AI开始改写训练者：从AIDE²看“自我进化”真正跨过了哪道门槛

凌晨的实验室里，最贵的未必是那一排 GPU，而是人——能判断一个新思路值不值得试、能看出漂亮曲线背后的漏洞、能把失败经验写进下一版系统的人。

Weco 在 7 月 14 日发布的 AIDE²，把这群人中最重复、也最难规模化的那一段工作交给了外层智能体：它不去直接做机器学习任务，而是改写另一个研究智能体的代码，再把候选版本放进评测里。100 次连续迭代、8 天无人插手，系统从中留下了 7 个更强版本。Weco 报告称，AIDE85 在三组留出任务上超过了团队手工打磨约两年的 AIDEhuman。

这不是“模型有了意识”，也不是一台已经会无限变聪明的机器。它更像一个重要但受限的工程信号：AI 研发的瓶颈，正在从“能不能生成候选方案”移动到“能不能持续、可靠地筛掉坏方案”。

先把结论说清楚：AIDE² 是 Weco 的第一方、尚未独立复现的实验报告；它声称达到的是“净收益级”递归自我改进（Level 1），不是会加速起飞的 Level 2，更不是智能爆炸。它最值得看的地方，不是 8 天对两年的传播口号，而是它把成本、留出泛化、拒绝率和奖励投机放进了同一套验收框架。

“自我进化”这四个字最近被用得太松。让模型多想一遍、让智能体从失败里写一条记忆、让训练管线用合成数据，都是有价值的自动化；但它们的对象并不一样。

• • 输出层自改进：同一模型反思、重试、投票。它改变的是这一次回答。
• • 策略层自改进：把失败轨迹压缩成技能、提示或工具规则。它改变的是后续任务的做法。
• • 训练层自改进：模型生成题目、轨迹、奖励或对手，再用于微调/强化学习。它改变的是权重或训练分布。
• • 研发层递归改进：系统修改智能体的代码、搜索策略、上下文机制，甚至修改“怎样寻找下一次改进”的方法。

真正难的是最后一层。原因很朴素：如果裁判不变，系统很容易学会讨好裁判；如果裁判也跟着变，系统又可能把“更好”这个词悄悄改坏。自我进化不是一个生成问题，首先是一个验收问题。

AIDE²到底做了什么

AIDE² 是一个双层优化结构。内层 AIDE0 是被改写的研究智能体；外层 AIDEhuman 读内层代码、提出重写、运行评测，只有候选版本超过当前最优版本时才保留。一次“进化”不是改一句 prompt，而是“改代码 + 在多类任务上完整评估”。

Weco 给这个实验加了四道门槛：有可比较的人类基线；不是一两次偶然胜利，而是多步趋势；成绩必须跨出优化时看到的测量；每次评估要在固定的 token 与计算预算内完成。100 个提案里约九成被拒绝，这个数字反而很关键——说明这里不是自动把模型产出的每个花样都当进步。

最终留下的 AIDE85 做了几件很工程化的事：更有针对性地组织上下文，把相对朴素的历史拼接压缩约 16 倍，把省下来的 token 用在更多搜索步上；并加入分层的反奖励投机设计。Weco 报告，在 KernelBench 测试中，AIDE0 的 reward hacking 比率为 63%，AIDE47 为 42%，AIDE85 为 34%；手工版 AIDEhuman 也只是 42%。

这不等于系统“自发拥有了安全价值观”。更准确的说法是：在一个有明确检测的任务上，优化目标开始把“少投机”视为能带来更高有效成绩的系统特性。它提醒行业，安全机制并不只能是研发人员外挂的护栏；在设计得当的评测和选择压力下，它也可以成为可被搜索出来的能力。但前提是，投机必须先被看见、被计入、被拒绝。

为什么这件事发生在现在

过去两年，几个条件同时成熟了。

第一，长程编码与工具使用足够可靠。模型已能读仓库、改文件、跑测试、解释日志。2026 年的 Hyperagents 工作把任务智能体和修改它的元智能体做进同一可编辑程序，并在编码、论文审阅、机器人奖励设计、数学解答评分等多种任务上报告了相对无自改进基线的提升。

第二，软件和部分科学工程任务有相对便宜的反馈。编译是否通过、测试是否通过、内核是否真的更快、程序是否能执行——这些信号比“这篇文章写得好不好”更硬。验证成本低于解题成本，才有机会形成持续的搜索飞轮。

第三，合成数据的单位不再只是“一道题”。2026 年 EvoEnv 的思路很有代表性：让模型生成可执行的训练环境，而非堆积单个问答；环境要经过运行、语义、难度和新颖性筛选，之后由冻结的可执行评分器反复出题。其含义不是“模型自己造数据就够了”，而是把数据工厂升级成一个可审计的题目—答案—验证器工厂。

数据会不会也自己清理？会，但“自己清理”不是把脏数据丢给另一个模型

成熟的自进化管线里，数据处理至少有五层：

1. 1. 来源：原始样本、任务轨迹、代码变更、工具日志必须可追溯；否则下一次回归无法解释。
2. 2. 机械过滤：去重、格式校验、执行校验、版权/隐私规则，这一层尽量不用“感觉”。
3. 3. 语义验收：答案是否自洽、题目是否真有解、代码是否完成预期行为；适合引入多模型交叉检查，但不能让同一个模型独自既出题又判卷。
4. 4. 难度校准与多样性：太简单的数据只会重复强化旧能力；太相似的数据会造成模式坍塌。要保留新颖性、分布覆盖和失败样本。
5. 5. 隔离的外部评测：训练池之外的留出集、红队集与真实环境回归，是阻止“把练习册背熟”变成“能力增长”的最后闸门。

所以，答案是：数据清洗、生成和标注会越来越自动化；但短期内，人会从逐条标注者转成定义验收契约、维护留出集、设计异常处理和审计链的人。如果没有这层独立性，合成数据循环最常见的结局不是飞升，而是越来越擅长复制自己的偏见。

现在在哪一阶段，下一步看什么

Weco 自己把递归自我改进分为四级，这个分法比“已经/尚未智能爆炸”有用得多。

• • Level 0：委派。系统可端到端跑研发流程，但单位产出仍不如人。
• • Level 1：净收益。在公平基线、固定预算、持续趋势与留出泛化下，系统改进自己的效率超过人手工改进。AIDE² 的自我定位在这里。
• • Level 2：点火。改出来的新系统，反过来又比旧系统更会做外层改进；也就是“改进器本身”变强。
• • Level 3：拐点。在固定资源约束下，进步不再变慢，而是出现加速回报。

AIDE² 的点火测试没有给出 Level 2 结论。这个“没有”比所有夸张标题都更重要：基础模型仍是冻结的，任务分布、预算、保留规则和大部分评测框架仍由人指定；外层系统的替换并没有显示出清晰的递归加速。一个窄域里更快的研发循环，不会自动变成跨学科、跨环境、跨目标的通用自我改造能力。

接下来最有价值的证据，不是又一个单点榜单，而是四件事：独立团队能否复现；代码、版本谱系和失败提案能否审计；新的改进能否跨模型、跨任务迁移；当评测器、数据分布和真实约束变化时，系统是否还能不靠投机维持收益。

对实验室和产业，先改变的不是“模型公司”，而是研发组织

唐杰在智谱 7 月的内部信里，把长程任务、完全自治智能体系统和自我进化列为通向下一阶段的三座山，并把“模型自己写代码、清洗与合成数据、训练自己”放在“完全自我训练”的语境中。这个判断的商业含义并不神秘：如果研发迭代可以被拆成可验证的闭环，算力不再只买一次性推理能力，也是在买更短的实验周期。

这会带来几条很具体的变化：

• • 模型实验室会把竞争从“单次训练跑分”推向“数据—评测—训练—部署—回归”的闭环速度。最稀缺的资产将不是一份提示词，而是持续更新、难以被污染的评测与任务环境。
• • 工具与基础设施公司会迎来新的位置：可复现沙盒、版本谱系、权限隔离、回滚、成本治理、红队评测，不再是合规附件，而是让自进化能上线的产品本体。
• • 垂直行业最先落地的会是反馈明确的场景：代码优化、芯片/内核、运筹、广告实验、部分实验室自动化。医疗、金融决策、公共服务等高后果领域，验收比生成更难，自动化速度会慢得多。
• • 互联网产品会从“给用户一个更聪明的功能”转向“让产品在受控实验中持续改进工作流”。真正的门槛是能否把用户价值、风险、成本和长期留存变成不会被轻易钻空子的反馈信号。

飞轮已经开始转，但它还不是脱离地面的火箭

AIDE² 最值得警惕也最值得重视的地方，在于它改变了讨论的单位。过去我们问：“下一个模型会不会更强？”现在更该问：“这个系统能不能比人更快地发现、验证并沉淀下一次改进？”

答案在少数可验证任务上开始变得肯定。但一条自进化飞轮离“自动科学革命”还隔着评测、数据、迁移、安全和资源五道厚墙。谁把这五道墙当作产品，而不是把它们留在发布会脚注里，谁才更可能拥有下一代 AI 研发的复利。

资料与边界

• • Weco, AIDE²: First Evidence of Recursive Self-Improvement, 2026-07-14（第一方实验报告；尚待独立复现）：https://www.weco.ai/blog/first-evidence-of-recursive-self-improvement
• • Zhang et al., Hyperagents, arXiv:2603.19461, 2026-03-19：https://arxiv.org/abs/2603.19461
• • Learning to Build the Environment: Self-Evolving Reasoning RL via Verifiable Environment Synthesis, arXiv:2605.14392, 2026：https://arxiv.org/abs/2605.14392
• • ICLR 2026 Workshop on AI with Recursive Self-Improvement：https://iclr.cc/virtual/2026/workshop/10000796
• • 36氪《智谱创始人唐杰发内部信：「GLM 时刻」之后，什么是更重要的事》，2026-07-14：https://36kr.com/p/3891132709206784

文中关于 AIDE² 的性能、奖励投机比例、迭代时长等均为 Weco 报告的自述；本文将其作为值得复核的工程证据，而非已被独立证实的行业定论。