我构建了一个自我改进的AI，你也能做到

# 我造了一个能自我改进的AI，你也能做到 来源：https://www.wired.com/story/frontier-labs-arent-the-only-ones-pursuing-self-improving-ai/ 如今，前沿AI实验室都在竞相构建自我改进模型（https://www.wired.com/story/meta-earnings-superintelligence-q2-2025/）。有人认为这是通往超级智能（https://www.wired.com/story/uncanny-valley-podcast-superintelligence/）最可靠的路径——随着AI在令人眩晕的循环中自我改进，它终将超越人类的理解能力（甚至可能超越人类的控制）。 这固然很好，但我有一份新闻通讯（https://www.wired.com/newsletter/exclusive/ai-lab）需要制作。我想知道，递归自我改进对我是否也有用。我能不能用AI来训练并持续改进一个模型，让它自动化这份新闻通讯中的一些琐碎工作？ 经过大约一周的尝试，答案似乎是响亮的——而且出人意料——完全可以。更重要的是，对自我改进模型的初步尝试，展现了AI发展的另一种愿景——一种不以少数掌控整个行业的公司为中心的发展路径。 **我首先尝试了一个简单的自我改进循环** 为了热身，我尝试从头训练一个小型语言模型——说白了，就是把所有繁重工作都甩给Claude（https://www.wired.com/tag/claude/）去做。 我安装了AutoResearch（https://github.com/karpathy/autoresearch），它能帮助现成的AI模型构建并改进一个更小的模型。AutoResearch出自Andrej Karpathy（https://www.wired.com/2015/01/karpathy/）之手，这位顶尖AI研究者曾参与创立OpenAI，领导过特斯拉的AI工作，最近又加入了（https://x.com/karpathy/status/2056753169888334312?lang=en）Anthropic。 我启动了Claude，并给出了推荐指令："你好，看一下program.md，我们开始一个新的实验吧！"Claude负责硬核工作，而我提供硅片（一台Nvidia（https://www.wired.com/tag/nvidia/）DGX，专为AI实验设计的桌面"超级计算机"）、电力（连续几天高热运行），以及一个可能不太明智的意愿——让模型跳过所有常规权限检查自行其是（放手让它发挥！） 我每隔几小时查看一下AutoResearch项目的进展，惊叹地看着Claude调整参数和训练方案，观察这些变化如何影响小模型的输出，然后继续改进。 以下是小语言模型早期版本在我提示它补全短语**“*起初...”***时的输出： > *“起初的起初的最终的最终的最终最终最终最终最终最终最终开端最终最终最终最终...”* 不怎么样。但后来由Claude自主改进的模型变得更连贯，不再那么疯狂地无限重复。虽然远不及GPT-5，但展现了一条通往持续改进的有希望的道路。 **我的旅程继续深入，用上了更复杂——也更实用的工具** 我已经在使用一个依赖Claude的智能体来帮我寻找值得关注的研究论文，所以我决定看看能否构建一个更强大的工具。 我求助于一家名为Prime Intellect（https://www.primeintellect.ai/）的初创公司的工具，它利用AI为特定任务训练定制模型。我收集了大约100条之前"AI前沿的其他动态"条目——这些是跟随在我的新闻通讯（https://www.wired.com/newsletter/exclusive/ai-lab?sourceCode=CarveLeft）主文章后面的零散研究内容。然后，我创建了一个Prime Intellect训练环境，并请求Claude帮我构建自己的模型，它将其命名为Frontier_Paper_Curator，用于查找和总结有趣的论文。 Claude找到了更多论文，并生成了一批合成数据用于训练。然后它又调用另一个模型来评估Frontier_Paper_Curator的输出，同时训练环境还通过强化学习改进了模型。 Prime Intellect的CEO Vincent Weisser告诉我，他的公司致力于让每个人都能够使用递归自我改进——不仅仅局限于前沿实验室。他说，前沿实验室生产的模型可能很出色，但将这种AI训练方式民主化，可能会产生同样有能力的专门模型。 "Weisser说："让每家公司都能使用前沿训练基础设施，市场集体创造力迸发出的价值远远超过少数几个实验室所能达到的。我们不想要一个集中化的、近乎神一般的智能，我们想要数十亿智能体，进入所有能创造出美好事物的细分领域。" Prime Intellect并非唯一一家看到这种未来的公司。另一家初创公司Adaption提供了一款名为AutoScientist（https://adaptionlabs.ai/blog/autoscientist）的工具，用于自动化AI模型训练。CEO Sara Hooker表示，Adaption正在与几家大型公司合作，这些公司消耗大量token，但内部缺乏AI专家。 当Anthropic决定阻止（https://support.claude.com/en/articles/15363606-why-claude-switched-models-in-your-conversation-with-fable-5）对其最新模型Fable 5的某些请求时，它暴露了过度依赖单一前沿模型的风险。而一些高管，如Palantir的Alex Karp，已警告（https://www.cnbc.com/2026/07/01/palantir-karp-open-ai-anthropic-tokens.html）使用前沿实验室也意味着将自己的数据和技术控制权拱手让人。 递归自我改进的最终目标是让AI将新颖的想法应用到模型中，并提出自己的见解。我们其他人可用的工具虽然更有限，但仍然令人印象深刻。在使用Prime Intellect不到一天后，我就成功创建了一个出奇好用的模型来查找和总结研究。以下是我创建的示例条目： > *iFLYTEK的研究人员开发了（https://arxiv.org/abs/2607.02542）iFLYTEK-Embodied-Omni，这是一个统一的多模态AI模型，将视觉、语言和动作生成集成到单一框架中。与先前将视觉理解、未来状态预测和动作生成分开处理的具身智能体不同，他们的模型使用共享的多模态自注意力机制，使得视觉-语言"高级大脑"与动作生成的"低级小脑"之间能够紧密协调——类似于大脑-小脑的协作。这种方法减少了级联流程中常见的错误累积和接口瓶颈。通过在一个包含人类和机器人标注的具身视频以及图像-文本数据的大型多样化数据集上训练，并采用分阶段训练策略，他们展示了一个能够进行联合推理、预测和控制的通用具身智能体。这为构建更集成、更通用的机器人AI系统提供了一种新颖的架构和训练范式。* 对于初次尝试来说还不错。新模型仍然有点过于积极，挑出了许多我会跳过的论文，其总结也有点笼统。但这是一个有希望的开端。希望有一天我能用它把我从琐碎工作中解放出来。 --- *这是**Will Knight**（https://www.wired.com/author/will-knight/）的**AI实验室新闻通讯**（https://www.wired.com/newsletter?sourceCode=editarticle）的一期。往期新闻通讯请点击**此处**（https://www.wired.com/tag/ai-lab/）。*