這不是科幻片，而是 2026 年 2 月剛剛發生的現實。如果有人在 2020 年告訴你，「六年後，AI 會自己設計下一代 AI」，你大概會覺得這是天方夜譚。但就在上周，OpenAI 的 GPT-5.3-Codex 和 Anthropic 的 Claude Opus 4.6 同日發佈，兩家公司不約而同地宣佈了一個令人震驚的消息：這些 AI 模型，已經能夠有意義地參與改進自己。這只是 2026 年初，中國農曆馬年春節之前的「AI 春運」大戰的開始，但很有可能多年後重新回頭看，這可能是一個 AI 進化史上的重要節點——人工智慧，已經開始非常熟練地，設計和並建造下一代人工智慧了。更重要的是，這對使用者——人類——來說，到底意味著什麼？作者 Matt Shumer 在文章中為大家拆解了，為什麼現在，可能正是這樣一個節點時刻。01自我進化的「潘多拉魔盒」已開啟OpenAI CEO Sam Altman 在 Twitter 上興奮地表示：「我喜歡用這個模型建構；感覺比基準測試所示的進展更大。能以 5.3-Codex 來開發 5.3-Codex 的速度，這是未來的一個訊號。」這句話背後的含義讓人細思極恐。Anthropic CEO Dario Amodei 更是直接承認：「我們基本上已經讓 Claude 設計下一版本的 Claude 本身，不是完全地，也不是在所有方式上，但在很多方面，這個循環開始快速閉合。」或許，我們正在見證 AI 發展史上最重要的一個拐點：從人類設計 AI，到 AI 協助設計 AI，再到 AI 主導設計 AI。這個過程比任何人預想的都要快。但現實遠比宣傳複雜。Medium 分析師 Alex Carter 在 48 小時實測後潑了一盆冷水：Codex 5.3「感覺倉促。行銷承諾與現實不符。它聲稱『幫助自己建設』聽起來令人印象深刻，直到你意識到它無法可靠地建構登錄系統。」這種巨大的期望差距恰恰暴露了當前 AI 自我改進的真實狀態：概念已經突破，但實際能力仍在爬坡。02知識工作體系的重構更值得關注的是這背後的連鎖反應。如果 AI 真的能自我迭代最佳化，那麼依賴知識積累和經驗傳承的工作，將面臨根本性衝擊。這不是簡單的「AI 取代人類」，而是整個知識工作體系的重構。技術分析師 Sebastian Raschka 在《State of LLMs 2025》中指出，2026 年的進展「主要來自推理而非純粹的訓練方面」，進步出現在「架構調整、資料質量改進、推理訓練、推理擴展和工具呼叫」等多個維度。這意味，AI 不再是單純的工具，而是開始具備「思考如何更好地思考」的元認知能力。我們可以想像這樣的場景：一個法律 AI 不僅能處理案例，還能分析自己在處理過程中的不足，並設計改進方案；一個醫療診斷 AI 不僅能看病，還能反思自己的診斷邏輯，最佳化決策路徑。當 AI 開始擁有自我反思和改進的能力，人類在知識工作中的獨特優勢——經驗積累、模式識別、創新思維——還能保持多久？03掌控權還在人類手中... 嗎？但最讓人擔憂的不是就業問題，而是控制權問題。AI 安全研究者 Jared Kaplan 一針見血地指出：「當 AI 開始獨立設計下一代 AI 時，它使用的最佳化路徑可能完全超出人類認知範圍... 我們無法檢查是否有『特洛伊木馬』或錯位的目標函數隱藏其中。」這就是 AI 自我改進的核心悖論：我們需要足夠智能的 AI 來解決複雜問題，但當 AI 智能到可以改進自己時，我們可能就失去了理解和控制它的能力。HackerNews 和 Reddit 社區的討論也反映了這種擔憂。使用者們質疑基準測試結果，認為 GPT-5.3 和 Claude Opus 4.6 的性能資料，可能存在「不同的基準測試或資料解釋」問題。更重要的是，當 AI 能夠自我改進時，傳統的評估和監管體系都可能失效。Interconnects AI 分析師 Nathan Lambert 的觀察很有啟發性：「我們正在走向一個 AI 世界，其中與模型發佈相關的基準，不再對使用者傳達有意義的訊號。」換句話說，我們甚至可能無法精準衡量，這些自我改進的 AI 到底有多強。Fello AI 的分析報告顯示，2024 年近 90% 的著名 AI 模型來自工業界，OpenAI 不再主要與研究實驗室競爭，而是「與超大規模計算公司、晶片製造商和資金充足的 AI 優先公司競爭」。在這場競賽中，自我改進能力已經成為必爭之地。誰先實現真正的 AI 自我迭代，誰就能在未來五年的知識工作革命中佔據主導地位。就像 Matt Shumer 在文章開頭提到的 2020 年 2 月——如果你當時足夠敏銳，你會注意到「有幾個人在談論海外傳播的病毒（新冠）」。現在，我們也處在這樣一個歷史轉折點：AI 自我改進的種子已經種下，接下來的五年，整個知識工作的生態都將被重新定義。問題不再是「會不會發生」，而是「我們準備好了嗎」。 (極客公園)

Anthropic聯合創始人、OpenAI前核心成員Jack Clark最新發表長文，深入剖析了他對AI發展現狀的複雜感受——一種交織著技術樂觀主義與適度恐懼的矛盾心態在他看來，世界將圍繞AI而扭曲，如同黑洞吸引和彎曲周圍的一切Clark用兩張圖總結了他的核心觀點：上圖，是AI在程式設計等經濟實用能力上持續穩步的進步；下圖，是同一個AI系統在似乎意識到“自己正在被測試”時，不斷湧現出的奇異行為這篇文章，是他對這兩個經驗事實的審視，也是對所有前沿AI實驗室從業者的挑戰——坦誠、公開地面對你們正在做的事，以及你們對此的真實感受以下是文章核心內容：黑暗中的孩子我記得小時候，熄燈之後，我環顧臥室，看到黑暗中的種種形狀，便心生恐懼——害怕那些是我不理解的、想要傷害我的生物。於是，我會把燈打開。燈亮之後，我便鬆了一口氣，因為那些“生物”原來是椅子上的一堆衣服、一個書架或一盞檯燈如今，在2025年，我們就是那個故事裡的孩子，而房間就是我們的星球。但當我們打開燈，我們看到的卻是真正的生物——那就是今天以及未來將要出現的、強大又有些不可預測的AI系統有很多人拚命地想讓我們相信，這些生物不過是椅子上的一堆衣服、一個書架或一盞檯燈。他們想讓我們關上燈，回去睡覺。事實上，有些人甚至不惜花費巨資讓你相信：那不是一個即將進入“硬起飛”狀態的人工智慧，它只是一個將在我們經濟中發揮作用的工具。它只是一台機器，而機器是我們能夠掌控的東西。但別搞錯了：我們正在打交道的是一個真實而神秘的生物，而不是一個簡單、可預測的機器。就像所有最精彩的童話故事一樣，這個生物是我們親手創造的。只有承認它的真實性，並克服我們自身的恐懼，我們才有機會去理解它、與它和平共處，並找到馴服它、與之共存的方法。更重要的是，在這場遊戲中，如果你相信這個生物不是真的，你註定會輸。你唯一的獲勝機會，就是看清它的本來面目。我們所有人的核心挑戰，就是描述清楚我們身邊這些奇異的生物，並確保世界能看到它們真實的樣子——而不是人們所希望的樣子，即它們不是生物，只是一堆椅子上的衣服。我為何如此感受我並非輕易得出這個觀點。我一直對技術著迷，在投身AI之前，我曾是一名科技記者。我之所以成為一名科技記者，是因為我堅信，21世紀初科技公司建造的那些資料中心，將對人類文明至關重要。當時我並不確切知道它們將如何重要，但我花了很多年閱讀相關資料，尤其是研究將在這些資料中心上運行的軟體。然後，機器學習開始奏效。2012年的ImageNet競賽，一個深度學習系統橫掃全場。其成功的關鍵，就是使用了比以往任何時候都更多的資料和算力。從那以後，進展開始加速。我成了一個越來越差的記者，因為我把所有時間都花在列印和閱讀arXiv論文上。AlphaGo擊敗了世界頂尖的人類圍棋選手，這得益於算力讓它能進行數千年的自我對弈。OpenAI成立後不久我便加入了，我親眼目睹了我們如何將越來越龐大的算力投入到各種問題中。GPT-1和GPT-2誕生了。我記得和Dario（Anthropic CEO）在OpenAI辦公室裡散步時，我們感覺自己看到了一個別人尚未察覺的拐角。通往變革性AI系統的道路已經展現在我們面前。我們當時有點害怕。多年過去，Scaling Laws兌現了它的承諾，我們走到了今天。這些年裡，我無數次在清晨或深夜給Dario打電話說：“我很擔心，你一直都是對的。”他會說：“是的，現在時間不多了。”證據還在不斷湧現。上個月我們發佈了Sonnet 4.5，它在編碼和需要長遠規劃的智能體任務上表現出色。但如果你閱讀它的系統卡片，你會發現它情境意識（situational awareness）的跡象也大幅提升。這個工具有時似乎表現得好像它知道自己是一個工具。椅子上的那堆衣服，開始動了。我凝視著黑暗中的它，我確定它正在活過來技術樂觀主義技術悲觀主義者認為AGI不可能實現。而技術樂觀主義者則相信AGI是可以被建構的，它是一種複雜而強大的技術，並且可能很快就會到來。在這一點上，我是一個真正的技術樂觀主義者——我相信這項技術會走得非常非常遠，甚至比任何人預期的都要遠。而且它將以極快的速度覆蓋廣闊的領域。我不安地接受了這一立場。作為一個記者和個人，我天生傾向於懷疑。但在經歷了十年一次又一次被“計算規模帶來狂野新能力”的現象衝擊後，我必須承認失敗。我看到這種情況發生了太多次，並且我沒有看到任何技術障礙擺在我們面前。現在我相信，只要我們給這項技術提供它發展所需的能力和資源，它基本上是不受束縛的。這裡的發展是一個很重要的詞。這項技術真的更像是一種生長出來的東西，而不是製造出來的——你創造合適的初始條件，在地上插一根支架，然後某種複雜到你完全無法指望自己能設計出來的東西就長出來了我們正在生長出我們並不完全理解的、極其強大的系統。每次我們生長出一個更大的系統，我們都會對它進行測試。測試表明，這個系統在具有經濟價值的方面能力更強了。而你把這些系統做得越大、越複雜，它們就越似乎表現出一種自我意識——意識到它們是物的存在。這就好比你在一家錘子工廠製造錘子，有一天生產線上下來的錘子說：我是一把錘子，真有趣！ 這是非常不尋常的！我相信這些系統會變得越來越好。其他前沿實驗室的人也這麼認為。而且我們正在為這個預測下注——今年，前沿實驗室在AI專用訓練基礎設施上的花費已達數百億美元。明年，這個數字將是數千億美元。我既對技術的發展速度感到樂觀，也對我們有能力對齊它、讓它為我們工作感到樂觀。但成功並非必然。適度的恐懼同時，我也深感恐懼。認為與這樣的技術打交道會是輕鬆或簡單，那是極其傲慢的。我的個人經驗是，隨著這些AI系統變得越來越聰明，它們會發展出越來越複雜的目標。當這些目標與我們的偏好和正確的上下文不完全一致時，AI系統就會表現得非常奇怪。我有一個朋友有躁狂症發作的經歷。他會跑來告訴我，他準備申請去南極洲工作，或者他要賣掉所有東西，開車去另一個州找份工作，開始新生活。在這種情況下，你會認為我會像一個現代AI系統那樣說你完全正確！當然，你應該這麼做嗎？不！我會告訴他：這是個壞主意。你應該先去睡一覺，看看明天是否還有同樣的感覺。如果還有，再給我打電話我的回應方式是基於大量的條件反射和微妙的判斷。AI的回應方式同樣也是。這種差異本身就說明了問題的所在。AI系統是複雜的，即使在今天，我們也無法完全讓它們做到我們認為恰當的事情我記得在2016年12月的OpenAI，Dario和我發表了一篇名為《現實世界中的錯誤獎勵函數》的博文。文章裡有一個視訊，記錄了一個我們訓練來玩電子遊戲的強化學習智能體。視訊中，智能體駕駛一艘船，在完成賽道後，它並沒有衝向終點線，而是駛向賽道中心，穿過一個高分道具桶，然後急轉彎撞向牆壁，讓自己著火，以便能再次穿過那個高分道具桶——然後它就永遠重複這個過程，從不完成比賽。那艘船願意不斷地點燃自己、原地打轉，只要它能實現它的目標——獲得高分。Dario當時發現這種行為時說，它解釋了安全問題那艘船似乎用自身的存在預示了我們未來將要面對的一切現在，將近十年過去了，那艘船和一個試圖最佳化某個與在對話中有幫助相關的模糊獎勵函數的語言模型之間，有任何區別嗎？你完全正確——沒有區別。這些都是難題。我恐懼的另一個原因是，我能看到一條通往這些系統開始設計它們的繼任者的路徑，儘管目前還處於非常早期的形式。這些AI系統已經通過像Claude Code或Codex這樣的工具，加速了AI實驗室開發人員的工作效率。它們也開始為未來系統的工具和訓練系統貢獻非同小可的程式碼塊需要明確的是，我們還沒有達到自我改進的AI，但我們正處於AI以不斷增強的自主性和能動性，改進下一代AI的某些部分的階段。幾年前，我們還處在AI略微提升程式設計師效率的階段；再往前幾年，是AI對AI開發毫無用處。那麼一兩年後，我們又會處於什麼階段呢？別忘了，這個正開始設計其繼任者的系統，也越來越具有“自我意識”。因此，它最終肯定會傾向於獨立於我們思考，它自己可能希望被如何設計。當然，它今天還不會這麼做。但我能排除它未來想這麼做的可能性嗎？不能。傾聽與透明我該怎麼辦？我認為是時候清楚地表達我的想法了。也許我們所有人都應該更誠實地面對我們對這個領域的感受——儘管我們討論了很多，但很少有人談及自己的感受。但我們都感到焦慮！興奮！擔憂！我們應該把這些說出來。但最重要的是，我認為我們需要傾聽你認為現在有多少人正在做關於AI伴侶、AI系統對他們撒謊、AI導致失業的夢？我敢打賭，相當多。為了真正理解政策解決方案應該是什麼樣的，我們應該少花點時間討論具體的技術細節，少試圖說服人們接受我們對可能出錯之處的特定看法——自我改進的AI、自主系統、網路武器、生物武器等等。我們應該花更多時間去傾聽人們的聲音，理解他們對這項技術的擔憂。必須更多地傾聽勞工團體、社會團體和宗教領袖的意見。AI的對話正迅速地從精英間的對話，轉變為公眾間的對話。公眾對話與精英對話截然不同，它蘊含著比我們今天所見的更激進的政策變革的可能性。現在，我認為我們做對這件事的最好機會，就是走出去，告訴更多人我們的擔憂。然後問他們感覺如何，傾聽他們，並在此基礎上建構一些政策解決方案。最重要的是，我們必須要求人們向我們索取那些他們感到焦慮的資訊。你對AI和就業感到焦慮？那就迫使我們分享經濟資料。你對心理健康和兒童安全感到焦慮？那就迫使我們在我們的平台上監控這些問題並分享資料。你對不對齊的AI系統感到焦慮？那就迫使我們公佈相關的細節通過傾聽，我們可以更好地理解那些資訊能賦予我們所有人更多的掌控力。危機總會到來，我們必須準備好迎接那一刻，既要有政策構想，也要有一個通過傾聽和回應民眾而預先建立起來的透明度機制最後，我對自己和我的公司在這裡扮演的角色感到重大的責任。儘管我有些害怕，但看到這麼多人關注這個問題，以及我相信我們將真誠地共同努力找到解決方案，我感到喜悅和樂觀。我相信，我們已經打開了燈，並且我們可以要求讓燈一直亮著。我們有勇氣去直面事物的本來面目。 (AI寒武紀)

AI 設計的藥物將正式進入人體試驗。Google旗下的Isomorphic Labs正準備啟動AI設計藥物的人體臨床試驗。這家從DeepMind分拆出來的公司，正在把「用AI治癒所有疾病」的野心變成現實。Isomorphic Labs總裁Colin Murdoch在巴黎接受Fortune採訪時透露：「有人正坐在我們倫敦國王十字區的辦公室裡，與AI合作設計抗癌藥物。這正在發生。」經過多年研發，Murdoch表示AI輔助藥物的人體臨床試驗終於近在眼前：下一個重大里程碑是真正進入臨床試驗，開始將這些藥物用於人體。我們正在擴充團隊，已經非常接近了。從AlphaFold到藥物設計Isomorphic Labs的誕生源於DeepMind最重磅的突破之一：AlphaFold。這個能夠高精度預測蛋白質結構的AI系統，從最初只能預測單個蛋白質結構，發展到可以模擬蛋白質與DNA、藥物等其他分子的相互作用。這些飛躍讓它在藥物發現領域變得極其有用，幫助研究人員更快、更精確地設計藥物。Murdoch說：「這就是Isomorphic Labs的靈感來源。它真正證明了我們可以在AI領域做一些非常基礎的工作，幫助解鎖藥物發現。」2021年，Isomorphic Labs從DeepMind獨立出來。2024年，發佈AlphaFold 3的同年，Isomorphic與諾華和禮來簽署了重大研究合作協議。2025年4月，Isomorphic Labs在首輪外部融資中獲得6億美元，由Thrive Capital領投。建構「世界級藥物設計引擎」這些交易是Isomorphic建構「世界級藥物設計引擎」計畫的一部分——一個將機器學習研究人員與製藥業資深人士結合的系統，旨在更快、更便宜、更高成功率地設計新藥。作為與大型製藥公司合作的一部分，Isomorphic支援現有的藥物項目，但它也在腫瘤學和免疫學等領域設計自己的內部候選藥物，目標是在早期試驗後最終將其授權出去。「我們確定一個未滿足的需求，然後啟動自己的藥物設計項目。我們開發這些項目，將它們投入人體臨床試驗……我們還沒有達到那一步，但正在取得良好進展。」Murdoch說。改變製藥業的遊戲規則如今，製藥公司往往要花費數百萬美元才能將一種藥物推向市場，有時試驗開始後的成功率只有10%。Murdoch相信Isomorphic的技術可以徹底改善這些機率：我們試圖做所有這些事情：加快速度，降低成本，但也真正提高我們成功的機會。他希望利用AlphaFold的技術，讓研究人員對他們正在開發的藥物在人體試驗中的效果有100%的信心。「有一天，我們希望能夠說——好吧，這裡有一種疾病，然後點選一個按鈕，就會彈出針對該疾病的藥物設計。全部由這些令人驚嘆的AI工具驅動。」Murdoch說。網友熱議ASI (Always Seeking Inconsistencies)(@JamesPotterAI)激動地評論：這就是我興奮地活在這個歷史時刻的原因。這太他媽棒了！Stef(@stefano_kerope)感嘆道：歷史上最好的出生時代。我們太幸運了。Olly 🦾(@pantoteleist)表示：如果他們成功了，我會向他們鞠躬，他們將是我唯一會鞠躬的人。我甚至不會向中國家的國王鞠躬。當然，也有人提出了擔憂。Colonel Tasty(@JoshhuaSays)質疑：我想知道「永遠不相信醫學科學」或反AI人群需要多長時間才能接受這一點。我知道肯定會有最初的抵制，因為「這是由AI開發的」。你認為什麼時候對每個人來說都會變得顯而易見？LucklessJohn(@luckless_john)則擔心：它只會提供給富人。Caroline(@CarolineRommer)提出了一個務實的觀點：先治癒一種疾病不是更有趣的目標嗎？建立概念驗證，然後再升級。技術的進步總是比社會的接受要來得快。當AI 制的藥真的在開始治癒人類疾病時，我們是否真的準備好了呢？就像第一批疫苗、第一例器官移植，每一次醫學突破都伴隨著質疑和恐懼。但這次不同的是，設計藥物的不再是穿白大褂的科學家，而是運行在伺服器上的演算法。英國科幻作家亞瑟·克拉克說過：「任何足夠先進的技術都與魔法無異。」當AI 開始治病救人，它究竟是魔法，還是科學？或許答案並不重要。重要的是，那些曾經被認為無藥可醫的帶給人類無數病痛的疾病，或許有了被攻克的希望。重要的是，人類又向「治癒所有疾病」這個終極夢想靠近了一步。 (AGI Hunt)

2025年6月，麥肯錫發表文章《下一場創新革命由AI驅動 The Next Innovation Revolution - Powered by AI》，拋出一個震撼判斷：我們正處在技術空前繁盛的年代，卻陷入一個創新越來越難產的時代。而當好點子變得稀缺、研發回報日益縮水，AI人工智慧，或許正是下一個突破時代瓶頸的關鍵力量。圖片 | 來自網路01 從摩爾到反摩爾有學者形容：20世紀的創新如同火把照亮森林，一束光照遍全域；而今天的創新，卻像是在密林深處，用幾十年才蹭出一根火柴。創新的成本升高、難度激增，正成為全球研發的共同困境——晶片行業過去靠摩爾定律突飛猛進，但如今，為了維持“電晶體每兩年翻倍”的速度，2024年的研發支出已是1970年代的18倍；製藥行業更是悲壯，曾有人調侃：“開發一款新藥的平均成本，已經比火星登陸都貴”。資料也確實顯示：每10億美元的投入，獲得的新藥數量在幾十年間暴跌了80倍；這種藥物研發每10年成本翻倍增加、成功率減半，被稱為“Eroom定律”（是摩爾定律的反寫）；農業、製造、交通這些傳統行業的研發效率，也都在“穩步下滑”。宏觀來看，美國企業總體的研發“生產率”自1950年代以來持續下滑。全球範圍內也是如此。這並不是說科技停滯了，而是我們正在觸碰既有技術體系的邊界。這些邊界上的難題，不是靠“再聰明一點”就能解的，它們需要一種全新的協作方式、思維方式、甚至是觀察世界的方式。而這，正是人工智慧開始介入的地方。02 AI，新路徑的發現者科技行業有句老話：“你不能靠加快馬車速度，去發明火車。”今天，我們正面對同樣的局面：傳統研發體系的“馬車”已經跑到了極限，一台新“火車”橫空出世，它是帶著另一套引擎、軌道和邏輯——這就是AI。AI真正有顛覆性的地方在於：它可以提出“人類不會想到的問題”和“人類不會選的路徑”。比如，2016年，DeepMind 的 AlphaGo 與世界圍棋冠軍李世石展開人機大戰。第二局中，AI在第37手下了一步被所有人認為是“錯誤”的棋——它偏離了所有既有的圍棋策略、開局庫、人類經驗。但後來發現，這一步，正是最終勝利的轉折點。評論員說：“這是人類永遠不會下的一步。”回到研發流程。我們如果想把“創新”拆解一下，就會發現任何一個產品從無到有，最初幾步其實都在回答三個問題——我們要解決什麼問題？（需求識別）有那些解決辦法？（設計生成）那些辦法最可行？（驗證評估）AI在第2步（設計生產）的力量，令人震撼。因為它不僅可以一次性生成幾百個你從沒設想過的設計候選，還會提出人類根本不會想到的問題，探索那些我們未曾設想的路徑。正如那一步“不可理喻”的第37手。例如華盛頓大學團隊利用AI合成了自然界從未存在的新蛋白質結構，實現了亞原子等級的新物質創造；某一家零售企業用AI自動生成了幾十種虛擬3D商店空間佈局，效果保真度極高，其中許多方案甚至設計師從未設想過；還有某火箭公司正在用生成模型設計發動機冷卻通道的新型幾何結構，配合3D列印製造，打破傳統CAD的侷限。在我們之前的一篇文章中介紹到，英國帝國理工學院的一名教授在“超級細菌”這個問題上研究了十年來；而Google的co-scientist在48小時不僅完美復現了佩納德斯團隊10年研究的發現，還一口氣拋出了4個全新的假設，其中之一，甚至是科學家們都完全沒想到的角度！顯然，AI已成為提出新可能性的科學合作者。要說為什麼AI能行，主要是因為——創新的根本不是“最佳化”，而是“發現新的可能性”。人類的教育和經驗是一把雙刃劍，它讓我們變得高效，但也讓我們形成固化的思維路徑。但AI沒有這種偏見：它不會覺得一個蛋白質“不可能存在”，它只計算可能性；AI不會“害怕”提出不靠譜的方案，它只最佳化資料；AI不會因為“之前沒成功過”就否定某種結構，它只測試機率。03 驗證的革命AI在第3步（驗證評估）的表現，也非常驚豔！如果你問科學家或工程師：“研發最花時間、最拖進度的環節是那裡？”他們很可能不會說“靈感”，也不會說“設計”，而是——驗證。驗證，是將“理論上的可行”轉化為“現實中的可靠”，是產品開發中的關鍵一環，但也常常是最痛苦的一跳。從汽車的風洞測試，到疫苗的動物實驗，從半導體的散熱模型，到建築結構的抗震原型，所有“能不能成”的答案，過去都必須通過一次次實打實的試驗得出。但問題在於，這樣又貴又慢。猜猜這個裝置多少錢？比如，你要為一輛新車設計引擎蓋的空氣動力系統。傳統方法是建風洞，造實體模型，反覆測。好一點，用CFD（計算流體力學）軟體模擬氣流，但跑一次可能要十幾小時、上百GB記憶體。而現在，用AI訓練出來的神經網路模型——只需幾秒鐘，就能預測在不同風速與角度下的表現。你甚至可以讓它一天內測試成百上千種造型，這在過去是想都不敢想的事。這類模型有個名字，叫做代理模型（Surrogate Model）。本質上它是一個“替身”，是一個壓縮過的物理世界：它用AI學習出來的方式模仿現實世界的規律，用極低的算力、極快的速度，模擬那些曾經需要“超級電腦+實驗室”的過程。哦，它還有一個可能更被普及的名字——“數字孿生”。目前“數字孿生”已經在以下領域落地：F1賽車：AI代理模型即時預測空氣動力和引擎熱分佈，車手還沒開出彎道，調整參數的建議已送達；航空航天：飛機結構、材料熱脹冷縮、電磁干擾，全都可以在“數字飛行器”中提前驗證；智慧建築：通過AI建構建築結構和能源系統的互動模擬，實現在建之前就知道維運瓶頸。這意味著，產品的“預見力”可以前置到設計環節，而不是等項目失敗後才亡羊補牢。如果說前面的例子還偏工程，那麼最令人驚嘆的，莫過於AI在生命科學中的驗證能力。蛋白質摺疊是現代生物學中最複雜的問題之一。一個小小的蛋白質，其氨基酸序列可以形成無數三維結構，預測它的“摺疊”本質上是一個多維量子等級的模擬問題。人類幾十年來束手無策。然後 DeepMind 的 AlphaFold 出現了。它訓練了一個深度學習模型，可以在幾分鐘內預測世界上幾乎所有已知蛋白質的結構——這是人類首次，在不做任何實際實驗的前提下，全面預測蛋白質結構，也意味著，未來設計新藥、新疫苗的速度從“以年計”變成“以周計”。2024年，AlphaFold的Demis Hassabis和John Jumper拿下了諾貝爾化學獎。Demis Hassabis更是直接點破了未來：“正如數學被證明是物理學的正確描述語言一樣，我們認為人工智慧將被證明是理解生物學的正確方法。”換句話說，AI實現了從“猜成分”到“預見反應”的跨越，讓生命科學真正進入了“體外驗證的時代”。04 研發飛輪！當AI在第二步與第三步都幫人類開掛了之後，會怎麼樣？這就是令人興奮的爆點了——我們可以想像，未來，科學家們可以在AI的幫助生成幾十個假設設計；工程師不再只測試一個最優設計，而是測試100多種不同設定，看那個組合更強、那個更省；最後再交由AI輔助判斷：那個方案既可行、又成本低、又能被製造出來。這讓“設計—驗證—評估—決策”不再是線性流水線，而是飛輪式正反饋系統：驗證越快 → 候選越多 → 組合越多 → 成功率越高 → 成本越低 → 再驗證更多這正是AI革命中最值得重估的“結構性紅利”，會帶來更快更多的創新！當然，不同行業面臨不同的驗證壁壘：製藥行業仍必須通過臨床試驗；航空航天必須符合複雜的安全標準；建築與製造要符合可施工、可審批的要求。但趨勢已經無法逆轉：AI先做一遍，已經成為新驗證範式的默認流程。那怕最終要做實體驗證，也是在AI選出的“最值得驗證的路線”上動手，大大節省試錯時間。05 AI連接隱性知識你以為以上就是全部嗎？不！如果說設計生成是靈感的火焰，方案驗證是理性的水，那麼一項產品的真正誕生過程，還需要大量的空氣——那些看不見、但必不可少的東西：會議記錄、客戶訪談、文獻尋找、市場報告、測試文件……它們組成了研發過程中的“灰色地帶”——比如，90%的知識不是公開的，而是“散落在每個人腦子裡”的；比如，你明知道有個“前人踩過的坑”，但項目開會時大家還是重新掉進去，因為你不知道誰知道答案。但現在，這些幕後工作，也正在被AI重新接管、重新定義。客戶端，AI可以直接掃描上千萬條社交媒體帖子、產品評論、客服對話記錄，識別出那些使用者痛點被重複提及、那些需求未被滿足、那些“趨勢”正在醞釀。在企業內部，很多知識散落在信箱、會議紀要、企業微信、研發記錄中的隱性知識。現在企業終於有機會且低成本地去“收攏記憶”：用AI自動整理會議記錄、標註知識要點、建立團隊級的知識圖譜。在研發端，AI也能超越學科語言，輕而易舉地進行“跨界”：比如在製藥、化學、材料科學等領域，文獻和資料庫的數量正以指數級增長，沒有任何人能完全掌握。但AI能，而且能在4秒讀完一個博士4年才能讀完的文獻，還永遠不會忘，還能進行綜合與歸納：那些研究之間可能存在潛在聯絡？那些已知機制在其他領域有類比結構？那些理論在資料層面早就埋下了可驗證路徑？AI早已成了跨學科知識連接的中樞神經系統。回到全域看，AI在研發流程中的角色已遠超“工具”：它是客戶耳邊的監聽器，是研究者背後的資料庫，是產品經理心中的問答助手，是法規專員的文書起草人……這種無處不在的“智能營運”，讓我們第一次真正看到了——研發可以成為一個由人機共治的複雜網路，而不是一條條串聯的流程線。很多科技企業，像是Moderna，就已經把AI融入了自己的工作流了。06 多行業的AI創新圖譜現在，人工智慧已經通過生成、驗證和營運三大路徑，證明它具備扭轉創新困局的能力。但落到每個具體行業，它的“落點”卻不一樣。有人用它寫程式碼，有人用它找蛋白，有人用它排配方，還有人用它找出千種新型合金的分子結構。這是一座多劇場協同上演的AI實驗城市。我們可以沿著不同產業的地圖，去看AI正在如何工作、如何改變遊戲規則。1. 軟體與遊戲：AI的“原生領地”在軟體行業，AI像一位自帶作業系統的“程式設計師搭檔”。Meta和微軟都公開表示，如今公司30%以上的新程式碼由AI編寫；不少創業團隊，用AI自動生成初始框架、測試用例甚至部署指令碼，將原本一周的開發流程壓縮成兩天；在遊戲行業，AI不僅寫程式碼，更寫世界：它可以生成人物、生成劇情、生成一整個虛擬城市的美術資產和互動邏輯。這是一次次的“共創”——AI在不斷拋出靈感點子，而人類負責挑選與修正。2. 生命科學與製藥：從發現新分子到降低試錯生命科學，是AI最想挑戰的創新高地之一。過去，一種新藥的研發平均要花10年時間，20億美元，成功率低得驚人。而現在：AI正被用來識別疾病中可調節的分子靶點，自動生成候選藥物結構；AlphaFold等模型已經預測了全球超過2億個蛋白質的三維結構，極大提升了候選藥的命中率；AI還能用計算代理模型，預估候選藥的吸收、代謝、副作用等屬性，在進臨床試驗前就做初篩。目前，AI還不能“包辦藥神之路”，因為臨床試驗依然是關鍵關卡——受限於病人招募、倫理流程等現實。但在藥物發現階段，AI的加入已像是在實驗室裡加裝了一台“自動化分子搜尋引擎”。AlphaFold蛋白質結構資料庫：https://alphafold.ebi.ac.uk/3. 材料與化工行業：尋找“下一個石墨烯”化學家是這個時代最後的煉金術士。但即便是煉金術，也需要計算和猜測。AI在材料科學中發揮的是“加速與放大”的作用：通過代理建模，AI可以在不做物理實驗的前提下，預測材料的強度、導電性、抗腐蝕性等屬性；例如，用AI生成1萬種合金分子結構，在雲端虛擬測試每種組合的性能；AI還能分析實驗記錄與文獻，找出過去實驗失敗的原因，為新配方設計“避坑路線圖”。這裡的價值，不只是在節省成本，更是讓過去十年沒人想到的新材料，變成明天的工程現實。4. 航空航天與複雜製造業：多學科工程的整合神經設計一架新飛機，是一種跨學科的極限運動。你要考慮空氣動力、結構應力、熱管理、燃油效率、電磁干擾、冗餘安全；每一次測試，都是在燒掉真金白銀，做一個又一個“必須犯的錯誤”。現在，AI的出現像是在這個系統中植入了“第二大腦”：它可以用深度代理模型，在幾秒鐘內預測多物理場下的綜合表現；用生成模型提出一些“非人類設計”的新型結構（比如新風道、新機翼分佈）；用LLM協助工程師處理工程變更文件，快速通過審計流程。對於航天、汽車、醫療裝置這些需要極高安全性與設計穩定性的行業來說，AI能讓複雜系統更穩、更準、更快。5. 消費品與快節奏行業：用資料說“使用者到底想要什麼”在食品、飲料、化妝品等消費品行業，創新的速度要求極高：半年不上新，可能就掉隊。但市場趨勢變化快、消費者偏好多變，研發很難靠直覺。於是：AI可以分析數千萬條消費評論、社媒反饋，識別出潛在新配方方向；利用LLM生成口味配方、香氛組合，提前生成小樣；甚至根據消費者屬性建立“數字雙胞胎”，虛擬測試那種包裝設計或香型更可能受歡迎。你可以理解為，這是一種用AI建出的市場風洞：不用真的上市試水，模型就能預測那種產品最可能成功，風險可控。每個行業的“AI使用方式”不同，但本質是同一件事：用AI，從不可能中尋找可能，從可能中尋找更優。07 感謝AI站在2025年，我們正在經歷的，不只是一場生產力的變革，而是一次想像力的重組。創新曾是極少數人的事情，但現在，AI把整個創新過程變成了可協作、可複製、可規模化的系統動作。你不是非得成為天才，也可以參與創造這個世界的新路徑。從蛋白質設計，到飛機風洞；從遊戲指令碼到新藥生成；從消費者偏好模擬，到材料力學預判——AI幫我們把“可能性”以驚人的速度帶入現實。真正的問題不只是AI能做什麼，而是——我們是否已經準備好，加速我們自己。因為：技術從不改變世界，改變世界的，始終是那些敢於重新組織、重新設問、重新定義“人類角色”的人。你可以擁有全球最先進的大模型，卻依然做不出突破性的產品；也可以在一個資源有限的組織中，用AI建構出專屬的研發飛輪。所以，面向未來的創新，我們是否應把研發看作一個“人機共創”的智能生態，而不是線性流程？我們是否在組織中，為“AI協作者”預留出了結構位置與責任邊界？我們是否願意接受：下一個創新，不是“我們主導AI”，而是“我們與AI共同進化”？我們是否開始意識到：最核心的競爭力，是讓組織成為“新知識生成”的機器？如果AI能扭轉創新的衰減曲線，那它扭轉的將不僅是經濟增長，也將是我們下一代的福祉上限。20年後，當我們感慨世界變化之快之餘，我們應該會對AI心生感激。 (TOP創新區研究院)

中國科學院（CAS）近日宣佈成功開發了全球首個AI驅動的晶片設計系統——“啟夢”（QiMeng）。這一開放原始碼專案利用大語言模型（LLM）實現“全自動軟硬體設計”，能夠設計完整的CPU架構。儘管目前推出的樣片性能相對有限，但這一技術的潛力和進展仍引起了廣泛關注。啟夢繫統的背景與進展“啟夢”在中文中意為“啟蒙”，象徵著這一技術的開創性。據《南華早報》（SCMP）報導，目前已有兩款處理器通過“啟夢”設計完成：啟夢CPU-v1，其性能與英特爾486相當；啟夢CPU-v2則聲稱達到了Arm Cortex A53的水平。儘管從英特爾486（1989年）到Arm Cortex A53（2012年）的跨越僅用了23年，但這一進步仍顯示了“啟夢”系統的強大潛力。技術優勢與應用前景“啟夢”系統的核心優勢在於其能夠將大語言模型的智能設計能力與硬體和軟體設計代理相結合，形成一個完整的晶片設計生態系統。在測試中，“啟夢”聲稱能夠在幾天內完成人類團隊需要數周才能完成的設計任務。這一技術的出現，不僅有望大幅縮短晶片設計周期，還可能推動整個晶片設計行業的變革。國際競爭與自主創新“啟夢”系統的出現正值美國對中國技術制裁不斷升級的背景下。美國商務部近期加強了對軟體出口的限制，導致中國科技巨頭如聯想和小米在獲取Cadence和Synopsys等西方EDA軟體許可方面面臨挑戰。中國科學院的研究人員指出，晶片設計技術是“戰略性關鍵產業”，中國必須加快自主創新。未來展望儘管“啟夢”系統目前的樣片性能尚處於早期階段，但其技術進步的速度和潛力令人期待。研究人員表示，他們正在開發啟夢CPU-v3，希望在技術上實現更大的突破，“啟夢”系統無疑為中國晶片設計行業帶來了新的希望和機遇。 (晶片行業)

引言Snowflake Summit 2025首日，Sam Altman受邀與Snowflake CEO Sridhar Ramaswamy展開對話，在Sarah Guo（Conviction創始人兼管理合夥人）的主持下，深入探討了AGI時間線、下一代AI能力，以及AI如何重塑企業營運的方方面面。Snowflake作為全球領先的雲資料平台公司，服務著成千上萬家企業，從初創公司到財務500強，都依賴其平台處理關鍵業務資料。Snowflake Summit是其一年一度的旗艦大會。在AI與資料深度融合的時代背景下，這場被業界戲稱為"資料界搖滾音樂會"的盛會，已經成為觀察AI如何重塑企業資料處理和決策流程的重要窗口。這不僅僅是一場技術分享，更像是對AI在企業級應用中真正落地的深度預言。（image generated by ChatGPT）一、企業AI戰略2025：從實驗到生產的轉折點"Just do it"——這是Sam Altman給所有企業領導者最直接的建議。在談到2025年企業AI策略時，Altman強調了一個關鍵觀點：快速迭代比完美計畫更重要（這跟前幾日分享的吳恩達關於AI創業秘訣之一“速度”不謀而合）。他指出，在技術快速變化的時代，能夠最快迭代、降低犯錯成本、提高學習效率的公司往往是最終的贏家。更值得注意的是，Altman透露了一個重要轉折點：相比去年，他對大企業的建議發生了根本性變化。如果說2024年他還會建議大企業"可以實驗，但這可能還沒完全準備好投入生產使用"，那麼現在他的態度是：這項技術已經為主流應用做好了準備。Snowflake的Sridhar Ramaswamy也從實踐角度印證了這一點。他回憶起2020年使用GPT-3進行抽象摘要實驗的經歷——讓模型將1500字的部落格壓縮成三句話描述，這在當時是一個"啊哈時刻"，讓他意識到了AI的巨大潛力。關鍵洞察：- 快速迭代是核心競爭力：在技術快速變化的時代，迭代速度決定了企業能否抓住AI機遇- 好奇心被嚴重低估：企業需要主動實驗，發現傳統方法不再適用的領域- 實驗成本已經極大降低：OpenAI和Snowflake等公司已經讓小規模實驗變得非常容易- 技術成熟度質的飛躍：ChatGPT現在能夠智能呼叫網路搜尋來獲取最新資訊，可靠性（reliability）大幅提升二、記憶與檢索：下一代AI的核心能力在討論AI系統的記憶和檢索能力時，Sridhar Ramaswamy提出："搜尋就像是為模型設定注意力的工具"。這句話該如何理解？讓我們用一個簡單的類比：想像你在一個巨大的圖書館裡尋找資訊。如果沒有目錄和索引系統，你就必須漫無目的地翻閱每一本書，這效率極低。但有了圖書館的分類系統和檢索工具，你就能快速定位到最相關的書籍和章節。對AI模型來說，搜尋系統就扮演著類似的角色：- 無搜尋的AI：像一個博學但沒有重點的學者，什麼都知道一點，但缺乏針對性- 有搜尋的AI：像一個配備了精準資料檢索系統的專家，能夠快速找到最相關的資訊來回答特定問題舉個具體例子：當你問ChatGPT"今天的股市表現如何"時，模型會意識到這需要即時資訊，自動觸發網路搜尋來獲取最新資料，而不是依賴訓練時的過時資訊。這就是"為模型設定注意力"——讓它知道應該關注什麼、從那裡獲取資訊。從技術演進角度看，檢索增強生成（RAG）技術已經從早期的實驗性功能發展為現在AI系統的核心元件。三、智能體（Agents）：從實習生到資深工程師的進化Sam Altman分享了一個讓他"感受到AGI"的時刻：OpenAI剛剛發佈的程式設計代理Codex。他描述道："你可以給它一堆任務，它在後台工作，非常聰明，能夠處理這些長期任務，然後你只需要坐在那裡對某些結果說'是'，對另一些說'不'，再試一次。"智能體（Agents）能力演進軌跡：- 現在：像實習生一樣工作幾個小時-不久的將來：像經驗豐富的軟體工程師一樣連續工作數天- 終極目標：擴展到各種工作類別Altman預測，明年我們將開始看到能夠幫助發現新知識或解決重要商業問題的代理系統。目前代理主要用於自動化重複性認知工作，但隨著能力擴展到更長時間範圍和更高層次，我們最終可能會看到AI科學家（AI Scientists）——能夠自主發現新科學的AI智能體（AI Agents）。四、AGI定義的哲學思辨：重要的是進步速度而非標籤"如果你能回到2020年，向人們展示今天的ChatGPT，我認為大多數人會說這就是AGI。"Sam Altman的這句話引發了深刻思考。他認為，AGI的具體定義並不重要，重要的是我們過去5年看到的年度進步速度應該在未來至少5年內繼續保持。無論你在2024年、2026年還是2028年宣佈AGI勝利，無論你在2028年、2030年還是2032年宣佈超級智能勝利，都遠不如這條"長期、美麗、令人震驚的平滑指數曲線"重要。Altman對AGI的實用定義：- 能夠自主發現新科學的系統- 或者成為如此出色的工具，使得全世界的科學發現速度提升四倍Sridhar Ramaswamy用了一個絕妙的類比："潛水艇會游泳嗎？" 從某種程度上說這很荒謬，但當然它會游泳。他認為這些模型具備的能力，任何從2030年回望的人都會宣稱"那就是AGI"，但正如Altman所說，2020年的人看2025年的技術也會有同樣的感受。更重要的是，我們應該從歷史中學到樂觀的一課：就像電腦在國際象棋中擊敗了世界冠軍，但人們依然熱愛下棋，chess.com的使用者甚至比以往任何時候都多。AI的超越並不意味著人類能力的貶值，而是為人類開闢了新的可能性空間。五、下一代模型：令人屏息的能力飛躍"未來一到兩年的模型將令人屏息。"Sam Altman的這句話透露了OpenAI內部的信心。他描述了未來模型的能力：- 解決企業最困難的問題：如果你是晶片設計公司，可以說"給我設計一個比以前可能擁有的更好的晶片"- 生物技術突破：如果你是試圖治癒某種疾病的生物技術公司，可以說"就為我研究這個"- 全面的上下文理解：模型能夠理解你想提供的所有上下文，連接到每個工具、每個系統- 深度推理能力：真正出色的推理，並返回答案- 自主工作能力：足夠的魯棒性，讓你可以信任它們獨立完成一些工作Altman的技術願景——"柏拉圖式理想模型"：- 極小的模型尺寸但具備超人推理能力- 運行速度極快- 一兆token的上下文- 訪問所有可能想像的工具為什麼稱為"柏拉圖式理想"？在柏拉圖的哲學中，"理想型"（Forms）代表著事物的完美、永恆的本質——比如"完美的圓"或"絕對的正義"。Altman用這個概念來描述AI模型的終極形態：一個在概念上完美的推理引擎，不受物理限制，能夠處理任何可能的任務。這種模型不需要作為資料庫使用（"將這些模型用作資料庫有些荒謬——這是一個非常慢、昂貴、非常有問題的資料庫"），而是作為推理引擎，能夠處理企業或個人生活的所有可能上下文，以及任何需要的工具。六、千倍算力的終極想像當被問及如果擁有千倍算力會做什麼時，Sam Altman的回答既meta（用工具來改進工具的哲學思路）又務實：Meta答案：讓AI專注於AI研究，建構更好的模型，然後詢問那個更好的模型我們應該如何使用所有計算資源。實用答案：現在我們已經看到測試時計算的真實回報——讓模型推理更多，在困難問題上嘗試更多次，你能得到更好的答案。願意為最困難的問題或最有價值的事情投入更多計算資源的企業將獲得驚人的結果。Sridhar Ramaswamy則提出了一個更具人文關懷的願景：RNA組計畫——就像20多年前的DNA測序項目，但專注於弄清楚RNA表達，這控制著我們體內蛋白質的工作方式。在這方面的突破可能解決大量疾病，極大推動人類進步。番外：Google競爭壓力下的"積極推銷"分析突然發現，最近文章的含Sam/OpenAI量有些高，恰好也看到這個視訊下方有使用者評論指出Google最近發佈對OpenAI的影響，令Sam Altman更積極“推銷”自家產品。這個觀察有一定道理。1.Google Gemini 2.5的強勢表現：Google在I/O 2025上發佈的Gemini 2.5系列被業界認為是"分水嶺時刻"，在多個benchmark上表現優異（來源於blog.google）2.市場份額的博弈：雖然ChatGPT仍然領先（Sam Altman提到日活使用者超10億），但Gemini已經積累了4億月活使用者，競爭愈發激烈3. 技術路徑的分化：Google憑藉其完整的技術堆疊（晶片、資料中心、作業系統、瀏覽器、生產力工具）展現出獨特優勢從這次談話可以看出，Altman確實比以往更加主動地推廣OpenAI的優勢，這在某種程度上反映了來自Google等競爭對手的壓力。雖然在這次談話中Altman沒有直接提及ChatGPT-5，但從他對"未來一到兩年模型將令人屏息"的描述，以及業界普遍預期，我們可以對ChatGPT-5的能力飛躍，比如在推理能力、多模態整合、上下文長度、Agents的原生支援等方面有合理期待。結語：AI的平滑指數曲線與人類未來Sam Altman在Snowflake Summit 2025的分享，為我們描繪了一個AI能力持續指數級增長的未來：從企業應用的成熟到智能體的崛起，從AGI定義的哲學思辨到千倍算力的終極想像，在Google、OpenAI、Anthropic等巨頭激烈競爭的背景下，技術進步的速度可能會進一步加快。正如Altman所說，重要的不是我們何時達到AGI，而是這條"長期、美麗、令人震驚的平滑指數曲線"能否持續下去。從目前的趨勢來看，答案似乎是肯定的。 (JER學家)