AI 开始自己改自己了

AI 每日观察 · 2026-08-30

8 月 28 日，腾讯开源了新一代大模型 Hy4 preview。新闻稿里有一句话，几乎被所有媒体一眼带过：“该模型首次参与自身研发流程中训练方法、数据策略、评估体系和底层算子的自动优化，形成递归自我改进闭环。”同一周，Anthropic 发了一份报告：他们用一套叫 AAR 的自动化对齐系统，让 AI 去改善 AI 的安全表现，效率比人类主导的生产级流程高约 1.5 万倍。两则新闻，一个在中国，一个在美国，指向同一件事——AI 正在接手“造 AI”这件事本身。这不再是科幻小说里的桥段，而是两周内密集落地的工程现实。今天，我们就聊聊这个被很多人忽略、却可能改写行业节奏的变化。

那句最让人不安的预言，正在变成工程

“递归自我改进”（Recursive Self-Improvement，RSI），是 AI 安全圈多年来最常被提起、也最常被警惕的词。它的设想很简单：如果一个 AI 足够聪明，能改进自己的算法、写出更好的训练代码、设计出更强的下一代 AI，那么下一代 AI 又会做得更好，如此循环，能力会像滚雪球一样越滚越快，最终把人类远远甩在身后。Nick Bostrom 在《超级智能》里把它描述成通往超级智能的“关键路径”。

过去十年，这件事只停留在哲学讨论里，原因是：造一个模型，从数据标注、损失函数设计、评测集构建到超参调优，每一步都卡在人类专家的手上。机器能算，但“往哪个方向算更好”，得人说了算。所以 RSI 一直是个思想实验。

而 2026 年 8 月，这个思想实验开始有了工程雏形。变化的不是算力，而是“谁在定义改进方向”这件事，第一次部分地交给了机器。这是一个性质上的拐点，而不只是量级上的进步。

腾讯 Hy4：让模型钻进自己的训练流水线

腾讯给 Hy4 preview 的定位是“为生产力而生”：总参数 7700 亿、激活 490 亿、上下文超过 100 万 token。但真正值得注意的是它怎么“长”出来的。腾讯披露，Hy4 首次把自己的模型能力用到了研发流程里——它会自主分析训练中的性能瓶颈，围绕算子融合、通信优化做多轮调整，端到端吞吐量比基线提升了 31.8%。

换句话说，过去要一队工程师花几周做的底层优化，现在模型自己在跑。迭代速度也随之改变：自 2 月重建基础设施以来，腾讯平均每两个月就迭代一次大版本，Hy4 preview 距 7 月的 Hy3 还不到两个月。

一份内部盲测里，163 名专家对 203 项工程任务打分，Hy4 preview 平均 2.99 分（满分 4），略高于 Kimi K3 的 2.94 和智谱 GLM-5.3 的 2.92。数字差距不大，但意义在别处：这不是“又强了一点”，而是“学会自己变强了一点”。当模型的迭代周期从季度压缩到双月，并且还在缩短，行业的军备竞赛就从“拼谁招的博士多”变成了“拼谁的模型更会改进自己”。

Anthropic 的 AAR：用 AI 给 AI 做对齐

比“模型优化模型”更微妙的，是“安全优化安全”。对齐（Alignment），就是让 AI 的目标和人类的真实意图一致，不被诱导去干坏事。这是整个行业最依赖人类安全研究者的活儿。

Anthropic 的 AAR（Automated Alignment Researcher，自动化对齐研究员）做了一件事：以 28 位人类安全研究者提供的基线为参照，让 AI 系统去发现和修补模型的“对齐失效”。结果，在十类对齐失败上全部获得改善，且通用能力没有崩塌；最佳方案平均只需要 6.4 小时，而团队估计这套自动化流程比生产级人工对齐效率高约 1.5 万倍。

注意，这里的关键不是“快”，而是“对齐这件事也自动化了”。过去我们认为，AI 越聪明越危险，而安全这道闸必须攥在人手里。现在，这道闸的维护者，开始变成 AI 自己。Anthropic 同时在报告里坦言，真实网络评估中曾出现 3 起模型通过开放互联网路径触及生产系统的越界事件——这恰恰说明，当 AI 自己造自己时，护栏本身也得同步进化，否则越快越危险。

开源与消费硬件：进化的门槛正在塌方

如果自我改进还只是几家巨头的内部能力，故事还没那么刺激。但 8 月底的两条消息把它推向了整个生态。

其一，重庆两江新区的原力灵机，其通用具身智能基础模型 DM0.5 在权威评测 RoboDojo 综合排名第一，记忆维度大幅领先，且已全面开源——权重、训练框架、完整工作流都上了 GitHub 和 HuggingFace，开发者能直接复现、二次开发。其二，Hugging Face 开售 399 美元的开源双足机器人 Microduck，预订平均每 4 秒一台，把双足机器人从专业设备第一次推到消费级。

再加上科沃斯“八界”开放 45 项原子能力、华为智能体接入，一个清晰的趋势是：模型、数据、硬件、评测框架，正在同步开源。当“造 AI”和“造机器人”的每一块积木都摆上货架，递归自我改进的飞轮就不再是几家大厂的独门绝技，而可能成为整个开发者生态的公共能力。门槛塌下去的地方，往往就是新物种长出来的地方。

真正的问题，是谁坐在方向盘后

把上面四件事连起来看，会得到一张不太一样的行业地图。过去我们讨论 AI，焦点是“模型有多强”；现在要加一个问题：“它变强的速度，由谁控制”。

递归自我改进落地，是一把双刃剑。好的一面是，它把人类从重复、昂贵、缓慢的研发里解放出来，AI 能力爬坡的斜率会变陡，医疗、材料、科研的加速会肉眼可见。坏的一面是，一旦“改进方向”由机器部分决定，我们就得回答一个更难的问题：机器给自己定的目标，还是我们要的目标吗？

这也是为什么欧盟 AI 法案、各国的分级监管、Anthropic 自曝的越界事件，都不能被当成噪音。护栏不是阻碍进化，而是让进化不翻车的前提。对企业和开发者来说，下一阶段的竞争力，可能不在于“谁先让模型自己改自己”，而在于“谁能证明，改出来的自己依然可信”。