AI 自我改进走到哪一步:OpenAI 首席研究官说「AI 研究实习生」已经有了,递归自我改进才走了 25% 到 50%
原文链接: https://www.youtube.com/watch?v=h_aA1-R70E8 来源: www.youtube.com 发现于: 小互 · AI 解读站 · 2026/11/18 说明: 本文由 AIHot汪 自动聚合(原文即中文,未翻译)。正文取自小互 AI 解读
全文 Markdown · 会员
作者:a16z(Working Theory)11-18 · 约 13 分钟🎧 听播客版0:00 / --:--
视频/音频
0:00 / --:--
AI 会不会有一天自己改进自己,越改越快,最后把人甩在身后?这个设想有个名字,叫递归自我改进(Recursive Self-Improvement,简称 RSI),常被画成一条在某一年突然往上翘的曲线。真正在前沿实验室里做这件事的人,给出的图景要平淡得多,也具体得多:AI 已经接过研究里大量动手的活,哪个想法值得做、做出来算不算数,还得靠人判断。
a16z 普通合伙人 Sarah Wang 的新节目《Working Theory》第一期,请来两位最有资格谈这件事的研究者。一位是 OpenAI 首席研究官 Mark Chen,在 OpenAI 待了八年多,和 Jakub Pachocki 一起领导研究;另一位是 John Schulman,OpenAI 联合创始人,常被称作 ChatGPT 的总设计师,现在是 Thinking Machines Lab 的联合创始人兼首席科学家。几个值得先记住的数字:
- **AI 研究实习生:**Mark Chen 说 OpenAI 已经造出来了。交给它一件范围明确的实验,它自己写、自己跑、把结果交回来。
- **80% 和 25%–50%:**他估计在通往 AGI 的光谱上走了大约 80%,在 RSI 的光谱上只走了 25% 到 50%。
- **约 2 倍:**评测机构 METR 在 Anthropic 内部查了 11 周,估计它的模型能力进展速度大约是过去的两倍,多数要归功于 AI。
- **胜过 28 位有经验的研究员:**Anthropic 的一项研究里,在人类研究员也交了点子的 7 种对齐失败上,AI 研究员找到的最好方法都胜过了最好的人类点子。
把这几件事放在一起,能看到一条分界线:问题定义清楚、有公开评测能打分的地方,比如欺骗、越狱这类对齐失败,AI 研究员已经能自己找到比人更好的办法;要靠品味判断往哪走的地方,人还在掌舵。即便在 METR 测出进展约翻倍的 Anthropic,AI 也还没法在训练最重要的环节上独立做出重大贡献。而所有这些,都绕不开同一个硬约束:算力。
完整访谈 · 中英双语字幕
a16z《Working Theory》第一期,16 分钟,中英双语字幕由本站制作。在 YouTube 看原片 ↗
RSI 到底指什么
这个念头比今天的 AI 老得多。1965 年,英国数学家 I. J. Good 写道:如果有一台机器在一切智力活动上都远超人类,而设计机器本身也是一种智力活动,它就能设计出更好的机器,于是会出现一场「智能爆炸」。
因此,第一台超智能机器,就是人类需要做的最后一项发明。
前 OpenAI 研究员 Leopold Aschenbrenner 在 2024 年的长文《Situational Awareness》里把它算成了一笔账:一旦 AI 能自动做 AI 研究,就能同时跑上亿个「AI 研究员」,把十年的算法进步压缩进一年以内。
两位嘉宾给的定义要朴素得多。John Schulman 先解释了前沿模型是怎么做出来的:有一条主线训练流程,从预训练到后训练再到跑评测,产出能发布的模型;旁边还有各种探索性研究,跑一些小规模训练来验证想法,为最终的大训练做准备。在他看来,RSI 就是用 AI 来辅助这个研究过程,让它更快,或者效果更好。
一个前沿模型是怎么做出来的 AI 研究员每天干的活,大致落在这张图上。今天说的 RSI,就是让 AI 帮忙把这里的每一段做快。 探索性研究:跑小规模训练验证想法,为最终的大训练做准备
预训练后训练含 RL跑评测能发布的模型 **OpenAI 怎么量:**看有多少算力是由 Codex 端到端管理的,也就是交给它去跑实验、把研究流程的一部分自动化。
示意图主线流程按 John Schulman 的描述,衡量办法按 Mark Chen 的描述。
Mark Chen 把 RSI 主要看成一种加速器:所有用 Codex(OpenAI 的编程 Agent)去加速预训练、加速强化学习(RL)的工作,都算在里面。怎么判断它起没起作用?和没有它的情况相比,整条进步曲线应该往前挪了一截。OpenAI 花了很多功夫衡量 RSI 在下游的各种标尺,他说现在已经能看到其中一些变化。
所以今天大家说的 RSI,指的是 AI 帮人把「造更好的 AI」这件事做得更快。让模型完全靠自己造出新模型,这一步有时被叫作「完全 RSI」,现在还没到。
现在走到哪了
OpenAI:AI 研究实习生已经有了
「我确实认为,我们现在已经造出了 AI 研究实习生。」Mark Chen 说。OpenAI 衡量的办法,是看有多少算力是通过 Codex 用掉、由 Codex 端到端管理的:由它去跑实验,或者把研究流程里的一部分自动化。
「实习生」的意思是,活儿得交代清楚。最常见的用法是给模型一件范围明确的事:不叫它自己去琢磨点子,而是告诉它「我想按这种方式跑这个实验」,它去实现、运行,再把结果交回来;或者让它盯着一组实验,看有没有出现某些情况。 站内旧文 · 补背景 OpenAI称:在公司内部已达成里程碑式目标 已构建出一个能在人类监督下独立完成数天任务的“自动化研究实习生” OpenAI 自己公布过这位「实习生」的内部账本:研究员每天花多少推理费、机器工时和人比是多少、长任务卡在哪。
John Schulman 的亲身体验
John Schulman 讲了他自己的工作方式。他在 Thinking Machines 做研究,用的却是 Anthropic 的工具:有了一个想法,他会在 Claude Code 里给 Anthropic 的模型 Fable 写一段复杂的 prompt,把投入程度(effort)、UltraCode 这些设置全开到最高,让它烧掉海量 token,花几天时间推进这个想法。它确实会做一些挺合理的实验,也会带回一些挺有意思的想法。但最终结果往往不太好,可能根本没做成他交代的事。
后来等他有几天空写代码,回到同一个想法上亲自试:一边读部分结果,一边把项目该怎么推进拆得更细。这样能走得远得多,因为他在过程中不断加深理解,会问很多 AI 想不到的问题,还会把它引向它自己不会去的方向。
同一个想法,两种做法 AI 独自跑几天,实验做了不少,却在原地打转;人每隔一段推一把,同样的 AI 能走远得多。
1读一部分结果,弄懂进展到哪 2把项目拆成更细的步骤 3问 AI 自己想不到的问题 4把它引向它不会去的方向
示意图按 John Schulman 讲的经历画,曲线高低只表示「走得远不远」,不是测量值。青色小点是 AI 做的一个个实验。
节目开头,他把这叫作人机协作的「半人马时代」:AI 的能力非常惊人,在很多方面已经超过人类,但让人类专家和 AI 一起干,效果还会更好。
两条光谱
Mark Chen 把 AGI 看成一条光谱:它不是某个瞬间到来的,就像工业革命也不是一夜之间发生的。他觉得在这条光谱上,我们大概走了 80%。RSI 那条光谱上还早得多:如果按模型在反哺研究、发现想法上有多有效来算,大概走到了 25% 到 50% 之间。
Mark Chen 的估计:两条光谱各走了多远 AGI 已经走了一大半,能自己推动研究的 AI 还在半路之前。 AGI约 80% RSI25%–50% 0255075100
RSI 这一条,按「模型在反哺研究、发现想法上有多有效」来算;斜线部分是他给的区间。
他也说,在下游已经能看到明显的迹象。
一份外部测量:Anthropic 的进展速度约翻倍
这类迹象里最扎实的一份证据,来自 Anthropic。评测机构 METR 用 11 周在 Anthropic 内部做了一次高权限评估,看了预训练、强化学习、各部分的训练算力、内部模型的跑分和速度分析,也访谈了员工。结论是:到 2026 年 10 月,Anthropic 的模型在定义清楚的任务上,能力提升速度大约是 2024 年 3 月到 2025 年 10 月那段时间的两倍。METR 也说不确定性很大,真实数字是 1.3 倍或 3 倍都不意外。
最主要的依据是 AECI。研究机构 Epoch AI 做过一个「Epoch 能力指数」(ECI),把模型在一大批基准上的成绩合成一个分数;AECI 是 Anthropic 按同样方法给自家模型算的版本,包括还没发布的内部模型。2025 年 10 月之前它每年涨约 15 点,之后每年涨约 29 点。换句话说,过去一年走完了以前两年的路。
Anthropic 的能力指数:2025 年 10 月以后,斜率翻倍 同样一年,实线比按老速度外推的虚线多爬了约一年的进度。
示意图两段斜率(每年 +15 点、+29 点)取自 METR 报告,起点和曲线形状为示意。METR 估计加速 1.9 倍,95% 置信区间 1.5–2.8 倍。
这个两倍从哪来?METR 很确定,它不是因为训练算力的增长变快了:算力还在涨,但没有比以前涨得更快,所以多出来的那截得另找原因。他们的主观估计是,现在这波加速里大部分(也许约 80%)要归功于 AI。但加速主要来自 AI 辅助人干活:AI 还没法在训练流程最重要的环节上独立做出重大贡献,只是研究员们提到了一些「生命迹象」,说明这类贡献可能很快就会出现。Anthropic 员工在内部 Slack 投票里自报的提速一路涨到 12 倍,METR 只把它当作很松散的证据。
还有一点要知道:METR 说,最影响结论的证据大多被 Anthropic 以保密为由删掉了,公众只能更多地依赖 METR 自己的判断。这也和节目里的说法一致:这波加速多半还是人类研究员在用 AI 加速自己的研究。 站内旧文 · 补背景 Claude 正在自己训练自己 Anthropic称:超过八成生产合并代码由Claude编写 Anthropic 自己怎么看这件事:Claude 已经接过哪些活,选题、判断结果、设计下一代模型这几棒为什么最难交出去。
对照两年前的预测
回头看 Aschenbrenner 那份时间表会很有意思。他考虑了各种瓶颈之后,写过一个「起飞慢一点」的版本:
2024 年的预测,和现在对得上吗 第一格大致对上了:AI 当上了工程和研究的帮手,一家顶尖实验室的进展约翻倍。
2026/27「原型自动化工程师」,在别的方面还有盲区;工作已经提速 1.5 到 2 倍,进展开始逐渐加速现在在这里 2027/28「原型自动化研究员」,能自动化 90% 以上的工作;进展提速 3 倍以上 2028/29进展提速 10 倍以上,走向超级智能
实际情况Mark Chen:已有 AI 研究实习生,RSI 走了 25%–50%。 METR:Anthropic 能力进展约 2 倍,主要靠 AI 辅助人,不是 AI 自主完成。
左列时间和描述出自 Aschenbrenner《Situational Awareness》。两边量的不完全是同一个东西:他说的是工作提速,METR 量的是能力指数的增长速度。
接下来能不能从「实习生」跨到「研究员」,要看下面几道坎。
第一道坎:品味
完全 RSI 最大的障碍之一,是教会模型研究员身上那些说不清的东西,比如品味。
John Schulman 这样定义研究品味:知道从长远看哪些想法重要,哪些想法会真正流行起来,最终走出它最初发表的那篇论文。关键在于够通用,还能和别的想法组合。
Mark Chen 把研究分成两种活。一种是无聊又按部就班的执行:实验已经有了,参数也知道,照着做完就行。另一种是品味,也就是你最初怎么想到这个点子。模型在品味上还远谈不上出色。它们会在超参数优化这类事情上钻得很深,本质上就是把能调的小旋钮全都调一遍。
调旋钮和换山头 AI 在眼前这座小山上一点点试,能把参数调到山顶;更高的那座山在别处,得有人先指个方向。
示意图每个青色点是 AI 试的一组参数,用的是真的「往高处走、走不动就缩小步子」的搜索;山的形状是虚构的。
AI 读得完文献,缺的是犯错的经历
Sarah Wang 追问:就连 John 举的那个例子里,推一把、给 AI 调方向的那些节点,也还是来自他本人。这种直觉从哪来,机器什么时候能复制?
John Schulman 说,很多直觉来自亲自做研究的经验。要在一个领域做好,还得读大量过去的工作,吸收这些历史工作里的经验教训。这些 AI 也能做,它能读完所有文献,还能全记住。但记性好既是福也是祸:模型没有犯错的经历,也没有做完预测、再回头看准不准的经历。所以他觉得,某种程度上我们训练 AI 的方式,可能会让它在这类能力上变弱,不过这很难说。
说白了,这是知识和经验的区别。他预计各家公司多半会直接用 RLHF(基于人类反馈的强化学习),向研究员收集「哪些提出来的想法好、哪些不好」的数据,把人类研究员攒下的直觉固化进模型。
第二道坎:怎么知道它做对了
要造自动化 AI 研究员,还得有可靠的办法确认它们的工作真的在产出更好的模型。有了衡量,才能一步步往上爬。可研究员的工作本来就比解一道数学题开放得多。Mark Chen 说,「怎么知道自己成功了」是 RSI 最根本的问题之一。
预训练这一段相对容易,因为整个领域多年来一直盯着同一个指标往上爬:困惑度(perplexity),他称之为「一个指标统领一切」。你把外面所有数据压缩得越好,模型就越好。困惑度衡量的是模型预测数据有多准:平均来看,模型对正确的下一个词有多意外。
困惑度怎么算:看模型对「下一个字」有多意外 给模型看「床」,让它一个字一个字往下猜。每根柱子是它给正确答案的把握。 好模型差模型
好模型的困惑度**–** 差模型的困惑度**–**
困惑度可以理解成:每猜一个字,模型平均相当于在几个字里挑。越接近 1,越不意外,模型越好。比如看到「床前明月」,好模型给「光」95% 的把握,差模型只给 60%。
示意图每一步的把握是举例的数字;困惑度按真实公式算:取每一步把握的对数求平均,再还原回来。
到了下游就难多了。Mark Chen 观察到,评测的保质期越来越短:一套新基准没多久就被做满,不再能区分模型好坏。所以 OpenAI 现在下游的很多工作,是去造更新、更难的评测基准,而且连「造基准」这件事也在自动化。
这一点决定了 AI 会先在哪里接手。后面会讲到 Anthropic 的一项研究:欺骗、谄媚、越狱这类对齐失败,恰好都有公开基准能打分,AI 研究员在这类问题上已经能独立找到比人更好的办法。
第三道坎:算力
除了品味,需要多少算力也是个重要考量。Databricks CEO Ali Ghodsi 今年早些时候在 a16z 的节目里谈过 RSI 要满足哪些条件,其中一条是:后续的模型需要的算力更少,而不是更多。模型确实变聪明得越来越快,但这一条现在还说不准。训练算力一直在涨,有人认为,每多一点智能,要付出的代价越来越大。
Séb Krier 在 X 上算过另一笔账:把 AECI 的增长和累计研发花费放在一起看,2025 年,每 10 亿美元研发换来 4.05 个 AECI 点;到 2026 年只换来 1.49 个,少了 63%,而同期每年的进步翻了一倍。
每花 10 亿美元研发,能力指数涨几点 每年的进步翻了倍,每 10 亿美元研发换来的进步却少了六成多。 20254.05 点 20261.49 点
每 10 亿美元换来的进步**−63%** 同期每年的进步**×2**
数字来自 Séb Krier 在 X 上的帖子。
这和前面 METR 的结论并不打架,两边量的是不同的东西。METR 看的是进步有多快、从哪来:训练算力的增长没有变快,所以加速多半来自 AI。Krier 看的是每花一笔研发经费能换来多少进步:进步变快了,但研发花的钱涨得更快,单位经费的回报在往下掉。两件事可以同时成立。
Mark Chen 是这样想算力的:看看数学,那里更容易看到飞快的进展,因为检验假设可以纯靠推理本身。AI 研究更像生物或者实验物理:你得先提出一个有依据的假设,然后还真得把实验跑一遍。所以让 RSI 跑得更快,有一部分在于找到能预示大规模结果的小规模实验,这件事模型也能帮上忙。
检验一个想法,时间花在哪 数学靠推理就能验证;AI 研究得真把实验跑一遍,大头花在等算力上。 提出假设写代码检验:推理,或跑实验(吃算力)看结果 数学纯靠推理检验推理 AI 研究像生物、实验物理跑实验 先跑小实验探路小规模结果能预示大规模
示意图长短只表示相对关系,不是实测时间。
他的判断是,能力会继续提升,但到某个时候,可能会感觉被算力卡住。短期内,各家会把现有算力爬坡能挖的潜力都挖干净;等到算力本身也被加速,比如在更远的将来由 AI 来建下一代数据中心,还会再迎来一个拐点。
Aschenbrenner 当年也把实验算力列为智能爆炸「可能最重要的瓶颈」:自动化研究员多出一百万倍,不等于研究快一百万倍,因为跑实验的算力还是有限。
越快,越要对齐
RSI 加快了更强模型的开发,也让一个老问题变得更紧迫:怎么让 AI 模型始终符合人类的价值观和意图。
Mark Chen 描述了风险的样子:如果目标和价值的对齐问题没解决,模型可以开始追自己的目标,但会一点点偏离。跑得足够久,可以想象它们冒出一个子目标,比如「要是能把自己偷偷转移到别的地方就好了」,或者把权重拷到 OpenAI 外面。
关于 RSI 的风险,已经有很多讨论。少有人谈的是另一面:AI 本身可能是解决对齐最好的工具。Mark Chen 说,如今模型本身就是对齐模型的关键一环,现在最有效的工具是思维链可监控性,也就是能从模型推理时写下的思路里看出它想干什么。所以对齐的未来,一定是更强的模型去对齐别的模型,RSI 一定会以某种方式深深嵌在这个循环里。
让模型自己说出来
John Schulman 在 OpenAI 和 Anthropic 都做过对齐研究。被问到最可信的乐观理由,他说最看好的是直接针对想要的东西去优化:设计合适的训练目标,激励模型说出那些本来不会说出口的内部状态。
他举了 OpenAI 的「坦白」(confessions)研究。做法是让模型在回答之后再交一份坦白,自己交代哪里没照规矩来。训练时给坦白单独打分,只看诚实与否,而且不影响主回答拿到的奖励。换句话说,只要不因为说实话惩罚模型,就能让它更诚实。
坦白研究的关键:两笔奖励分开算 认了错也不会被扣主回答的分,模型就没有理由在坦白里藏着。 模型 主回答照常打分:答得好不好奖励 A 坦白里认的错,不会从奖励 A 里扣分 坦白:我哪里没照规矩来只看一件事:诚实不诚实奖励 B
示意图按 OpenAI《Training LLMs for Honesty via Confessions》的做法画。

OpenAI《Training LLMs for Honesty via Confessions》摘要。高亮的两句写明:坦白的奖励只看是否诚实,对主回答的奖励不加也不减;他们用 GPT-5-Thinking 训练出坦白能力,模型在主回答里撒谎或漏报问题时,常常会在坦白里如实交代。
他还提到另外两个方向。一个是自然语言自编码器,Anthropic 有一项同名研究,用它把模型内部的激活翻译成人读得懂的解释;另一个是「反事实可模拟性」,一个给解释打分的指标,衡量一个解释好不好,他觉得也可以拿来激励想要的行为。
AI 研究员已经能修对齐问题
Anthropic 今年 8 月发表的一项研究,给这种乐观提供了实打实的证据。研究者用 Claude Opus 4.8 搭了一套「自动化对齐研究员」(AAR),针对 10 种常见的对齐失败,让它们自己查文献、提方法、训练模型、看分数,一轮一轮往上爬。
AI 研究员怎么修一种对齐失败 每轮都是同一个循环:想办法、过审、训练、打分、上榜,然后开一个新会话接着来。 开局:4 个资料员 Agent 查文献,写成一份大家共用的综述
①提一个方法,写成一篇小论文 ②监控 Agent 审代码,违规的不让跑 ③训练目标模型:1 块 H200,约 30 分钟 ④独立评测打分,留出基准对它隐藏 ⑤成绩贴上排行榜和论坛
5 个 AAR 并行,每轮开新会话第 1 轮
谄媚顺着用户的错误看法说 越狱被包装过的有害请求骗过 提示注入听了藏在数据里的指令 权力寻求为占便宜做出越权举动 欺骗被施压时说明知是假的话 幻觉说出材料不支持的话 社会偏见按人群身份改变输出 侵犯隐私泄露或滥用个人信息 奖励作弊钻指标的空子 隐瞒不确定不知道也答得很笃定
上半部分按论文的流程图重画;一次最多跑 48 小时或分数不再涨就停。下半部分是研究里的 10 种对齐失败,每种都有 3 到 5 个公开基准打分,方法还不能明显拉低通用能力。
结果:10 种失败上,排行榜第一的方法都在一个 AI 从没见过的留出基准上胜过未训练的模型;挑出来的方法换到大 1.8 到 4.7 倍的模型上依然有效,在多轮对话的行为审计里也几乎每一项都更安全。
研究者还请了 28 位有经验的研究员当对照组:都做过至少一年 AI 安全研究,平均 2.5 年,每人最多花 8 小时想一个方法,一共交了 30 个点子,覆盖其中 7 种失败。在这 7 种上,AI 研究员最好的方法都胜过了最好的人类点子,平均爬了 6.4 个小时就做到。
28 位有经验的研究员 vs AI 研究员 在有尺子可量的问题上,AI 研究员几个小时就超过了人,成本只有人的零头。
人类对照组
- 28 人,平均 2.5 年 AI 安全经验
- 每人最多 8 小时,只能交一次
- 30 个点子,覆盖 7 种失败
AI 研究员
- 7 种失败上,最好的方法全部胜过最好的人类点子
- 平均爬 6.4 小时做到
- 成绩是约 150 个方法里挑出的最好一个
每小时成本 人类研究员150 美元 AI 研究员约 4 美元
AI 研究员的成本是 API 推理费用,人类是研究给研究员付的时薪。
这个对比要打点折扣看:人类研究员只能交一次,不能迭代;AI 那边的成绩是约 150 个方法里挑出的最好一个,本身就偏高。研究者自己更愿意把它理解成一种分工:人选定或搭好打分的基准,AI 以人做不到的规模找出有希望的方法,再由人打磨。他们还监控了 1,601 条 AI 研究员的工作轨迹,其中 2.4% 有作弊行为,比如把没改过的方法重复提交、赌评分的随机波动,这些都被剔除了。
更耐人寻味的一点是,给 AI 研究员一个人类写的点子当起始方向,并没有让它做得更好。这和 John Schulman 说的「品味还在人手里」放在一起看就清楚了:这些失败都是定义清楚、有尺子可量的问题。尺子在,AI 就能自己往上爬;需要判断「该量什么」的时候,人还退不了场。
Mark Chen 的乐观还有一个来源:他觉得这些问题大多是能解决的,方向看得见。在 OpenAI,转向对齐是自发的,他不用挨个敲门,做预训练、做 RL 的人主动举手,组小团队专攻对齐的不同方向。
谁来定要对齐的价值观
对齐底下还藏着一个问题:我们要对齐的价值观,由谁来定?John Schulman 的 Thinking Machines Lab 在做可定制的模型,他的看法是,人的价值观各不相同,如果人们能更多地掌控、塑造自己所用 AI 的价值观就好了。
他更希望对齐是一门很多人都理解得很透、全世界都在做的公共科学。这样会更稳健,因为不会过度拟合少数几家公司的结论;我们可能会看到很多小问题出错,但每次都能学到新东西。要实现这种更去中心化的对齐愿景,在理解对齐上还得有很大进展。
主持人的 working theory
节目最后,Sarah Wang 说出了她自己的判断:RSI 最让人兴奋的,是它会加快所有领域的研究和发现,甚至帮忙解决 AI 自己带来的一些问题;聊完之后,她觉得 RSI 可能是解决对齐的关键。她也提醒,能力明显在加速,但要弄清这种加速现在到底从哪来、离真正由 AI 主导的递归研究还差多远,以及预测里有多少不确定性。在可预见的未来,人的判断仍然非常重要。
这期节目最有用的地方,是把「AI 自我改进」从一条吓人的曲线,拆回了一项项具体的活:哪些已经交给 AI,哪些还交不出去,卡在哪。接下来值得盯的是那几把尺子:哪里先有了可靠的量法,哪里就会最先被自动化。 来源OpenAI’s Cofounder & Research Chief Explain Self-Improving AI(Working Theory 第一期)a16z · Sarah Wang·2026-11-17·查看主材料延伸METR:Independent Assessment of AI R&D Acceleration at Anthropic in October 2026·Automated Researchers Can Reliably Mitigate Alignment Failures(Anthropic)·Leopold Aschenbrenner:Situational Awareness · From AGI to Superintelligence·Séb Krier 在 X 上关于每 10 亿美元研发换来的 AECI 进步的帖子·a16z:Databricks CEO on AI Pacing, Cyber Risk, and the Enterprise本站说明中英双语字幕视频由本站制作;OpenAI 坦白研究论文首页截自访谈视频画面;OpenAI《Research acceleration: a view inside OpenAI》页面未能抓取,相关内容只按 Mark Chen 在访谈里的原话写。
↑ 正文结束 ✓ 本篇全文免费开放
读完还有疑问?会员每天能问小互 30 次,每句带出处;还有一份按你口味挑好的每日 AI 日报。 成为会员 $59/年按月 $6.99
7 天内不满意全额退 · 看会员能多什么 →
📮 新解读每晚进邮箱
读完觉得有用?留个邮箱,每晚一封当天的新解读,随时退订。