AI 如何开始研究 AI？从“更勤奋”到“更聪明”的自动化研究

模型公司把更多 GPU 接进训练集群，创业团队把 agent 接进代码仓库。两边都在加速。但刘子明在张小俊 Podcast 里的问题更往前一步：如果 AI 只能更快地试错，它到底是在做研究，还是只是在更快地消耗实验预算？

这不是一句措辞上的挑剔。今天不少 AI for AI 的叙事，默认把研究理解为一个执行问题：让系统写代码、改超参数、跑实验、看结果，再继续循环。它当然有价值，却更像一位不会累的实验员。刘子明要追的，是另一种能力：在实验启动前，对什么值得试、为什么可能有效形成更可靠的判断。换句话说，从“更勤奋的 AI researcher”走向“更聪明的 AI researcher”。

模型设计还没有成为一门真正的科学

刘子明的路径从 AI for physics 转向 physics of AI。前者是用机器学习处理物理问题；后者则反过来，用物理学追求的压缩、解释和统一性，理解模型为什么会呈现某种行为，并据此设计更好的模型。

他给出的比喻很直接：天文学先有第谷式的大量观测，随后有开普勒式的经验规律，最后才有牛顿式的统一理论。AI 也许还没有走到自己的“牛顿时代”，甚至可能因为太早围绕 Transformer 收敛，只盯住了一小片已经很亮的星空。语言本身是人类文明长期压缩后的模态，模型吃下语言，已能表现出惊人的能力；但视觉、机器人和世界模型面对的是更原始、更少被预先抽象过的数据。此时，架构设计和抽象能力反而变得更关键。

这也是为什么“下一个 Transformer”不应只被当作一次灵感闪现。若模型结构、训练动力学和数据条件之间的关系能被系统记录、比较和预测，模型设计才可能从拍脑袋的技艺，变成可被积累的知识。

把研究过程变成训练数据

代码 agent 的进展快，原因不只是模型会编程。GitHub 一类环境提供了结构化代码、清晰的版本差异和相对明确的反馈。研究没有这种现成的训练场。论文通常只留下最终答案，观察到什么异常、为什么放弃一条路径、哪次失败改变了假设，这些真正影响下一步的过程往往消失了。

刘子明提出用 OPHIS 组织研究：Observation（观察）、Problem（问题）、Hypothesis（假设）、Intervention（干预）、Speedup（提升）。它不是把科研压成僵硬表格，而是要求研究过程留下可复用的因果链：看到什么现象，判断了什么问题，基于什么假设进行了哪种干预，结果是否带来可验证的改进。

这里需要保持边界：OPHIS 是访谈中描述的方法框架，而非已经被广泛验证的行业标准。它的意义在于把“研究品味”“灵光一现”这些容易神秘化的词，拉回可追问的过程。研究者不一定能一次把自己的直觉说清，但如果长期记录决策与实验闭环，至少可以开始收集能让系统学习的材料。

“原模型”：先预测训练曲线，再花钱跑实验

访谈里最具体的技术设想是“原模型”——一个关于模型的模型。它输入某个架构、数据集、优化器等条件，输出对训练曲线或实验结果的预测。它不替代真实训练，而是先给大量候选方案排序，把昂贵的真实实验留给更值得验证的少数选择。

这个想法来自刘子明的个人训练：连续数十天随机选择数据集和模型，在实验前预测训练曲线，再用结果修正判断。他发现这种判断可以逐渐迁移到不同模态，于是提出一个猜想：研究者脑中或许存在一种尚未外化的“关于 AI 训练的世界模型”。所谓原模型，便是试图用大量“模型—训练结果”配对数据，把这种预测能力外化、放大。

这条路线的难点恰好也很清楚。数据不是互联网现成给的文本，而是要主动制造：训练许多不同的小模型，保留完整训练动态，刻意覆盖不寻常的架构与条件。它的成本未必低，只是目标不同于再训练一个更大的通用模型——它想降低的是模型研发中盲目探索的成本。

新型实验室为什么在此刻出现

围绕 neo lab 的融资热度，访谈给出了一个比“资本追热点”更有解释力的视角：有些方向既不适合传统大学实验室的慢周期，也还没有清晰到能直接做成产品。世界模型、自动化研究、机制可解释性都属于这样的早期地带。它们需要研究自由度，也需要在有限时间里给出能走向产品的原型。

刘子明把这种组织形态理解为一个阶段转换：先以 lab 的方式，用大约 6 到 12 个月探索与收敛；路线出现雏形后，再以公司的方式推动产品、资源和商业化。这不是对所有创业都适用的模板，却点出了研究驱动型公司的真实张力——太早产品化，可能把方向锁死在容易卖、但不重要的功能上；无限期研究，又会失去组织和资金的支撑。

别把“可解释”误读成给每个神经元贴标签

机制可解释性也是访谈的重要底色，但刘子明并不把它等同于为每个神经元讲一个漂亮故事。单个神经元层面的解释可能在不同随机种子或不同模型中并不稳健。更有用的问题，是哪些训练条件会带来哪些行为，哪些技巧在哪些“相”里有效，哪些结构能跨越条件变化仍保持能力。

这是一种更接近物理学的野心：解释不必止于微观命名，也可以是一张可预测的条件地图。它不承诺立刻写出 AI 的牛顿定律，却要求把“这个 trick 有效”推进成“它在什么条件下有效，以及为什么值得继续试”。

真正的产品不是论文生成器

访谈末尾给出了一幅更远的产品图景：training autopilot，或称 vibe training。用户描述目标和预算，系统负责选择方案、设计模型、训练、部署并交付结果。其判断是，未来不只是少数巨头能够训练模型；更多团队、行业乃至个人，可能有能力获得面向具体问题的私有模型。

这件事离日常使用还有多远，谁也不能替它提前宣布答案。可这期对话至少把一个常被忽略的分叉说清了：自动化研究不是只有“让 agent 多跑一点”的路线。另一条路是先把研究本身变成可观察、可比较、可积累的对象。前者扩大执行带宽，后者试图改写判断质量。真正重要的进展，也许发生在两者终于接上的那一天。

原节目与参考

• 原节目：Zhang Xiaojun Podcast #149｜亲历中美 neo labs 资本狂潮，和清华刘子鸣聊：AI for AI、机制可解释性和 Max Tegmark
• 本文根据节目转写与摘要整理；访谈中的路线设想、时间表和市场判断均应视为受访者观点，而非已被独立验证的结论。