前公开数据中没有任何一家到达。

图3　模型类型与能力维度（AI前源 制图）

基座 / 预训练模型只学会「续写」；指令微调（SFT＋人类反馈）让它听懂指令；推理模型在回答前生成长思考链，用 RL 在可验证任务上训练，可调「推理强度」；MoE 与稠密：混合专家每个 token 只激活部分参数，总参数大、单次计算省，稠密模型每次全部参与；多模态能读图像、音视频；智能体＝模型＋工具＋循环＋记忆，能多步执行；小模型 / 端侧为成本、延迟和隐私而做。

能力维度至少六个：知识（记得准不准、会不会编）、推理、编码、长程智能体（几小时不跑偏）、记忆、工具使用。Muse Wonder 恰好说明它们不是一回事：智能体分数领先，知识题却落后。

基准测试怎么运作：固定题集＋固定评分方式，评分可以是自动判分、单元测试、LLM 裁判或两两对战的 Elo。综合指数再把多项测试合成一个数，例如 AA 指数 v4.3 合并了 GDPval-AA、Terminal-Bench 4.0、SciCode、AA-Omniscience、Humanity’s Last Exam 等 10 项、由 AA 独立运行的评测。

看榜单的四个坑

1 污染：题目进了训练数据。2 饱和：SWE-bench 两年内从个位数到接近满分，区分度消失。3 配置：同一模型 max 与 low 推理强度、不同测试框架差距很大，看清括号。4 自报：厂商常挑有利指标、自己跑竞品。用法：看独立机构，看成本和 token 用量，最终用自己的任务做小评测。

前沿模型对照（截至 10 月 14 日）

AA 指数＝Artificial Analysis Intelligence Index v4.3，第三方独立运行，不同推理强度分数不同。*Gemini 4 Argon 为优惠价，11 月 30 日后为 4 / 20。价格与发布日期取自各家官网；「SOTA」「最强」等为厂商自报，未列入表格。

图1　AI 简史：从达特茅斯到智能体（AI前源 制图）

1956 达特茅斯会议命名「人工智能」→ 1970 年代中第一次寒冬（承诺落空、经费收缩）→ 1980 年代专家系统商业化 → 80 年代末至 90 年代第二次寒冬 → 2012 AlexNet 让深度学习在 ImageNet 上胜出 → 2017 Transformer（《Attention Is All You Need》）→ 2020 GPT-3 展示规模化与少样本学习 → 2022 年 11 月 ChatGPT → 2024 年 9 月 OpenAI o1 开启推理模型 → 2025–26 编码与通用智能体走向日常工作。规律：每次跃升都来自算力、数据和算法同时到位，每次寒冬都来自承诺跑在能力前面。

乐观：Anthropic 认为「趋势停滞」可能性不大，「还没看到曲线弯下来」；OpenAI 认为自动化研究也可以用于对齐研究。

怀疑：METR 2025 年 7 月的随机对照试验发现，资深开源开发者用当时的 AI 工具完成任务反而慢了 19%，而他们事后仍以为快了约 20%（METR 已注明该结果过时，并于 2026 年 2 月发布新数据）；Anthropic 自己也承认「代码行数」高估效率、员工自评可能偏高，并写下曲线可能是 S 形、瓶颈可能在算力与电力；它还援引阿姆达尔定律：一个环节变快，整体速度会被没变快的环节卡住，眼下人工代码审查已成新瓶颈。据 The Neuron 报道，OpenAI 首席科学家 Jakub Pachocki 认为，没有一家实验室已把对齐和监控做到足以「长期全速扩张」的程度。

五个路标：① Meta 完整安全报告是否发布、是否涉及 AI 研发风险；② METR 或同类机构新任务集上的时间跨度；③ OpenAI 2028 年 3 月目标的中途进展是否沿用同一指标；④ Anthropic R&D 自动化指数中「完全自主」是否从零变为非零；⑤ 价格：Argon 优惠期结束后与 Wonder、Opus 同为 $4 / $20，成本竞争如何演变。

1 先学评测。给你的业务建 30–50 条真实任务的小评测集，每次换模型先跑一遍，记录正确率、token 和成本。厂商榜单只是起点。

2 学会控成本。Muse Wonder 的例子说明：每任务成本取决于输入 token 和缓存命中，而不只是单价。练习提示缓存、上下文裁剪、按难度路由到不同模型。

3 把智能体当系统做。工具定义、权限、重试、日志、人工确认点（Meta 模型卡也建议不可逆操作加人工确认）比提示词更重要。

4 记忆要设计。存什么、何时取、怎么删、怎么让用户看见，决定个人智能体能不能上线。

5 FDE 的核心是落地。驻场工程师要把模型接进客户的数据、流程和合规要求：会读模型卡和安全条款，会写 POC，会用数据说服业务方。

6 保持一条阅读清单。模型卡、METR、Artificial Analysis 方法说明、各实验室安全框架，每月各读一篇原文。

7 本周就能做的练习。挑一个真实任务，用两家 API 各跑 20 次，记录成功率、平均 token、单次成本和失败类型，写成一页对比报告。这份报告就是最好的作品集。

声明：本文为公开资料的整理与分析，评测分数以发布方为准；厂商自报数据已注明。不构成投资建议。资料截至 2026 年 10 月 14 日 13:00（北京时间）。如官方后续发布更正或完整报告，以官方为准，本文将更正。