自进化后AI无法替代人类判断力

到2026年年中，AI“研发自动化”这一领域的进展时间表，已变得相当激进。

Anthropic在6月份发布的报告引发了广泛关注——Claude已接管了公司内部超过80%的代码编写任务。Mythos模型在一段训练代码的优化任务上，直接实现了52倍的加速效果。要知道，人类熟练研究员花费数小时折腾，通常也只能勉强达到4倍。在国内，MiniMax的M3模型则更为突出，在12小时内，完全无需人工干预，便成功跑通了“数据合成、训练、评测到迭代”的完整流程。面壁智能的MiniCPM5也展现了独特优势，借助Agent闭环，让模型自主编写出了算力利用率比原生Megatron还高出10%的预训练框架。

这些案例都在有力证明：行业确实在扎实地推动递归式自我改进（RSI）的边界不断拓展。

简单来说，RSI就是让模型深度介入“让自己变强”的整个研发链条。它自主设定目标、搭建环境、编写代码、运行实验，最后将验证成功的改进成果反馈给底层的自身。

这个概念并非新鲜事物。早在1965年，数学家I.J. Good就提出了“智能爆炸”的构想。后来，像尼克·博斯特罗姆（Nick Bostrom）这样的哲学家，在系统推演超级智能的演进路径时，也把RSI视为通向终极智能最关键的一环。然而，在过去十年里，这更多停留在思想实验层面——底层模型的能力，根本不足以支撑起这样一个自我进化的完整闭环。

但现在情况已经不同。随着模型逐渐成熟，技术的基础设施已经快要合龙。

如果AI真的跨过那道自我进化的门槛，那么研究的玩法会变成什么样？个人的能力结构又该如何转型？组织存在的意义又在哪里？

站在RSI的门槛上，这些问题已不再是科幻，而是迫在眉睫、需要严肃回答的课题。

而田渊栋博士，恐怕是回答这些问题最合适的人选之一。

他曾在Meta FAIR长期从事前沿AI研究，提出了对Grokking（模型突然变强）现象的经典“阶梯解释”，在强化学习、Self-Play自博弈、模型自优化和开放式探索等领域也取得了重要成果。2026年，他以联合创始人身份加入了Recursive AI公司——这家公司的名字本身就说明了一切，它正是致力于构建一套自我进化的AI系统。

他既是自进化领域的专家，也是硅谷这一轮组织变革的亲历者。

在这场变革的前夜，我们与他进行了深入交流。我们想拨开AI自动化的迷雾，看清自进化系统目前究竟卡在哪里。也想探讨一下，当职场的成功路径从“带领一个百人团队”转变为“驾驭一群Coding Agent”时，个人和组织该如何重新定位自己。

站在新旧范式交替的悬崖边，他给出的答案，出人意料地带着某种存在主义的底色。

在他看来，试图在参数调优和执行效率上与机器赛跑，注定是一条死路。当RSI彻底重塑智力分工的未来，人类最后的护城河，将是那些无法被结构化外化的“深层理解”。这包括对问题方向的敏锐嗅觉，是决定超级智能该往何处去的判断力（Taste），以及面对真实复杂境遇时，作为主体的不可替代性。

以下是我们的对话。

01 自进化 AI 的门槛是什么？

问：自进化AI已成为当前人工智能领域备受关注的前沿方向。不过，许多公司已经在开展自动化的AI研发工作，尤其是后训练部分——Agent主导的数据合成、训练、评估、迭代，都已经比较成熟。那么，Recursive AI想做的自进化AI，与这些已经落地的自动化AI研发，核心区别究竟在哪里？

田渊栋：这些自动化研发其实都只是第一步。我们下一步的期望是，AI能够自主发现新的算法、新的模式、新的架构、新的数据配比，甚至找到与当前Transformer架构截然不同的设计方案。通过这种方式，去探索下一代的训练范式。

这是我们最高的目标。

问：所以过程会更开放？

田渊栋：对。最简单的递归形式是调超参，但超参空间并不大。现在大模型能力很强，我们可以利用更大的搜索空间。

注：这里的“自动化AI研发”更多指把已有的研发流程（数据生成、训练、评估、调参等）交给Agent去执行；而“自进化AI”更强调系统能否发现新的算法、架构或训练范式，并将结果反馈到模型自身的改进上。二者的差别不在于自动化程度，而在于是否形成了“改进自身”的闭环。

问：我有个可能不太成熟的理解：能不能把AI自进化理解成一个自动的科学发现流程？先发现问题，再定义目标和奖励，然后探索解决方法，接着构造环境和所需数据，最后验证结果，并把改进保留下来——这个改进可以是外部的，也可以是参数形式的。您觉得这个理解对吗？

田渊栋：高层理解差不多。它相当于把研究员做研究的过程自动化。自动化之后，AI找到新的洞察和想法，再放回原来的AI中，让AI变得更强。AI变强之后，又可以继续自动化。大致就是这样一个逻辑。

它和AI Scientist的区别在于，AI Scientist的目标可能是AI之外的东西，比如材料设计、药物设计。这些任务本身不涉及把AI改回去，没有自改进、自我增强的路径。我们更愿意找一些有自改进空间的应用来做。如果我们发现新的预训练架构，就可以放回预训练，让模型变得更强。这是很多AI Scientist方向不具备的。

注：AI Scientist通常指用AI自动化科学研究流程，比如提出假设、设计实验、写论文或解决材料、药物等外部科学问题。Recursive AI关注的是更递归的版本：研究对象不是外部科学问题，而是AI自身如何继续变强。

问：现在已经工业落地的自动化系统，大概覆盖了哪些部分？Recursive AI想推进的是哪一部分？比如预训练有一部分自动化了，调参也有自动化流程。哪些部分相对成熟，哪些还不成熟？

田渊栋：很难简单说哪些成熟、哪些不成熟。就拿调参来说，它也能调出很好的结果。如果你对参数空间理解得更深，模型或调参AI也许能发现一些更好的参数组合。所以不是说调参永远是最低等的——最重要的是模型对问题有没有更好的理解。理解更好，调参也会有更深刻的意义。具体行动空间的大小，不是衡量自进化能力强弱的唯一标准。

问：更重要的是探索空间到底强不强？

田渊栋：对，探索空间，以及能不能在探索空间里找到惊人的发现。很多大模型老师傅做研究时，看了很多信号之后，会形成对问题非常重要的洞察。这个洞察写下来，可能极大提高效率。洞察可以很简单，可以是调参数，也可以是改两行代码。具体行动不重要，重要的是对问题有多深的理解。

注：“探索空间”可以理解为系统允许自己尝试的方案范围。调参、改代码、改数据配比、改架构都只是不同层级的行动空间；真正决定自进化能力的，是系统能否在这些空间里形成有效洞察，而不是动作本身看起来是否高级。

问：AI是个很好的模式学习者，能总结已有内容里的概率和模式。包括自然科学发现，某种程度上也是递归式、归纳式的。老师傅看了很多例子以后发现规律，再总结出来做改进——照理说这应该是AI擅长的。但您在别的访谈里也提到，AI自己的创新能力仍然有限。这里是不是有矛盾？

田渊栋：创新是分层次的。比较简单的创新，AI已经很强了，甚至超过人。比如把概念迁移过去，把已有概念应用到重复工作上，这些AI已经做得很好。但在更复杂、更抽象的创新层次上，AI还达不到人的水平。这两者不一样。

问：更复杂的创新大概是什么模式？比如有一种发现是递归性的，也有一种可能是偶然性的。AI是不是不太能掌握这种偶然性，或者更高级的新发现？

田渊栋：可以看一些例子。比如伽罗华发现群论，爱因斯坦发现相对论甚至广义相对论。这些是在大量实验基础上形成的概念突破。概念突破能解决很多之前无法解决的问题。有了这个概念之后，你问问题的角度、对问题的理解都会耳目一新。现在AI还做不了这样的研究。

问：是不是因为它还没有比较好的概念归纳和总结能力？

田渊栋：对，或者说它缺乏对新式结构的即时理解。它更多还是从过去的派生中做匹配。当然，即使只是模式匹配，AI在实用上已经很有用了。很多地方用简单模式匹配也能达到很好的效果。如果最高方向暂时做不了，仍然会有很多应用落地场景。

问：那以现在AI的自回归架构，它是否可能涌现出更高级的语义总结，或者更新模式的理解？

田渊栋：以现在的大模型和训练算法，我觉得不太容易做到对新结构的理解。但如果找到新的算法，也许可以做到。现在还在探索中。

注：“概念突破”不是在已有模式中做更好的匹配，而是改变问题本身的表达方式。用群论和相对论作为例子，是为了说明真正高级的科学发现往往来自新的抽象框架，而不仅是从大量样本中归纳出局部规律。

02 如何跨过自进化 AI 的门槛？

如果说第一部分聊的是“什么才算自进化”，那么这一部分要讨论的是更工程化的问题：怎样让系统真正跨过这道门槛？这里的瓶颈不只是算力，也不只是模型本身，而是一系列具体的工程步骤。其中包括验证信号、人的洞察、反馈速度，以及系统如何把不同进化路径组织成一个可持续的闭环。

问：一个比较现实的问题是，前沿模型一次训练可能以周或月为单位，非常昂贵。在这种情况下，研究团队到底怎么判断一条训练路线走对了？

田渊栋：现在还是要靠老师傅看具体数字。一个模型从预训练开始，到强化学习，再做RLHF，最后出厂。我们希望最终模型的指标很好，但最终参数指标和一开始预训练决策之间有什么关系，现在还不是很清楚。所以还是得靠经验，靠过去的知识，去找好的方案，去找能衡量过程的中间指标。这样大家才有信心说之前的判断是对的。如果这个过程能自动化，后面会更好。

问：现在推动AI研究的主要瓶颈，是GPU、集群稳定性，还是奖励信号、验证信号这些东西跟不上？

田渊栋：我觉得奖励信号和人的洞察更重要。集群当然也重要，你需要一个最小集群规模才能入场，卡太少很难做事。但卡大到一定程度之后，最大的问题是怎样让每个人最大程度展现他的知识，发现新的洞察。

注：reward signal（奖励信号）指训练或搜索过程中用来判断“做得好不好”的反馈信号。在编程题、数学题这类任务里，反馈往往比较清晰；但在研究路线、组织决策、长期产品判断中，反馈慢且模糊，自进化系统也就更难闭环。

问：您之前在自优化上的研究，很多时候会让模型自己产生反馈信号，比如Self-Play（自博弈）、Agent as a judge（Agent作为裁判）、Meta-Rewarding（元奖励）。您觉得模型或Agent自己能否成为一种跨任务的通用奖励信号源？

田渊栋：模型可以提供一些信号。因为生成永远比判断难，判断比生成简单。一个模型花很多力气生成很多数据，但判断起来会更简单一些。通过这种不对称性，总能在生成结果里找到一些问题，再让模型去改进。但主要问题是，模型可能只能发现比较粗浅的信号。对于一些更高级、更复杂的大问题，模型不一定能发现。这就需要人。人有比较高的鉴赏能力，能找到模型找不到的重要信号。

问：所以通用奖励或者通用验证器，当下还是两条路径：一条是基于模型自己作为验证器，另一条是靠人去写评分规则（Rubric）的模式？

田渊栋：对，这两个最后会结合。整个循环往往是一个对抗训练的过程：先跑，跑完发现问题，再加补丁，补丁之后再跑。

注：Verifier（验证器）用于判断一个结果是否正确或足够好；Rubric（评分标准）是人写的评分规则。模型自评可以覆盖大量样本，但容易停留在粗浅层面；人类Rubric更能注入高层判断，但成本高、覆盖面有限。

问：我看Recursive AI团队之前有很多关于自进化的研究，比如Jeff Clune参与的Darwin Goedel Machine，是达尔文式进化加元学习；AI Scientist更偏树搜索；您自己的研究偏Self-Play；另外还有双层Agent、元学习等路径。这些看起来并不完全统一。这些自进化方法背后有没有更统一的逻辑？

田渊栋：最后肯定会是综合性的模式。进化这条路上没有特别清楚的数学理论，也没有一个方案一定比另一个方案好。我总可以举出一些例子，说明一个方案在某些情况下更好，在另一些情况下更差。现在很多时候还是在探索过程中。

问：自进化现在可能有两条路径。一条是更偏参数的自进化；另一条是传统强化学习，通过环境学习新知识再积累，包括外部化积累，比如技能进化。您怎么看这两种模式？

田渊栋：强化学习不一定是唯一道路。强化学习只是训练模型、通过某种方式修改权重的一种方案。它现在依照马尔可夫决策流程来建模整个过程，最终修改权重，得到更好的模型。但所有进化方式最终都要落实到权重修改上。权重修改本身有很多事情可以做，我们不会卡死在一个方法上，会比较灵活地做很多事情。

问：多Agent训练的底层逻辑和传统马尔可夫逻辑也不太一样。后续多Agent训练会有什么变化？

田渊栋：现在很多并不是多AI，而是单Agent多上下文，这是一个比较标准的路径。它可以拓展成多模型：某些模型在某些方面强，就用它做这件事；另一些模型在别的方面强，就换一个模型。没有特别清楚的准则，最终还是看效果。多一点Agent或模型，视角不同，可能获得更一般化、更丰富的结果，这在某些方面是有利的。

注：这里提到的Self-Play、树搜索、强化学习、元学习、进化搜索，都是让系统在某种反馈下持续改进的路径。核心不在于哪条路线会胜出，而在于最终都要落实到“如何让模型或系统状态发生有效更新”。

问：在AI迭代任务的进化中，您认为整体系统设计更重要，还是基础模型能力更重要？如果基础模型受限，提不出太多创新内容，依赖系统和人工先验注入，可行吗？

田渊栋：一定会有人类先验注入。现在看起来，不可能做到100%由AI设计系统、100% AI自进化，那还是比较遥远的将来。现在能做的是，让人在里面花的时间越来越少，特别是在一些简单工作上。

问：多智能体的智能性确实可能比单次大模型调用更高，但成本也很大。您觉得这种范式会一直保持吗？

田渊栋：我觉得会保持。很多事情没有办法缩减。比如你需要很多子Agent去调研各种数据、去网上查东西，这些事情本来就要做。换一个模型也还是要做。你要调研，就要把所有东西拿到台面上来分析。所以未来Token数会越来越多，我们需要很多Token来完成事情，这不会改变。当然，有些地方可以精简：让Agent动作更高效，思维链更短、更紧致，不要绕大圈子。最好的模型在思考时，思维链一般是短而精悍的。多Agent也会往这个方向发展。

问：现在自进化系统里最重要的卡点是什么？如果不谈模型自己的限制，最大瓶颈是什么？这些卡点未来会变吗？

田渊栋：简单问题容易做，比如我们最近放出来的一些内核优化（优化架构推理引擎），几秒或几分钟就能出结果。因为反馈很强，自进化系统能很快找到新方案。难的是反馈慢的问题。如果你要发现一个模型，但训练特别慢，就很难完成快速迭代。在大模型到来之前，我们在Meta做过类似工作，比如架构搜索、神经网络架构搜索，以及在解空间里寻找一个解来解决设计问题。这些和现在的进化方向高度一致。以前的一些方案可以拿过来，在这里焕发新的生命。比如如果训练一个模型特别慢，可以训练一个超网络（Supernet），用它快速估计新架构在数据集上的大概效果，不用真的完整训练这个模型。这样很多信号会更快出来。总的来说，我们希望进化链条变得很快。我们的内核优化也是一种提效手段，以后肯定还会有更多提效方法。

注：Supernet（超网络）是神经架构搜索中常见的技巧，用一个更大的共享网络快速估计不同子架构的效果，从而避免每个候选架构都完整训练。

03 站在自进化 AI 门槛上的人

当AI开始参与研发自身，人类的价值就不会只体现在“产出多少”上了，而会更多体现在方向感、判断力、领域知识和提出关键问题的能力上。自进化AI的门槛越近，就越需要重新区分哪些能力会被模型替代，哪些能力会被模型放大。

问：现在很多人都在提一个概念，叫“AI原生”的人。在我看来，它似乎对应的是过去组织里那些自我动力强、目标感强、行动力强、反思性也强的人。这样的人在过去的组织中，往往也是更有推动力、更有创新力的人。AI到来以后，它给这些人带来的变化，和过去相比有什么不一样？

田渊栋：对这些人来说，AI是天大的好消息。因为这类人往往思路很清晰，反应快，思维也很活跃。但在AI到来之前，他们一定需要很多人帮助自己把事情做成。他们思维很快、思路清楚，但仍然需要别人去执行。现在AI来了之后，很多执行工作可以被AI代替。AI可以帮他们执行，也可以帮他们学习一些原来不知道的新知识。所以这些人的能力会被极大放大。如果能给他们一个足够好的舞台，他们的产出可能会出乎想象。

问：在您的观察里，现在这些AI原生的人，原来在公司里通常是什么角色？他们更像是处在管理层和执行者之间，还是偏管理层一些？

田渊栋：很难简单归类。管理层里有很多不同类型的人。有些人以前是技术骨干，曾经有很辉煌的成果，后来转去做管理、带团队，没有时间继续执行自己的很多想法。这类人在AI时代可能会被重新解放出来，真正去做自己想做的事情，并产生很大的产出。但也有一些管理层的人，对技术兴趣不大了，对未来的思考也不够深入，他们就不太容易进入这个角色。还有一类AI原生是年轻人。他们很有想法，很有冲劲，经验可能没那么丰富，但执行力和对AI的热情非常高，也可能成为AI原生的候选。所以AI原生不是一个单一职位，而是一组特质。每个人可能在某些特质上特别强，某些特质上稍弱，但只要具备这些核心特质，就可以算作AI原生。

注：AI原生在这里不是“会用AI工具的人”，而是能把AI纳入自己思考和执行闭环的人。核心特征不是熟练操作某个产品，而是目标感、方向感、反思能力和把想法快速落地的能力。

问：AI带来的能力方差到底会怎么变？现在有两种说法。一种说法是，AI能协助人完成很多工作，即使一个普通工程师也可以做很多原来做不了的事，所以它会缩小普通人与强者之间的差距。另一种说法是，AI会拉大差距，因为更强的人可以更好地使用AI，并行执行更多想法，让个人能力更全面地扩张。您觉得哪种说法更靠谱？

田渊栋：这完全取决于一个人原来“不够强”的原因是什么。如果一个人不够强，是因为他没有太大的动力和方向，那么AI对他的加持不会太大。但如果一个人不够强，是因为他在一些小细节上不够专注，可是他对大方向有感觉，那他可能会被AI加强很多。原来比较强的人也一样，要看他强在哪里。有些人非常努力，手头工作做得很细，但方向感不是很强。这样的人在AI时代，优势会和AI Agent的生态位重叠。Agent来了之后，他们原来的优势就不会那么大，他们需要转型，把更多时间花在思考什么方向最重要，而不是继续花大量时间打磨手头工作。另一类人思想很飞扬，有很多想法，但过去没有时间和精力完成所有想法。这类人在AI时代会非常受益。所以它会出现两极分化。关键不在于一个人过去强不强，而在于他的强项是不是AI难以替代的强项。

问：您刚才讲的Taste，是不是可以理解成一个人综合性的方向判断能力：他知道自己对未来什么方向感兴趣，也能把握大的方向？

田渊栋：是的。

注：Taste常被直译为“品味”，但在这里更接近研究和产品中的方向感：知道什么问题值得做、什么结果有价值、什么路线可能通向更大的突破。

问：现在AI研究和开发已经在一定程度上跨过自动化门槛。如果我们规划未来职业发展，还有哪些工作不容易被AI替代？

田渊栋：在具身智能完成之前，所有物理世界的工作可能还是比较难被AI替代。如果只说纯智力工作，我觉得领域专家很重要。某些领域懂的人不多，能否在这个领域上获得突破，是每个专家需要思考的问题。很多时候应该把AI当作工具，拓展你想做的事情。只要你是这个领域的专家，你就有权利用AI做你想做的事。这样的“专家+AI”很难被AI本身替代。

问：所以高频任务之外的低频分布、长尾工作还是很重要？

田渊栋：对。高频任务之外的长尾工作，数据不够多，模型不够强，这时候人的知识和学习能力就非常重要。这部分可以成为未来很大的职业战略方向。

注：长尾任务指数据稀少、情境复杂、难以标准化的任务。模型最擅长的是高频、可重复、有大量样本的问题；越往低频和开放环境走，人的领域知识和迁移能力越重要。

问：对于非技术背景的产品、运营同学，自进化AI时代的核心竞争力会是什么？前一阵有个很火的说法是，可以通过Skill蒸馏一个人的经验。如果经验最终也能转成训练数据，或者从低频任务变成高频任务，那么人的竞争力还会在哪里？

田渊栋：经验分很多层次。有些是流程性经验。比如要开发片，先从某个地方下载发片，做一些处理，再交给谁。这种过程性知识，如果Skill写得细一点，AI可能就会了。这类知识以后不再需要人。再往下，有很多非过程性知识，或者说需要人具体思考的灵活知识。这些更难被蒸馏。就算一个人把自己的思维方式写下来，也可能无法泛化到其他具体情况。所以我挺怀疑Skill蒸馏到底能到什么程度。它可能能深入一些表层结构，但深层次的问题理解和判断，现在还不太容易做到。

问：如果后面Skill作为一种数据类型，用于AI本身训练或预训练，它有没有可能帮助模型找到更深层的问题模式，让经验真的被蒸馏？

田渊栋：可能可以。但我觉得最难的一些Skill还是需要完全不一样的算法。当然我也不一定对，也有可能这种方式本身就能达到自我进化的标准，这还需要探索。

注：Skill在这里指把人的流程经验、判断步骤或操作方法外化成可被AI调用的结构化知识。流程性Skill容易被复制；难点在于那些依赖情境判断、隐性经验和深层理解的Skill。

问：您之前在年终总结里提出过“费米层级”的概念：人的价值不再看产出多少，而是看能不能让AI变强，“人+AI”要大于“AI本身”，低于这条线的人会被淘汰。但RSI在一定程度上会把“让AI变强”这件事本身也自动化。那“费米层级”是不是会在RSI实现时消失？您做的这件事，会不会是对人类价值的最终消灭？

田渊栋：这个问题问得很尖锐。我觉得这件事情一定会发生。这不是说我做了什么坏事，让别人没办法生活。大家总是会往最高的方向走。2023年的时候，有一个倡议说大家不要再做AI了，停下来6个月，好好想一想AI是怎么回事。当时有不少人签字。但签完之后，大家照旧训练自己的模型，没有人真的关心这事。因为这是囚徒困境：你不做，别人会做。所以我不会因此自责，说某一天我把人类社会的价值都消灭了。这是必由之路，就算没有我，也会有别人做。

另一方面，如果AI真正实现了，对人类个性可能是一种极大解放。很多人选择专业或职业时，第一考虑不是自己的兴趣，而是这个方向能不能赚很多钱，能不能让自己将来有优渥收入。很多人放弃了当初的爱好和兴趣。有人愿意弹琴，有人愿意画画，有人愿意写小说，有人愿意旅行，也有人愿意做义工。但这些事情不像程序员或AI研究员那样容易赚钱，所以很多人放弃了。如果未来AI足够强，很多人可能会意识到：每个人都可以做不一样的事情，做自己真正发自内心想做、想尝试、想探索的事。这也许是好事。

注：RSI指系统通过改进自身来获得更强能力，再用更强能力继续改进自身的循环。它一旦成立，就会改变“人让AI变强”这件事的分工，也会冲击人类价值的衡量方式。

问：您在AI这一波浪潮之前已经很成功，积累了很多成功路径。到了Agent时代，或者更整体的AI时代，过去哪些成功路径可以抛弃，哪些需要加强？

田渊栋：过去有很多成功路径，比如提出新思路、新算法，发文章；或者针对具体问题设计具体模型来解决。但在新时代，这些路径已经有些不同。现在主流思维会变成：能不能做一个一般化的模型，覆盖很多例子。这个思维方式会慢慢成为主流。之前那些比较具体化的思维方式，不能说被抛弃，但优先级会下降。我现在更感兴趣的是：有没有一个更一般化的算法、更一般化的训练算法、更一般化的系统，能够达到自我进化的目的。

问：现在研究界整体也有这个趋势：更多人研究怎么把AI从技术推向科学，形成更底层的定理或公理。

田渊栋：对。与其让AI做某些特定知识的提取，不如思考AI是如何获取知识的。有没有一个一般化的知识获取和学习模式？一旦发现之后，它就会有很大用处，可以学到很多知识，而不是在每个具体知识上花很多时间。

04 站在自进化 AI 门槛上的组织

当AI能承担越来越多执行、检索、编码和评估任务，组织的核心问题就不再是“如何堆更多人”，而是如何组织洞察、设定目标、分配实验空间，并让小团队与大公司资源之间形成新的协作关系。

问：您现在所在的Recursive AI是一个小型实验室，小而精的团队。但到目前为止，除了少数这类实验室之外，真正有影响力的似乎还有限。与此同时，OpenAI、Anthropic这些公司还在扩招，人数已经翻了很多倍。一方面它们也在做新的组织化尝试，另一方面又在扩张，这种张力来自哪里？

田渊栋：小型实验室本身也有很多方向。做自我进化方向的，我们这个实验室应该算比较大、比较前沿的；其他做这个方向的人并不多。有些实验室是做AI for science，比如找超导材料；有些做人和机器的协作；有些做世界模型。每个组方向不一样。很多实验室也刚刚组建几个月，在这段时间里有很多事情要完成，不太可能马上产生非常轰动的结果。我们公司的动作相对比较快，已经有一些初步结果，比如怎么用AI做自我净化、自我迭代。这些东西大家开始意识到了，但新公司整体还需要时间。

注：Neo Lab（新型实验室）指近年来围绕AI前沿方向新成立的小型研究公司或实验室。它们通常不以传统大厂部门结构运转，而是围绕少数前沿问题组织高密度人才和快速实验。

问：像传统大公司有很多老业务，如果要走向更高效的AI组织，可行的路径是什么？是一个项目一个项目做试点，逐步积累经验，还是直接用“休克疗法”，全部拆成更偏项目制的小组？如果是前者，多大的项目适合先做尝试？

田渊栋：我觉得要先做试点。不同公司、不同组织、不同CEO的做法会很不一样。Meta可能比较激进，Google到现在都没有大规模裁员，还是希望大家坐在一起把事情做成。最后取决于公司的文化。一下裁很多人会影响军心和士气，这不是很好的信号。另一方面，问题在于你怎么把这些人重新组织起来，让他们做自己想做的事情，同时这些事情放在一起又能对公司产生收益。这需要比较巧妙的方式。如果项目是短平快、偏工程化，问题拆分得比较清楚，就可以用很多小团队完成，再把它们拼起来。最重要的是接口和沟通方式要正确。如果是更偏研究的方向，小团队单独作战可能更合适。无论哪种情况，奖励机制都很关键：怎么让大家愿意、也能够高兴地把事情做成，这是很大的问题。

注：这里的“AI组织”不是简单把员工配上AI工具，而是重新设计团队边界、接口、激励和协作方式。工程化项目可以拆成小团队拼接；研究型问题则更依赖少数高判断力的人形成方向。

问：您在Meta待过，Meta的研究机构和预训练团队是分开的，两个团队之间也有过一些交流问题。您觉得哪些团队做得比较好？它们是按什么模式做这种前沿开发分工的？

田渊栋：基本上还是小团队做得比较好，Meta里面已经有不少例子。Llama第一代就是小团队做出来的。当时FAIR里有两套东西：一个比较大的组专门做大模型；还有一个原来不是做大模型的组，是做定理证明的。后来你会发现，大组做起来效率不是很高，小组临时起意，把自己的架构和基础设施换成大模型训练，效果反而比大团队更好。最后Meta选择把这个小团队做出的模型命名为Llama并发布。关键还是看带头的人是谁，团队是否有足够的速度和经验，执行是否够快，任务协调是否做得好。

问：未来在模型开发这块，小团队的优势会不会更大？过去训练模型，无论预训练还是后训练，都需要很多人参与。现在越来越自动化，人在过程中更多是设定基础洞察、具体目标和做调节，人力需求是不是没那么重了？

田渊栋：现在确实有更少的人做更大事情的可能，包括大模型本身也是这样。但另一方面，如果多一个人，而这些人都很厉害，他们可能会带来新的洞察。如果人太少，可能会过度依赖Agent和自动化系统，反而错过一些新的洞察。所以不是越少越好，而是要看这些人是否能贡献关键洞察。

问：在您看来，即使未来一个人可以通过Agent做到过去一个人做不到的事情，也不意味着组织本身没有价值。只是组织可能不像原来一样需要那么庞大、那么强的支撑性了？

田渊栋：对。你还是需要一个组织，让人和人之间有交流，部门和部门之间有沟通。但组织内部的激励机制、具体组织形式，都会有很大变化。特别是经理和下属、团队领导和独立贡献者之间的关系，会需要新的想法。以前一个有能力的人可能希望成为经理，下面带一些人，把事情做成。以后有些人可能会说：我不带人了，我带Coding Agent，把事情做成可能更有效率。组织可能更扁平，人和人之间的工作也会相对更加独立。

问：也就是说，交流会变得更重要，但需要更高效的交流。大家之间互相分享洞察会更重要？

田渊栋：交流形式也会不一样。以前可能一个组开大会，花一两个小时，效率不一定高。未来可能会有更轻量、更高效的协作方式。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：自进化后AI无法替代人类判断力要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题