AI世界正在变得‘循环’

# AI 世界正在变得「循环化」| TechCrunch 来源：https://techcrunch.com/2026/06/22/the-ai-world-is-getting-loopy/ 上周五，Claude Code 的创建者 Boris Cherny 在 Meta 的 @Scale 大会上亮相，出乎意料的是，观众抛出的第一个问题竟然与「循环」有关。 「循环是下一个炒作周期，还是真的靠谱？」提问者问道。 Cherny 的回答斩钉截铁：「没错，它们是真的。」 「两年前，我们还在手写源代码。后来开始过渡到让智能体来写代码。而现在，我们正在进入一个智能体提示另一个智能体去写代码的阶段，」他继续说道。「从源代码到智能体的跨越固然意义重大，但循环同样重要，而且也是一大步。」 在演讲的后半段（大约在 YouTube 视频中 32:00 的位置），Cherny 详细谈到了他自己工作中持续运行的循环。一个智能体不断寻找改进代码架构的方法，另一个则寻找可以统一合并的重复抽象结构。它们像普通程序员一样提交拉取请求，而由于代码在不断变化，这些智能体永远不会停止运行。 这是一个非常有力量的想法，尤其是有 Cherny 这样重量级的人物站在它背后。随着向智能体 AI 的转变，大多数用户的关注点一直是尽可能好地管理他们的智能体：设定清晰的目标，检查零散的进度节点，不让它们偏离提示太远。而循环则更进一步，授权一群智能体在后台持续、无休止地工作。这无疑是将很大的信任交给了 AI——但随着模型快速进步，这可能是让 AI 处理真正工作的下一步。 首先需要认识到的是，这并非完全新鲜的事物。递归循环——调用自身以重复某个动作的函数，并配合一个停止循环的条件——是计算机科学入门课程中的基础内容。这些循环遵循非确定性逻辑——也就是说，是由一个子智能体来决定何时停止循环，而不是一个明确的条件——但同样的基本方法在发挥作用。自从程序员开始使用 AI 完成任务以来，某种版本的递归循环（由 AI 监督 AI）就不可避免地会出现。 与经典计算不同，智能体循环可能出奇地简单。最流行的技巧之一是 Ralph 循环（以 Ralph Wiggum 命名），其基本思路是汇总模型已经完成的所有工作，然后询问是否已经达到了目标。这是一种处理 AI 模型因运行时间过长而迷失方向的方法——本质上是让模型在任务完成前反复来回跳跃。 另一种看待循环的方式是将其视为增加测试时计算量的总体趋势的一部分。正如 OpenAI 研究员 Noam Brown 本月早些时候指出的那样，如果投入足够的算力，当代模型几乎可以解决任何问题。这意味着确保问题被解决的一种方法就是持续投入算力，直到问题完成。这对于那些爬坡类问题（比如改进代码库）尤其适用，模型可以不断进行增量改进，直到达到某个阈值。或者像 Cherny 的例子那样，只要有算力可以消耗，它就可以持续进行增量改进。 如果听起来很昂贵，那确实如此。就像之前的智能体 AI 一样，AI 循环消耗 token 的速度远快于简单的问答聊天机器人——而且由于目标是让循环一直运行，所以花费没有上限。这对于最终从事 token 销售业务的 Anthropic 来说没问题，但对其他人来说，这可能是一种成本高昂的工作方式。 尽管如此，取决于智能体循环试图解决的问题，以及那种能监管 token 消耗、漂移和其他经典 AI 问题的正确设置，其带来的收益可能大得惊人，足以抵消成本。 *当您通过我们文章中的链接购买时，我们可能会获得少量佣金。但这不影响我们的编辑独立性。* Russell Brandom 自 2012 年以来一直从事科技行业报道，重点关注平台政策和新兴技术。他曾任职于 The Verge 和 Rest of World，并为 Wired、The Awl 以及 MIT 的 Technology Review 撰稿。您可以通过 [email protected] 或 Signal 412-401-5489 联系他。 查看作者简介