AI递归自我改进或没那么快到来

AI自我改进的宏大叙事，最近被一盆冷水浇了个透心凉。MIT科技评论报道了一项新研究，直指当前AI智能体在“递归自我改进”这条路上，远没有业界吹嘘的那么快。所谓递归自我改进，指的是AI能自己写代码、自己生成训练数据、自己优化芯片，最终在没有人类插手的情况下，实现指数级的进化。这个愿景听起来很美，但普林斯顿大学等机构的研究者发现，AI智能体目前能搞定工程问题，却严重缺乏做原创科研所需的判断力和创造力，离真正“自我进化”还差着十万八千里。 这项研究由Peter Kirgis和Sayash Kapoor领衔，他们设计了一个“影子评估”方法，专门测试AI智能体在开放式研究上的能力。他们让Anthropic的Claude Opus 4.8，在开源软件OpenClaw上，去攻克两篇投稿给顶级机器学习会议NeurIPS 2026的未公开论文的研究问题。一个问题涉及能否通过编辑模型权重来控制大模型的“人格”，另一个是设计一个检测器，用来识别基于表格数据做预测的模型何时变得不可靠。因为论文没公开，AI没法从训练数据里“作弊”背答案，只能靠真本事。 为了公平起见，研究者给了AI智能体六天时间、3000美元的API额度、GPU预算、虚拟电脑和联网权限，要求它产出一篇够格发表顶会的研究论文。结果呢？两篇论文的原作者亲自评审，双双拒稿。AI智能体在工程执行上确实不含糊，能查文献、跑几百个实验、整理结果，但在真正的科研核心环节上彻底拉胯：它跑出了一些莫名其妙的实验，比如在极小的合成数据集上验证假设；写出来的东西让人看不懂；对领域没有任何新贡献。Kapoor直言，这些论文离顶会质量差得太远。 问题出在哪？研究者分析，AI智能体缺乏做研究必需的创造力和判断力。它不会广泛探索不同思路，过早地锁死在没有前途的方向上。虽然它也能提出一些新颖大胆的假设，跟原作者最初的想法有点像，但一遇到有限的数据就轻易放弃，而且无法从失败路径中回头调整。它能做小步优化，却做不了那种需要“品味”和“直觉”的开放式探索。这项研究给那些鼓吹AI自动化研究即将到来的人提了个醒：工程能力不等于科研能力，AI能写代码不代表它能做科学发现。对于中国跨境电商卖家和AI从业者来说，这意味着别指望AI短期内能替你搞定所有复杂的战略决策和产品创新，它现在更像一个高效的执行者，而不是一个能独立开疆拓土的科学家。