最近 AI 圈最热的技术事件，莫过于谷歌把一套"让 AI 自己改自己"的递归自我改进项目 Harness² 完整开源：GLM-5 在不动一个模型权重的前提下，仅靠改写外围运行脚手架，就在办公基准上暴涨 11.5 分、反超原生 Gemini 3.5 Flash。与此同时，AI 在十天内两度助攻人类攻克数十年未解的数学难题，Claude Code 九成代码实现自产自审，具身智能机器人批量开进高校课堂——一幅"AI 自我改进"的全景图，正在快速展开。
谷歌开源 Harness²：不动一个权重，跑分反超 Gemini
谷歌近日在 arXiv 公开了名为 Harness² 的递归自我改进（RSI）项目（论文编号 2610.14224v1），迅速在开发者社区刷屏。它做的事情说起来有点"离谱"：让大模型在运行过程中自己修改外挂代码、系统提示词、工具链和技能库——改的不是模型权重，而是模型外围的运行"脚手架"。最直观的效果是，GLM-5 接入 Harness² 后，在涵盖代码、网页、办公套件三大工作流的办公基准 WorkBuddy-Bench 上，综合得分从 64.2 一口气冲到 75.7，单步改进就涨了 11.5 分，直接把没改脚手架的原生 Gemini 3.5 Flash（72.4 分）甩在身后；Gemini 3.5 Flash 自身接入后也从 72.4 提升到 77.5。在长程端到端岗位基准 JobBench 上，Gemini 3.5 Flash 涨 4.5 分、GLM-5 涨 3.6 分；在 Harvey 开源的法律智能体基准 LAB 上，GLM-5 的部分通过率提高了 11.8 个百分点。该项目已全面开源，并同时支持 OpenCode 与 Codex 两种主流执行脚手架。论文共 9 位作者，华人占比约 78%，一作 Ruiyao Xu 是美国西北大学统计与数据科学博士生，成果出自其在谷歌实习期间的工作。
Harness² 的核心是一套"双层递归"架构。第一层是任务级递归：面对没有标准答案的新任务，系统先用初始脚手架跑出参考轨迹，再由专门的编辑角色提出"通用缺陷修补"与"领域专属修补"两套修改方案，放回同一任务分别执行，通过行为对比筛选真正有效的改动并合成最终脚手架，还支持一次生成 2k 个候选并发探测。第二层是改进级递归：反思模块把整个调试记录写成 EXPERIENCE.md，存入持续改进经验库，下一个任务到来时，"改进大脑"可以直接检索历史经验中的有效组件和避坑指南。实验显示，把 JobBench 上积累的经验库迁移到 WorkBuddy-Bench，代码、网页、办公三项得分还能分别再涨 0.6、0.5 和 2.9 分——单次任务的临时修补，由此变成了可跨任务复用的认知资产。
从 Harness² 到 Sakana MASS：RSI 为何在此时集中爆发
"让 AI 自己改自己"并不是新概念，过去两年业内搞过不少递归自我改进尝试，但一放进真实开放世界几乎全军覆没，卡点主要有两个：一是真实打工场景没有标准答案，AI 改完 Prompt 无从判断自己是变聪明了还是在瞎编；二是过度拟合单次任务，为修某个问题魔改的规则到了下一个任务全成累赘，系统很快陷入"噪声螺旋"，越改越傻。Harness² 正是冲着这两个死穴设计的。
与此同时，由 Transformer 奠基论文核心作者 Llion Jones 创办的 Sakana AI 也联手 UC Berkeley 发布了名为 MASS（Multi-Agent Self-Supervision）的递归自我改进成果，"Transformer 作者团队下场 RSI"本身就成了圈子里的热点话题。更宏观的背景是：过去两年行业几乎把全部期待押在底座模型 Scaling 上，但现实是基座模型越来越贵、边际效益在放缓，而落地场景里的长尾问题依然无穷无尽——跨文件对账会偷懒、写完报告不会主动校验格式，这些靠预训练参数永远喂不饱。当"等下一代 GPT"的叙事逐渐失效，把规则制定的权力交还给 Agent 自己的"运行时认知工程"，自然成了新的技术主线。
十天之内两度助攻：AI 工具正在改写数学圈
与 RSI 浪潮遥相呼应的，是最近十天数学界经历的"过山车"。10 月 6 日，OpenAI 宣称其 AI 证明了准黎曼假设方向的重要结果——排除 Landau–Siegel 零点，证明文稿厚达 199 页；数论学家 Hector Pasten 明确表示这是"解决了问题"而非仅是进展，Alex Kontorovich 更是评价：如果成立，立刻就能获得菲尔兹奖。恐慌与兴奋同时蔓延，但人类数学家没有退场。10 月 12 日，Cureton 与 Thorner 把 AI 打磨出的工具"平移"到更广阔的数学对象——有限阶 Hecke L 函数上，证明其在「1-1/6000」右侧绝对没有零点。
这场接力随后演变成一场全球开源黑客马拉松：社区把无零点区的安全边界从 1/6000 一路压到 1/1000、1/500、1/100，最终钉死在 1/32，安全区放大了上百倍，相关证明还经数学智能体 AxiomProver 生成了 Lean 形式化验证并在 GitHub 开源。最终，Frei、Somos 与 Widmer 借着这片"零点自由区"，无条件证明了 2007 年 Ellenberg–Venkatesh 关于数域类群 ℓ-挠的界——这个结论 19 年来一直依赖"广义黎曼猜想成立"的前提，如今空中楼阁轰然落地。最有戏剧性的是论文末尾三人冷峻又幽默的声明："这项工作中，没有使用任何人工智能工具。"此外，谷歌 DeepMind 的 AI 数学家登上《Science》主刊，解开的是一道搁置 56 年的难题；大湾区大学许地生教授团队与上海AI实验室借助书生-S2 科学基础模型，证明了 Ghys 猜想在复余维一情形下成立，北京大学董彬教授、刘若川院士团队随后完成形式化验证；哈佛与谷歌的一项研究则显示，GPT-6 Astra 已解决 98% 的全新理论物理难题。
Claude Code 自产自审：九成代码不再经过人类
Anthropic 最近一篇博客把这个趋势讲得更直白：Claude Code 现在差不多 90% 的代码是 Claude 自己写的，而"那谁来审"的答案是——大部分也是 AI。Anthropic 大仓库 5 月时一天合并约 2500 个改动，到 9 月一天 3 万多个，靠人一行行看根本看不完。他们的账法是：人看没看过只是个不准确的替代指标，真正该盯的是回滚率和事故率——6 月到 9 月，Claude Code 合入的 PR 翻了一倍多，要回滚的反而少了四成多。
支撑这套流程的是七层检查机制：PR 提交前，Claude 必须先拿出证据，测试结果、Build 状态自不必说，改界面的还得拿截图跟设计稿对一对；PR 上去后先过 AI 关，多个 Agent 分头找 Bug、另一拨 Agent 投票，实质性审查意见的 PR 占比从 16% 一下子涨到 54%；最后才是人，且 Agent 点的 Approve 不算数，谁让 Agent 写的代码谁就要进审批人名单，风险低的自动检查全绿即可合并，最要命的模块照样要两人批准，底下还有 Feature Flag 和一键回滚兜底。过程中也不乏插曲：两个 AI 曾互相 Review 吵了 50 多轮，事后用 Git Blame 回查发现约 59% 的问题第一轮就已存在；如今审查最多三轮，单个 PR 平均审查轮数从 2.08 降到 1.32，需要五轮以上的从约每 11 个 1 个降到 2% 以下。人的角色没有消失，只是变成了判断"这事到底该不该做"，以及盯着计费、自动更新器、CI 这些一出事就是重大事故的模块。
智元 2 亿元送机器人进高校：具身智能的"第一课"
具身智能的落地故事同样热闹。这个秋天，清华电子工程系的一间实验室里，5 台智元精灵 G1 一字排开，本科生握着 VR 手柄一个动作一个动作地教机器人抓衣角、叠外套——这门课的期末考核光交实验报告不算数，学生亲手训练的模型必须部署到真机上当场把活干出来。同样的场景正在北大、浙大、上海交大、西安交大、华南理工、东南等 20 多所高校陆续上演：智元一口气拿出精灵、灵犀、远征三大系列加酷拓四足在内的超过 1000 台机器人真机，连同 AIMA 开发平台高校会员和付费算力，总价值达 2 亿元，全部投向大学实践教学。
时间点并非偶然：今年 4 月，具身智能首次写入教育部本科专业目录，首批 9 所高校拿到开设资格，2026 年由此成为具身智能在中国高校开课的"第一年"；9 月，人社部发布第八批新职业，"具身智能机器人应用技术员"正式入列。对智元而言，这只是其"元苼"生态计划落下的第一子——该计划未来五年总投入超 20 亿元，覆盖科研学术、教育人才、生态伙伴、开发社区四大板块，目前已建联国内外 237 所科研院校、500 多家生态伙伴、1 万多名应用开发者和 7 万多名订阅开发者。支撑这份底气的是一串陡峭的增长曲线：智元营收从成立第一年的 30 万元，到第二年 6000 多万元，再到 2025 年突破 10 亿元；今年 3 月底实现行业首个累计 1 万台下线，2025 年人形机器人出货量与市占率均居全球第一。创始人邓泰华的一句话流传很广："智元成不成没关系，产业成就好。"
治理、世界模型与新融资：热潮之下的另一面
智能体跑得越快，治理和成本的账单就越清晰。AI 智能体治理公司 Opsin 最新融资 2100 万美元，由 SYN Ventures 与 Race Capital 领投，其客户数据颇具警示意味：93% 的"失准"智能体拥有完整、不受限的系统访问权，只有 1/200 的智能体在行动前需要人类批准；就在同一两周内，Harmonic Security 和 Reach Security 也分别融资超 5000 万美元扎进同一赛道。Gartner 则预测，到 2028 年单个智能体工作流的推理成本可能上涨五倍以上——token 价格下降并不等于总账单下降，模型路由、token 监控和成本控制正在成为企业的新必修课。
另一侧的新鲜事同样不少：OpenAI API 模型列表近日短暂出现 aurora-red-alpha、aurora-green-alpha、aurora-blue-alpha 三个神秘模型，随后被撤下，Arena 盲测显示三者可能均为生图模型，官方尚未确认；VAST 开源了实时世界模型 EdenLive，其 5B 模型在单张 RTX 5090 上即可实现 720P 超过 24FPS 的生成速度，端到端延迟仅百毫秒级；南芥智能发布 Mio 1.0 Lite，通过调度多款国产模型在九项公开基准中以 77.15 分排名第一，每次请求平均成本约 0.062 元；材料智能公司 MATARIA（元材新界）完成君联资本领投、小苗朗程跟投的数千万元种子轮融资，计划未来 18 个月推出跨尺度材料模型 V1.0，剑指 AI4M 范式。从底座到脚手架，从模型到治理，这条自我改进的曲线，才刚刚开始。
暂无评论内容