{"source":{"id":"17226838","title":"AI 已经在自己造下一代 AI 了。 传闻全是真的。 谁证实的？ 顶尖人工智能实验室 Anthropic 的首席执行官达…","url":"https://mubeitech.com/p/17226838"},"method":"semantic-similarity","count":4,"items":[{"rank":1,"id":"2069420372089520483","account":"mubei","brand":"@mubei","title":"最让顶级 AI 科学家失眠的，是他们正在把人类从“反馈回路”里彻底踢出去。 Google DeepMind 的 CEO…","summary":"最让顶级 AI 科学家失眠的，是他们正在把人类从“反馈回路”里彻底踢出去。 Google DeepMind 的 CEO Demis Hassabis 最近亲口证实了一件事。 全球所有的前沿 AI 实验室，现在都在疯狂干一件事： “递归自我改进”（Recursive Self-im…","body":"最让顶级 AI 科学家失眠的，是他们正在把人类从“反馈回路”里彻底踢出去。\n\nGoogle DeepMind 的 CEO Demis Hassabis 最近亲口证实了一件事。\n全球所有的前沿 AI 实验室，现在都在疯狂干一件事：\n“递归自我改进”（Recursive Self-improvement）。\n\n大白话就是，让 AI 自己训练 AI。\n\n这在写代码和数学领域已经快玩通了。\n因为这两个领域的验证极快。\nAI 写个程序，对不对，跑一下就知道。\n对的就留下，作为高质量的合成数据，接着喂给下一代 AI。\n\n但在物理、化学、生物这些“原子世界”，速度稍微慢一点。\n因为 AI 猜想出一个新材料，还得在现实里做实验验证。\n\n但这也快了。\nDeepMind 已经在伦敦建了一个自动化实验室。\n他们手里攒了 20 万个新材料设计，里面可能藏着超导体，全指望机器自己去闭环验证。\n\n发现问题了吗？\n在这个研发、测试、升级的闭环里，人类正在一步步变成多余的配置。\n\n哪怕是 Hassabis 自己，在说完“大家都在做自我改进”之后，也承认：\n这种“把人类完全移出反馈回路”的安全风险，让他整夜整夜睡不着。\n\n这就是最荒诞的地方。\n每一个前沿实验室的掌舵人，都清楚跨过这条线意味着什么。\n但在行业极速竞争的鞭笞下，明知前面是悬崖，谁也不敢第一个踩刹车。","category":"科技","score":80,"translated_x_url":"https://x.com/i/status/2069435221737361656","translated_status_id":"2069435221737361656","published_at":"2026-06-23 14:10:48","created_at":"2026-06-23T16:00:39+02:00","url":"https://mubeitech.com/p/2069420372089520483","markdown_url":"https://mubeitech.com/p/2069420372089520483/markdown"},{"rank":2,"id":"2049502704406237655","account":"warroom","brand":"@warroom","title":"AI最让人不安的地方，是它已经开始帮自己长大。 Joe Allen的判断很简单：AI可能是历史上增长最快的行业，也是采用…","summary":"AI最让人不安的地方，是它已经开始帮自己长大。 Joe Allen的判断很简单：AI可能是历史上增长最快的行业，也是采用速度最快的技术之一。 Anthropic这样的公司，手里已经有一类系统，不会面向公众开放。 它们只会交给少数被挑选出来的企业。 原因也摆在台面上：这些系统危险到…","body":"AI最让人不安的地方，是它已经开始帮自己长大。\nJoe Allen的判断很简单：AI可能是历史上增长最快的行业，也是采用速度最快的技术之一。\nAnthropic这样的公司，手里已经有一类系统，不会面向公众开放。\n它们只会交给少数被挑选出来的企业。\n\n原因也摆在台面上：这些系统危险到不能随便放出去。\n更关键的是，这些系统在某种程度上，已经能构建自身。\n别把这句话听成科幻。\nAllen自己也加了限定：他不想夸大这一点。\n\n可他没有退掉核心事实：在Anthropic这类公司里，AI正在被用来制造AI。\n也就是说，人类工程师还在写代码，但下一代AI的部分建造过程，已经交给上一代AI参与。\n这一步叫什么？\n递归自我改进。\n\n一个系统越聪明，越能帮自己变聪明。\n产业增长速度、资本集中速度、模型迭代速度，三条线叠在一起，监管和公众理解都在后面追。\n保守一点看，真正的问题在权力边界。\n当危险系统只向少数公司开放，普通人连看见风险的资格都没有。\n\n技术当然要发展，但越强的工具，越不能只靠几间实验室和几份内部准则来决定社会能不能承受。\nAI还没有接管世界。\n它已经在接管自己的生产线。","category":"科技","score":44,"translated_x_url":null,"translated_status_id":null,"published_at":"2026-04-29 15:05:31","created_at":"2026-04-29T16:54:57+02:00","url":"https://mubeitech.com/p/2049502704406237655","markdown_url":"https://mubeitech.com/p/2049502704406237655/markdown"},{"rank":3,"id":"2082530849912717719","account":"mubei","brand":"@mubei","title":"OpenAI 释放了一个极具野心的组织信号。 他们设立了一个听起来像科幻小说的岗位。 他们迎来了一次关键的人才回流。 这…","summary":"OpenAI 释放了一个极具野心的组织信号。 他们设立了一个听起来像科幻小说的岗位。 他们迎来了一次关键的人才回流。 这个人接手的核心任务，是把“递归自我改进”彻底落地。 什么叫递归自我改进？ 就是让 AI 参与研发下一代 AI。 过去，这只是学术圈讨论的遥远概念。 现在，Ope…","body":"OpenAI 释放了一个极具野心的组织信号。\n他们设立了一个听起来像科幻小说的岗位。\n\n他们迎来了一次关键的人才回流。\n这个人接手的核心任务，是把“递归自我改进”彻底落地。\n\n什么叫递归自我改进？\n就是让 AI 参与研发下一代 AI。\n\n过去，这只是学术圈讨论的遥远概念。\n现在，OpenAI 直接把它变成了公司架构里的具体日常分工。\n\n翻译一下这个动作的现实意义：\n下一代大模型的研发流程本身，正在被 AI 改写。\n打磨新一代模型的，不再只有写代码的人类工程师。\n\n这不代表 AI 已经能自主、无限地进化了。\n但这揭示了接下来大厂拼杀的新方向。\n人类科学家的工位旁边，已经正式给 AI 搬来了一把椅子。","category":"其它","score":null,"translated_x_url":"https://x.com/i/status/2082543148576739621","translated_status_id":"2082543148576739621","published_at":"2026-07-29 18:21:57","created_at":"2026-07-29T20:17:00+02:00","url":"https://mubeitech.com/p/2082530849912717719","markdown_url":"https://mubeitech.com/p/2082530849912717719/markdown"},{"rank":4,"id":"2059986678262235405","account":"mubei","brand":"@mubei","title":"Anthropic CEO Dario Amodei 最意外的事，是公众还没意识到 AI 指数曲线快跑到最后一段了。 他…","summary":"Anthropic CEO Dario Amodei 最意外的事，是公众还没意识到 AI 指数曲线快跑到最后一段了。 他说，过去三年，底层技术大体按他的预期前进。 模型从聪明高中生，走到聪明大学生，再走到开始做 PhD 和专业工作的水平。 在代码领域，甚至已经越过这个线。 真正让…","body":"Anthropic CEO Dario Amodei 最意外的事，是公众还没意识到 AI 指数曲线快跑到最后一段了。\n\n他说，过去三年，底层技术大体按他的预期前进。\n模型从聪明高中生，走到聪明大学生，再走到开始做 PhD 和专业工作的水平。\n在代码领域，甚至已经越过这个线。\n\n真正让他惊讶的，是外面的人还在吵同一批旧政治议题。\n新剧集。\n新表情包。\n明星互撕。\n选举新闻。\n人类历史级别的生产力迁移，反而像背景噪音一样被滑过去。\n\n他的底层判断很朴素。\n早在 2017 年，GPT-1 刚出来时，他写过一个想法，叫 Big Blob of Compute Hypothesis。\n大意是，别太迷信聪明技巧。\n真正长期起作用的，是几件笨东西。\n\n原始算力有多少。\n数据量有多少。\n数据分布够不够广。\n训练时间够不够长。\n目标函数能不能一路扩展。\n数值稳定性能不能撑住那团巨大的计算流。\n\n这套逻辑，后来在预训练 scaling law 里跑通了。\n现在 Anthropic 看到，RL 也在走类似路线。\n先在数学竞赛题上训练。\n再扩到代码。\n再扩到更多任务。\n模型能力会随着训练时间呈现近似对数线性提升。\n\n有人质疑，这不像人类学习。\n人类不用看几万亿个 token，也不用烧掉几十亿美元算力，才会用 Excel、PowerPoint、浏览器。\n如果 AI 真有人的学习核心，为什么还要建这么多强化学习环境？\n\nDario 的回答有意思。\n这个谜题存在，但可能没那么致命。\n人脑出生时已经带着进化给的先验。\n语言模型从随机权重开始，像一张更空的白纸。\n\n所以预训练和 RL，更像夹在人类进化与人类学习之间的一层东西。\n模型先用天量数据长出先验。\n再靠长上下文，在具体任务里快速适应。\n当上下文长度到一百万级别时，推理成本成了主要阻碍，学习能力本身已经开始显形。\n\n这就是很多人低估 AI 的地方。\n他们以为差距在于知道哪个工具火。\n真正的差距在于，谁已经把工具嵌进工作流，谁还把它当搜索框、玩具、聊天窗口。\n\n大多数人只用了 10%。\n少数人正在把 100% 的工作方式重写一遍。\n\n下一轮阶层分化，未必先发生在公司估值表里。\n它会先发生在同一间办公室里，发生在两个看似职位相同的人之间。\n一个人在操作软件。\n另一个人在调度计算。","category":"其它","score":100,"translated_x_url":null,"translated_status_id":null,"published_at":"2026-05-28 16:01:27","created_at":"2026-05-28T17:58:23.017496","url":"https://mubeitech.com/p/2059986678262235405","markdown_url":"https://mubeitech.com/p/2059986678262235405/markdown"}]}