文 | 字母 AI
2026 年，"自进化"这个词被 AI 行业大拿高频提及。
小米 MiMo 大模型负责人罗福莉在 3 月的中关村论坛上直言："如果要用一个词来概括接下来一年里 AGI 进程中最关键的一件事，我会选‘自进化’。"
罗福莉说，她一年前觉得大模型实现自进化需要 3 到 5 年，现在认为 1 到 2 年就能完成。
重庆证券配资网Anthropic 的 CEO 阿莫迪比罗福莉还激进，他曾在达沃斯论坛上预测，AI 的递归自我改进可能在 6 到 12 个月内实现，"我们可能距离 AI 自主构建下一代 AI 只有 1 到 2 年时间"。
这种自我改进一旦形成闭环，进步速度将呈指数级增长。
4 月初就有这么一篇论文，刚好讲的就是如何让 AI 形成这么一个闭环，出自上海交大刘鹏飞教授团队，论文的标题是《ASI-Evolve: AI Accelerates AI》。
研究团队搭了一个闭环研究框架，让 agent 在"学习已有经验 - 提出新设计 - 做实验 - 分析结果"之间反复迭代，去自动改进模型架构、训练数据筛选、强化学习算法这三个 AI 核心部件。
AI 会先学习过去的研究经验，再提出新方案，然后自己去做实验、分析结果，最后继续迭代，以此形成了闭环。
最终得出结果，AI 真的能研究如何改进自己了。
诚然，这不是一篇足够改写整个 AI 产业的论文，它只是提出了一种方法。
不过真正让人震惊的是，这篇论文的第一作者徐为先，竟然还在上大三。
一个还未毕业的本科生，主导了如此一项完整且具有实际意义的研究……我了个豆！我的大学真是白念了！
于是字母 AI 还真就联系到了徐为先，通过邮件，我和这位阳光帅气的天才少年聊了聊。
01 天才少年徐为先
徐为先的技术背景覆盖面较广。
他不仅在 AI 研究领域关注神经架构搜索和持续学习，也做过一些系统编程的项目。
他能用 Rust 独立开发完整的操作系统内核 ACore，用 C++ 实现了性能媲美 Clang 的编译器 Imxc，甚至用 Verilog 设计了基于 Tomasulo 架构的 RISC-V 处理器。
这种从底层硬件到高层 AI 算法的贯通能力，你别说放在本科生里了，哪怕是全栈工程师来了也够呛。
元股证券:ygzq.hk他的 GitHub 项目 ASI-Arch 已经获得 1100 多个星标，对一位大三学生来说，这个成绩是相当出众的。
抛开这些技术，徐为先对 AI 研究也有自己的思考。他认为要实现"能够自我进化的 AI "（Self-Evolving AI），当前的 AI 还缺乏两个能力，分别是"持续自我改进"和"长期可靠性"。
因此他的研究分为两条战线：改进单个模型的学习目标和记忆机制，使其能够持续成长；构建多智能体生态系统，让模型通过复杂的交互协议协作优化。
谈到 ASI-Evolve 的研究起点，徐为先说那是 2025 年 4、5 月份关注到 Google 的 AlphaEvolve 时产生的一个直觉。当时那项工作让人们看到 AI 不再仅仅是帮人类做简单的检索，而是具备了推动科学发现的潜力。
"我们当时便希望能将这种范式应用于 AI 研究本身。"徐为先说，"这个想法的关键在于：既然 AI 技术在飞速发展，如果能将其成果反哺到自身的科研进程中，就能让整个领域进入一个规模宏大的自我加速循环。这种迭代式的进步，是我认为这个方向最迷人的地方。"
徐为先也承认，这个想法的实现离不开上海交大 GAIR 实验室的支持。
他很感谢刘鹏飞老师，称他非常鼓励本科生探索和研究，提供了大量指导，实验室丰富的资源让他们得以完成如此庞大的探索。
其实像普通大众对这类论文最容易产生误解，他们会认为研究者正在试图用 AI 彻底替代人类科学家，但这是完全不对的。
徐为先说："在 ASI-Evolve 中，我们引入了大量的人类先验经验。我们并不追求脱离人类指引的‘盲目进化’，因为最初的实验目的和核心设想始终是由人类提出的。系统的真正价值在于利用 AI 极强的探索能力，在人类指引的方向上进行极速迭代。它更像是一个极其高效的协作系统，而非某种冷冰冰的替代品。ASI-Evolve 推动着人们从问题解决、修复向问题定义转变。"
关于"天才"这个词，徐为先的理解相当平实。他认为天才是热爱、天赋与努力的结合。
"每个人都有自己潜在热爱和擅长的事情。我们需要做的是找到热爱与擅长的交集，从而在综合而言更好的方向上，通过持续的努力取得成功。"
他说，"我们看到很多公认的天才，不仅是他们成就过人，也因为他们所在的领域更被大众熟知，但‘三百六十行，行行出状元’，只要一个人能找到感兴趣的东西并为之付出，他也会成为自己热爱领域里的天才。"
徐为先谦虚地认为自己是相对平凡的。
他对科研充满兴趣，希望在自己喜欢的领域有所成就，但也希望能够享受生活，希望能够感受到身边的美好。"尽管研究的过程中挫折占了大多，但还是期待着 Happy Research。" 徐为先说道。
徐为先最让我感到诧异的，是作为一个研究者，他在面对学术的同时，依然保持着年轻人独有的那份对生活的热忱。
他是吉他手，同时玩古典和电吉他，拥有单簧管九级证书，喜欢打羽毛球和电子游戏。
不仅如此，他在个人主页上坦诚地提到自己正在恋爱中，珍惜与伴侣共同探索人生旅程的时光。这种技术天才与生活的平衡，让人看到一个立体而真实的年轻研究者形象。
我相信你跟我一样，也会对这位阳光小青年感到羡慕。
对于未来的研究方向，徐为先更期待看到 AI 在反思和持续学习方面取得突破。"我并不特别关注现在训练出的每一代模型能力的提升幅度，因为现有的很多模型已经能满足大部分的日常需求了。"
他说"我更加关心的是一个模型在整个生命周期中的表现，无论是在训练中还是在部署使用的过程中——或者说未来可能根本就不再区分训练和部署阶段。AI 到底能不能持续地提升自己，这不仅关乎到一个模型能力的上限，也是真正提升个性化能力、让模型进一步适合每个用户的关键。"
每个人有自己的表达风格和独特需求，模型只有在真实的使用场景中持续动态进化，才能更好地适配用户，这一点或许是纯靠静态数据集训练难以实现的。除此之外，如何实现模型更强大的智能体能力也令人兴奋。如果说持续进化是在探索智能的潜力，这个就是让现有的模型更全面地与世界交互。
这也是徐为先本科毕业后打算继续读博的原因。他希望在读博期间能做那些自己感兴趣，又能真正回归社会、让所有人都能实际使用的技术。
02 ASI-Evolve
徐为先认为，将研究进步从"人类受限"转变为"计算可扩展"的过程就是 ASI-Evolve 框架的哲学基础。
什么叫人类受限？开发一个新的神经网络架构，需要博士生花 3 个月尝试 100 种设计。
什么叫计算可扩展？ASI-Arch 项目进行了 1773 次自主实验，消耗超过 20000 GPU 小时，最终发现了 106 个创新的 SOTA 线性注意力架构。只要提供算力，AI 就会不断地研究。
ASI-Evolve 论文的核心贡献，在于首次在统一框架下系统性地证明了" AI 加速 AI "的可行性。这是在神经网络架构设计、预训练数据筛选、强化学习算法设计三大领域同时取得的突破。
在神经网络架构设计方面，股票配资，多空杠杆，证券炒股配资，交易平台表现最好的模型实现了 0.97% 的提升，这个数字接近当前人类设计 SOTA 增益的 3 倍。
更重要的是，这些架构不是通过暴力搜索得到的，而是通过系统的"学习 - 设计 - 实验 - 分析"循环自主演化而来。
系统会先学习过去的研究经验，理解哪些设计原则是有效的，然后在此基础上提出新的架构方案。每一轮实验的结果都会被分析提炼，写入经验数据库，为下一轮探索提供指导。
这种方式让 AI 能够像人类研究员一样积累知识，而不是每次都从零开始。
实际上用 AI 研究 AI，用 AI 改进 AI，是现在非常火的一个赛道，上到 Anthropic、OpenAI 这样的头部公司，下到小团队、实验室，都瞄准了这个领域。
除了前面徐为先提到的 AlphaEvolve，最近很火的 Sakana AI 实验室也提出过一个类似的构想，叫做 The AI Scientist。
它的逻辑也是让 AI 自己想题目、写代码、跑实验、分析、写论文。
咱们回到徐为先的 ASI-Evolve 上来。
在预训练数据筛选领域，AI 自主优化的数据策略在平均基准测试中提升了 3.96%，而在知识密集型的 MMLU 评测中，提升幅度超过了 18%。
这意味着 AI 已经能够理解什么样的数据对训练更有价值，并自主完成数据清洗和筛选的全流程。传统的数据筛选依赖人类专家的经验判断，需要大量人工标注和质量评估。ASI-Evolve 则能够通过实验反馈自动学习数据质量的判断标准，在海量数据中找出真正有价值的训练样本。
在强化学习算法设计方面，ASI-Evolve 设计出的全新训练算法在数学竞赛题上的表现亮眼。在 AMC32 上超越 GRPO 基线 12.5 分，在 AIME24 上超越 11.67 分，在 OlympiadBench 上超越 5.04 分。
这些不是简单的参数调优，而是具有原创性数学创新的全新算法机制。系统能够理解现有算法的局限性，提出新的优化目标函数，设计新的梯度更新策略。
ASI-Evolve 的意义在于，它展示了 AI 自己研发 AI 的可能性。
过去，AI 的每一次进步都依赖人类研究员在架构设计、数据清洗、算法调优上投入的海量人力。
我们都在说 AI 替代人，但这条赛道非常特殊，你如果想要 AI 进步更快，就只能招更多研究员。
现在，AI 开始在这些核心环节中形成闭环，直接参与自身的进化。
传统模式下，研究产出受限于人类研究员的数量和工作时间。即使是最优秀的研究团队，一年能尝试的数量也是有限的。
ASI-Evolve 则将这个约束从人力转移到了算力。只要有足够的 GPU 资源，系统可以 7 × 24 小时不停地探索，尝试的方案数量可以是人类团队的数十倍甚至上百倍。
但这并不意味着人类研究员变得不重要。
徐为先强调，ASI-Evolve 中引入了大量的人类先验经验。系统的认知库中存储了人类研究文献中的设计原则和经验教训，这些知识为 AI 的探索提供了方向。
最初的研究目标和评估标准也是由人类设定的。AI 的作用是在人类指引的方向上进行高效探索，而不是盲目地搜索整个可能空间。
这样一来你就不再需要花大量时间在具体的实验和调参上，而是可以专注于思考什么样的问题值得研究，什么样的方向更有前景。
AI 则负责将这些高层次的想法转化为具体的技术方案，通过大规模实验找到最优解。
ASI-Evolve 的另一个重要特点是它的分析器模块。
这个模块能够将复杂的实验结果提炼成可复用的洞察。
传统的自动化实验系统往往只能输出原始数据，需要人类研究员花大量时间分析。ASI-Evolve 的分析器则能够自动识别实验中的关键模式，总结哪些设计选择是有效的，哪些是无效的，并将这些洞察写入经验数据库。
这让系统能够真正地"学习"，而不只是"搜索"。
就像刷题一样，普通人刷题，最后就会记录一个数据，这 1000 道题里我对了多少道题，错了多少道题。但是 ASI-Evolve，它不仅会记录错题数量，还会记得为什么错，下次遇到类似的题目应该怎么才能选对。
如果我们往大了去说，过去一百年，科学研究的模式基本没有改变。
人类提出假设，设计实验，分析结果，发表论文。
这个循环的速度受限于人类的认知能力和工作时间。
如果 ASI-Evolve 的这种模式能够推广到更多领域，可能会从根本上改变科学研究的速度和规模。
03 天才少年争夺战
AI 时代像徐为先这样的天才少年越来越多，
随之而来的，是各大厂商的招募策略正在发生根本性变化。那些顶级厂商开始提前锁定、深度培养还在读书的天才少年。
比如月之暗面的"穿越计划"。
实习生在通过 3 到 6 个月的考察后，即使尚未正式毕业，也可获得该计划的正式 offer 与对应激励。关键是它这个除了给奖金以外，还会给公司期权。
月之暗面去年 12 月的时候，估值是 43 亿美元。到了今年 3 月，它的估值就来到 180 亿美元了。这样的成长速度下，它的期权还是相当诱人的。
该计划几乎没有任何硬性条件限制，不限专业、不限学历、不限经验，只看你是否是"任何领域最 TOP 的人才"。
从公司角度看，提前一年锁定人才，意味着在竞争对手还在观望时就已经完成了布局。
OpenAI 的 Safety Fellowship 则代表了另一种模式。这个从 2026 年 9 月 14 日到 2027 年 2 月 5 日运行的项目，邀请外部研究者、工程师和实践者专注于 AI 安全与对齐研究。
入选者将获得月度津贴、计算资源支持，以及来自 OpenAI 导师的深度指导。项目期望参与者在结束时产出实质性的研究成果，比如论文、基准测试或数据集。
这两种模式看似不同，实则有着共同的逻辑：给你导师、给你资源、给你算力，最后还给你钱。
一方面，它们给了年轻人一个机会。
这不是传统意义上的"培养"，而是把最优秀的年轻人直接投入到最前沿的战场，让他们在真实的挑战中快速成长。
另一方面，它也是大公司广撒网寻找人才的新方式。
AI 是一个比较新的产业，过去的量化标准对它不起效果，所以这些大公司必须地用这种新鲜手段来寻找奇才良将。
这种招聘策略的转变，反映了 AI 行业发展的一个深层次变化。
随着工具和框架的成熟，真正稀缺的不再是技术积累，而是创新思维和执行能力。一个有想法、能动手的新人，可能比一个循规蹈矩的博士更有价值。
这些品质在传统的学术训练中很难培养，却是 AI 时代最需要的素质。
还有一点咱们也得承认，那就是这场天才少年争夺战背后是 AI 行业对未来的焦虑。
当前的 AI 发展速度已经超出了大多数人的预期。这才导致了培养人才的速度，跟不上推动技术的速度。
各大公司都在赌未来证券股票开户，人才是这场赌局中最重要的筹码。谁能提前锁定最优秀的年轻人，谁就能在未来的竞争中占据优势。
老牌实盘配资网提示：本文来自互联网，不代表本网站观点。
