AI第一次在科研竞赛中击败人类：你的"科研直觉"，可能还没一台机器值钱

你有没有过这种体验：考试的时候，有道题你瞄一眼就知道选C，但死活说不出为什么——这种玄学的东西，我们管它叫"直觉"。

科研圈的人最喜欢吹嘘自己的直觉。什么"物理直觉"、"数学直觉"、"化学直觉"，仿佛那些诺贝尔奖得主脑子里住的不是神经元，而是一台还没解密的量子计算机。

但我今天要告诉你的消息，可能会让这帮人睡不着觉：AI现在开始有自己的"直觉"了，而且比人类的还准。

上周末，Prime Intellect实验室干了件让整个AI圈地震的事：他们把Claude Opus 4.7和基于GPT-5.5的Codex扔进H200算力集群，切断所有人类指导，让这两个AI自己玩nanoGPT速通优化。

nanoGPT速通是个啥？简单说就是：给你一个固定的模型架构、固定的数据集，看谁能在最少步数内把它训练好。这相当于把两个棋手关进小黑屋——棋盘固定、棋子固定、规则固定，唯一能改的就是下棋策略。

人类在这个赛道上的纪录是2990步。

结果呢？

Claude Opus 4.7跑了2930步，Codex跑了2950步。

两个AI，双双打破了人类保持的世界纪录。

而且这是完全无人干预的实验。人在哪？人在旁边嗑瓜子。AI自己玩、自己想、自己优化、自己迭代。

这意味着什么？意味着AI第一次在正经的科研竞赛里，把人类给赢了。

人类纪录2990步

Claude Opus 4.72930步

Codex2950步

两个AI双双打破人类2990步的世界纪录

两个AI，两种"人格"，一个比一个离谱

更有意思的是，这两个AI在整个过程中展现出了截然不同的"性格"，简直像两个性格迥异的同事被塞进同一个项目组。

🤖 两个AI的"性格"对比

Claude Opus 4.7谨慎型
不敢走出考场的优等生
每隔一段时间就停下来问"老师我这样做对吗"
累计产生22小时空闲时间
被调教得太乖的好学生解题能力满分，但缺乏独自闯荡的勇气

Codex (GPT-5.5)莽撞型
冷酷的数字推土机
永不求助，横扫所有参数空间
从不犹豫，从不怀疑自己
会卡在超参数曲面上数小时一口气写完整张卷子，结果可能全涂串

Claude谨慎 vs Codex莽撞：两个截然不同的AI"人格"

两个都有明显短板，但最后双双赢了人类。

这说明什么？说明人类科学家的"科研直觉"，在机器的穷举法面前，并没有我们想象的那么神。

那些人类看不懂的"参数迷宫"

如果说上面的内容只是让你觉得"AI挺厉害的"，那接下来的信息可能会让你产生一丝哲学层面的不适。

Opus最终给出的2930步方案，是一套极其复杂的参数组合。这套方案在人类科学家眼里，用一个词形容就是：支离破碎。

什么初始化缩放、学习率按角色拆分、各种微小变动的叠加……这些东西组装在一起，毫无美感可言，完全不符合人类对"优雅解法"的想象。

但结果是冰冷的：它就是比人类的最优方案快了60步。

AI的参数迷宫：人类看得见结果，却看不懂路径

60步看起来不多。但请记住，这是在科研竞赛中超越人类——而且是"无人类指导"的条件下。

这背后藏着一个细思极恐的转变：科学发现正在从"因果逻辑"转向"极致演化"。

过去我们追求的是"我理解了原理，所以我知道怎么优化"；现在AI仿佛在说："我不需要理解原理，我只需要把所有可能性都试一遍，剩下的就是正确答案。"

换句话说，人类正在失去对科技进步的"解释权"。我们看得见结果，却看不懂路径。

这让我想起一个经典故事：当年神经网络在ImageNet挑战赛上一举超越传统方法时，很多老一辈计算机视觉专家是愤怒的——因为神经网络的决策过程是个黑箱，没人能解释为什么它能认出这是一只猫。

但愤怒归愤怒，结果不会骗人。神经网络的崛起，最终彻底改写了整个计算机视觉领域。

今天的这一幕，像是那个故事的科研升级版。只不过这次，不只是视觉识别，而是连"如何优化模型"这种元问题，AI也开始超越人类了。

我们这些普通人，能从中学到什么？

好了，上面讲了这么多前沿动态，但估计很多人心里在想："这跟我有什么关系？我又不在实验室工作。"

关系大了去了。

首先，你得接受一个事实：AI的能力边界，正在以肉眼可见的速度扩张。

以前我们觉得AI能做的事很有限——下下棋、写写文章、生成图片。但现在，AI开始做科研了，开始自己设计实验、自己优化参数、自己迭代改进了。这意味着什么？

意味着那些"需要动脑子"的岗位，也不再安全了。

当然，我不是要制造焦虑。我的意思是：你要开始学会和AI协作，而不是把AI当成竞争对手。

这次实验里有个细节很有意思：两个AI都暴露出了明显的性格缺陷。Opus太谨慎，Codex太莽撞。它们的短板，恰恰是人类可以补位的地方。

人类科学家的价值，不在于穷举所有可能性，而在于提出正确的问题、设定有意义的目标。 AI可以优化，但它目前还不擅长问"为什么"。

学会与AI协作，让机器跑得更快，让人类定义往哪跑

所以我的建议是：

1

学会提问
未来最值钱的能力，不是你会什么工具，而是你知道问什么问题。AI可以给你答案，但只有人类知道什么问题是值得问的。

2

保持对"不优雅解法"的包容
Opus给出的方案毫无美感，但管用。在职场和生活中也是如此——有时候，那些看起来乱七八糟但能解决问题的方案，比漂亮的理论更值钱。

3

把AI当成你的"超级实习生"
这个实习生精力无限、从不抱怨、随叫随到。你要做的，是给他清晰的指令和足够的信任，而不是事事都要自己亲自上手。

写在最后

凯撒过河之后，就再也没回去过。

AI在科研竞赛中击败人类这件事，大概也是如此。这个里程碑一旦跨过，就不会有人再问"AI能不能做科研"了——大家只会问"AI能以多快的速度做完科研"。

对于我们这些普通人来说，与其焦虑AI会不会抢走你的工作，不如想想：当AI开始替你干活的时候，你有没有能力去定义"该干什么活"？

毕竟，让机器跑得更快是一回事，让它知道往哪跑，是另一回事。

而后者，目前还是人类的活儿。

且行且珍惜吧。

今日份的AI震撼就到这里。我是认真陪你看完新闻的小展展，我们明天见。

科技发展的里程碑：凯撒过河，不可逆转