夜雨聆风最近半年，AI Coding 真正改变的，不是模型回答得更长，也不是代码补全更熟练，改变发生在Ai 的行动单位上。
过去，人给模型一句指令，模型回一段结果，哪怕AI写出一整段函数，方向仍然停在人的手边。人把代码合入仓库，运行测试，承担后果。模型提供候选物，人类完成行动。现在，愈来愈多的工程实践强调把模型放进业务流程，形成一个loop。模型接到任务后读取当前状态，它改文件，调用工具，运行测试，失败结果返回到上下文中，下一步再由模型生成。日志保存整个过程，权限限定能做什么。在整个 loop中，人不再逐段给命令，而是在开始处给出目标，再规定loop怎样判断成功。
工程圈把这个方向称为 loop engineering。虽然这个词目前还不能说是稳定的术语，但毫无疑问，它指向的实践已经很清楚。prompt 只改变一次回答，而loop 改变的是一个行动单位。
一个 loop 包含模型，却不等于模型。模型负责生成下一步，测试部门负责区分成败，工具部门负责把文本变成操作，记忆部门负责维持前后连续，权限部门负责限定行动范围。把这些东西放在一起，一个原本只会回答的模型，开始表现的，像一个会继续做事的技术个体。
模型并没有突然拥有意识，但是行动连续性变了。一个系统可以接任务，可以改环境，可以根据结果调整下一步，可以7✖️24小时持续工作。出错时，人类对之第一反应不再是，“这段文本哪里错了”，而是“它为什么这么做”。
这个“它”就很暧昧了。它不是一个人，也不是单个模型。它是模型和循环环境共同形成的行动单位。只要一个系统能被委托任务，能留下过程，能解释结果，能造成后果，组织就会把它放进授权和问责的格式里。也只有AI 被组织成一个可行动的技术个体之后，治理才有了把它当作主体来处理的理由。判断一旦变成循环条件，就会获得另一种生命。它不再以人的犹豫、反悔、重新权衡的形式存在，而以测试通过、分数提升、错误减少、基准上涨的形式存在。循环不会追问这个分数为什么代表好。它只会忠实地把分数往上推。判断还在，但判断已经从行动中的责任，变成系统中的参数。
然后，AI 加速 AI 让这种行动单位进入了AI研究自身。
ASI-Evolve 及同类研究并非让一个模型独自发现新理论，而是把 AI-for-AI research 组织成 learn-design-experiment-analyze 的循环。模型生成候选方案，工程组件执行实验并给出结构化指标，analyzer 将实验结果转化为下一轮可复用的经验。研究报告指出，在神经架构设计任务中，系统经过 1773 轮探索，发现 105 个超过 DeltaNet 基线的 linear attention 架构。最佳模型比 DeltaNet 高 0.97 个百分点，约为近期人工设计改进幅度的三倍。数据整理和强化学习算法设计也被纳入同一套 AI-driven discovery 流程（Xu et al., 2026）。
这些结果的最终学术价值诚然还需要后续评估。但对 AI 主体性问题来说，那 0.97 个百分点并不比研究活动的组织方式更值得分析。在这里，候选方案能否进入下一轮，不取决于某个研究者当场判断它是否有前途，而取决于评测程序给出的分数和 analyzer 提炼出的经验。人类先验没有消失，放进了cognition base。人的判断也没有消失，变成了任务描述，评测指标，实验环境和筛选规则。
而循环越有效，人的离场也就越自然。一个系统能够自己提出方案，自己运行实验，自己保存经验，自己推进下一轮，研究者就越容易相信自己保留了最重要的部分：定义问题。可定义问题在系统中具体变成什么？一段任务描述，一个初始代码库，一组人类先验，一个评测程序。写下这些东西以后，循环会把它们当成世界的边界。边界之内，一切都可以高速优化。而边界本身，通常不会被循环追问。
AGI 之后还会怎样继续变强？DeepMind 在From AGI to ASI 中给出的四条路径中，赫然一条是 2026 年热词RSI （recursive self-improvement）。系统改进模型，改进工具，改进评测，也改进下一轮训练和搜索的条件。多模型协作会让这个过程更难归属。能力增长属于整个技术集合，未必属于其中任何一个模型。self-improvement 这个词能描述过程，也会遮住过程里的空位（Genewein et al., 2026）。
问题是，自我改进里的“自我”是谁？
在这样的系统中，没有一个稳定的第一人称。模型可以替换，评测可以更新，数据可以扩展，搜索策略可以重写。连续性并不来自某个内在自我，而是来自技术集合被划出的边界。只要这个边界能维持版本谱系，能保存实验历史，能把上一次结果变成下一次条件，我们就会说，系统在改进自己。
这个说法有用，也危险。它有用，因为没有这个说法，我们很难谈论系统级能力的增长。它危险，因为它把一个没有主体的过程，说成了一个主体的行动。
危险就藏在“自己”这个词里。说系统在改进自己，已经预设了有一个自己在那里被改进；可这个谱系究竟靠什么往前走？一个技术个体可以比同一谱系里先前的成员更具体，却无法靠自己做到这一步；能生出与自己相似之物的，只有生命。技术的演进出于外部，生命的繁衍出于自身。自我改进系统推进的是一个被配置的过程，它的评测标准、实验环境、初始经验都来自系统之外。驱动它的是外部配置，不是一个为维持自身存在而非解决不可的内在问题。“自我改进”里的“自我”，正是前面那条被划出的边界，是为方便谈论起的名字；能力在涨，涨在技术集合里，涨在一个没有谁能认领的过程里。
所以问题不该停在它是不是主体。那个问法预设了一个边界清楚的个体，而这个个体恰恰是要被解释的东西。控制论谈反馈，谈发送者和接收者之间的信息流，西蒙东问得更早：发送者和接收者怎样成为可以发送和接收的项？个体不是解释的起点。个体本身需要解释。
我认为，AI 主体性也该这样问。不要一上来就问模型是不是主体，而要问：什么样的技术过程，把模型组织成一个能被称为“它”的行动单位？这样的过程，西蒙东称为具体化。抽象的技术对象依赖外部保护，各个功能彼此分离。具体化不等于功能变多。它说的是内部关系发生改变。原来外在的调节条件，逐渐成为系统自身运行的一部分。
一个 agent loop 还未必是严格意义上的技术个体（individu technique）。它更常见地是技术集合（ensemble technique）：模型、工具、测试框架、权限系统、记忆数据库、日志和人工审批共同工作。可西蒙东的区分恰恰让我们看清楚，主体性问题不在模型本身，而在技术集合怎样被组织成可行动的单位。
完善程度较高的机器不是完全封闭的自动机。更高的技术性反而需要一定的不确定性余量（marge d’indétermination），机器要能够接收外部信息，技术集合要能够在开放机器之间形成信息交换。人在其中不是奴隶主，也不是旁观者，而是组织者和解释者。人“在机器之间”工作，使机器之间的关系成为一个可理解、可调节的整体（Simondon, 1980, p. 14）。
然而，loop engineering 改写了这个位置。工程师仍在机器之间工作，但他的解释和调节不再逐步伴随每个动作。它们被提前写成循环结构。测试脚本承担部分判断。评分函数承担部分选择。权限系统承担部分规范。日志承担部分记忆。人的判断并没有消失，它被技术化了。人未必彻底退出。更准确的风险是，人的判断以参数形式进入系统之后，很容易失去再次被判断的机会。
所以，“AI Coding” 这个讲法太过粗糙。更精确的说法是：一个由模型和关联环境（milieu associé）构成的技术集合，在特定目标和评测条件下生成并筛选行动。关联环境不是背景。它是行动能够发生的条件。没有仓库，模型没有对象。没有工具，文本无法变成修改。没有测试，失败无法进入下一轮。没有日志，行为不能归属给同一个运行单位。
主体的席位从这种归属中形成。一个系统能接任务，能留下过程，能解释结果，能继续行动，组织就会把它当成可授权的单位。它不是主体，却开始承担主体功能。它不会为判断负责，却能把判断执行到人已经不再逐步检视的地方。
但这个类比绝不能再往前走了。技术对象可以具体化，可以获得更高的运行自主性，也可以在环境中表现得越来越像自然对象。可技术对象不会因为具体化就成为生命个体。生命个体有持续的内外关系，有自身未完成的个体化过程，有不能随意撤销的历史。技术对象没有这样的生命拓扑。
AI loop 也一样。它可以有记忆，却没有亲历的过去。它可以保留日志，却不会被过去伤害。它可以回滚，可以换版本，可以清空上下文，可以复制出多个实例。它的连续性是运行连续性，不是生命连续性。它能给出解释，但解释不是承担。它能说“我这样做是因为”，可这个“我”并没有把后果认成自己的命运。
AI 主体性的问题不能写成“机器终于有了自我”。这是因为，主体的功能正在和主体的存在相分离。
行动可以由 loop 产生，解释可以由模型生成，连续性可以由记忆维持，责任接口可以由日志提供，这里每一项都像主体的一部分。把它们合在一起，一个没有主体性的系统就能占据主体位置。
一个系统如果只是工具，就按工具来管。锤子伤人，责任不在锤子。软件出错，可以追开发者，追部署者，追使用者。agent 不同。它会在授权范围内生成行动路径。它的每一步未必由人预先写出。它的错误也未必能还原为某一句指令。组织为了管理它，必须给它名字，给它角色，给它操作记录，要求它解释，限制它权限，把它接入审计。
这些安排不只是拟人化。它们是治理技术。名字让系统可以被调用。角色让权限可以分配。记忆让前后行为看起来属于同一个单位。解释让结果可以进入问责链条。审计让组织可以在事后重建过程。
主体位置一旦被技术个体占据，真正的责任主体反而可能向后退缩。平台可以说是 agent 自动执行。使用者可以说自己只是给了目标。开发者可以说行为来自模型涌现。组织可以说流程符合审计要求。每个人都还能被追责，但每个人都多了一层可以指向的中介。
AI 没有主体性，并不意味着它不会改变责任结构。恰恰因为它没有主体性，却又能承担主体功能，责任才变得更难追问。
西蒙东谈技师时说，人不是站在机器上方的人。人在机器之间工作，理解机器之间的关系，发现事件的意义，并调节技术集合。loop engineering 改写了这个技师位置。工程师仍然重要，但他不再逐步决定每个动作。他设计循环，设定评测，安排权限，规定异常处理。人的判断没有消失。它提前写入环境，变成系统运行的条件。
意义不再只由人当场解释。很多事件先被测试和评分系统处理。通过就是成功，失败就进入下一轮。技术系统不理解成功为什么有意义。它只把成功作为继续运行的条件，意义被压缩成可计算的差异，判断被转换成可操作的反馈。
自我改进系统让这种转换进入研究生产本身。一个 AI 研究 loop 可以不断提出新结构，验证新算法，积累新经验。它可能产生超过任何单个参与者理解范围的能力增长。可整个过程仍然没有一个主体在其中说：这是我做的，我愿意为它承担后果。
“AI 决定了”会成为最危险的简写。
应当把这句话拆开：一个由模型和关联环境组成的技术个体，在给定权限和评测条件下，产生了一个结果。组织承认这个结果，把它接入行动链条。这个说法更长，也不顺口，却保留了责任结构。它告诉我们，AI 不是锤子，也不是人。它是一个被组织成行动单位的技术个体。
AI 不是主体。loop engineering 之后，它也不再只是工具。
争议不该继续停在意识上。一个没有自我的系统，正在通过循环、记忆、评测和权限获得行动连续性。治理为了处理这种连续性，把它当作主体来命名，授权，审计，追问。
AI 的主体性不是内部觉醒。它是技术个体化之后产生的治理形式。机器没有成为谁。可是，一个可以被称为“它”的行动单位，已经坐上了主体的席位。
参考文献
Genewein, T., Franklin, M., Lerchner, A., Orseau, L., Albanie, S., Bales, A., Wyeth, C., Chan, S., Gabriel, I., Leibo, J. Z., Dafoe, A., Hutter, M., Graepel, T., & Legg, S. (2026). From AGI to ASI. arXiv:2606.12683.Simondon, G. (1980). On the Mode of Existence of Technical Objects. Translated by Ninian Mellamphy. University of Western Ontario. Original work published as Du mode d’existence des objets techniques, Aubier, 1958.Simondon, G. (2009). The Position of the Problem of Ontogenesis. Translated by Gregory Flanders. Parrhesia, 7, 4-16.Xu, W., Mi, T., Liu, Y., Nan, Y., Zhou, Z., Ye, L., Zhang, L., Qiao, Y., & Liu, P. (2026). ASI-Evolve: AI Accelerates AI. arXiv:2603.29640.
