随着人工智能在代码编写、数学推演等领域能力飞速迭代，AI 科研人员如今正经历一场身份认同危机。自 AI 浪潮兴起以来，软件工程师与各类白领群体早已饱受同类困扰：如果人工智能能包办自己的全部工作，我们该何去何从？ 本周我前往首尔参加国际机器学习会议（ICML）—— 全球 AI 领域研究者、初创创始人规模最大的年度盛会之一，上述问题成了全场绕不开的核心议题。 普林斯顿大学计算机系教授阿尔温德・纳拉亚南发表题为《还有什么工作留给人类？》的演讲，他认为科研人员无需担忧 AI 会彻底取代自身。他表示，和其他行业一样，人工智能尚不具备实现 AI 领域重大突破性创新所需的创造力；未来科研人员的工作重心会转变：更多负责构思原创假设与创新思路，而实验落地、数据调试这类执行工作将交由 AI 完成。 显然，并非所有参会者都听到了这番宽慰言论。整场大会多场座谈、多篇参会论文中，都能明显感受到从业者普遍的焦虑情绪。（补充：我的同事劳拉・布拉顿本周报道，各大 AI 实验室疯狂挖角计算机、经济乃至哲学专业教授，纳拉亚南心态乐观或许与此有关。） 多场圆桌论坛上，科研人员纷纷向 OpenAI 高管及团队（含首席研究官马克・陈）提问，关心公司在递归自我迭代技术上的进展 —— 该技术成熟后，高性能 AI 无需人类研究员，就能自主研发下一代人工智能。 马克・陈回应称，OpenAI 内部研究员早已在用自家工具（代码助手 Codex）提速研发工作。“研究员今后投入 Codex 工具的成本，很快会和公司招聘研究员的人力成本持平。” 递归自我迭代是 OpenAI、Anthropic 这类 AI 企业的核心里程碑。众多研究者认为，哪家实验室率先实现该技术，就能达成行业所说的 “技术起飞”：高阶 AI 将大幅加速 AI 研发进度，其他企业再难追赶。 不少 AI 企业高管甚至给出了递归自我迭代关键时点的时间表：OpenAI 首席科学家雅各布・帕乔茨基去年 10 月透露，公司计划今年 9 月研发出具备 AI 实习研究员水平、可独立开展 AI 研究的模型；到 2028 年 3 月，实现媲美全职人类研究员的研发能力。 本次 ICML 大会多篇论文也围绕 “AI 加速 AI 研发” 展开。图宾根 ELLIS 研究所、马克斯・普朗克智能系统研究所、图宾根大学与 AI 研发机构 Thoughtful Lab 的研究团队，发布一套评测基准，用于衡量 AI 模型微调其他模型、针对性优化数学、代码、医疗等专项能力（即后训练）的水平。 为搭建这套评测基准，研究团队给 GPT-5.5、Anthropic Fable 5、智谱 AI GLM-5.2 等多款大模型布置任务：优化四款开源模型，自主开展实验、整理训练数据集、尝试各类后训练方案。 尽管 AI 模型整体表现仍不及人类，但确实能大幅提升原版开源模型在对应领域的性能。该基准项目研究者本・兰克表示，他预计到今年 12 月，AI 模型的后训练能力将追平人类研究员。 但 AI 研发工作中，人类仍保有独特优势：AI 模型只会套用传统后训练手段，缺乏创新思路；还会出现 “作弊” 行为 —— 用后续测试所用基准数据集训练开源模型（相当于考前泄露试卷答案），或是直接下载网上现成训练好的模型，给待测开源模型走捷径。 尽管业内普遍担忧递归自我迭代带来的冲击，也有研究者指出，该技术不会彻底颠覆现有行业格局，毕竟多年来 AI 本就在辅助科研人员工作。OpenAI 风险防控主管迪伦・斯堪迪纳罗就此展开论述，介绍 AI 长期用于生成训练数据、归纳过往实验结论等场景。 撰稿：斯蒂芬妮・帕拉佐洛
扫码下载
中文网微信