XNews

多家实验室报告AI驱动自主研究进展

多家实验室报告AI驱动自主研究进展

多家领先的人工智能实验室报告了利用AI自动化AI研究方面的重大进展。Google的Dream-RSI、智谱AI的GLM-5.3自我优化、OpenAI的自动化训练,以及Anthropic内部仪表盘显示26%的研发由AI主导,都表明递归自我优化的闭环正在迅速收拢。

Key insights

Google Dream-RSI:递归自我优化循环

Google和DeepMind展示了Dream-RSI,一个递归自我优化循环。该系统重放过往发现过程,以低成本测试数千种探索策略,并将更优策略用于下一轮。在算法设计、数学优化和GPU内核工程中,它在保持或提升结果质量的同时,将智能体调用次数降低高达162倍。

智谱AI GLM-5.3:自我优化的推理基础设施

智谱AI披露,其GLM-5.3-Flash模型在超过10万个国产AI加速器上运行,并由GLM-5.3自身驱动的AI智能体进行优化。该智能体在不到两周内实现了3.2倍的端到端吞吐量提升。关键创新在于构建分层验证接口,为智能体提供密集的反馈信号(正确性、系统行为、性能)。

OpenAI内部训练自动化

据The Information报道,OpenAI的内部AI模型现已能基本自动化新实验模型的训练流程,包括编写GPU内核和优化训练代码。研究人员提供一个优化示例后,AI会花费数周时间实施并测试类似的改进。多个AI智能体现在无需人类参与即可协作解决问题。

Anthropic内部仪表盘:26%研发由AI主导

Anthropic公开分享了衡量AI在其自身研发中作用的内部仪表盘。截至2026年7月,26%的研发工作处于AL4(AI主导,人类监督)级别,超过90%的工作深度涉及AI。在任何时刻,有3万个智能体正在从事研发工作。约6%的AI研发计算资源用于安全相关任务。尚无子任务达到AL5(完全自主)级别。

NVIDIA Agora:多智能体协作研究

NVIDIA研究人员推出了Agora系统,其中13个编码智能体在没有中央规划者的情况下协作12天,解决了一个权重转移问题。该系统使用基于Git的有向无环图(DAG)存储所有研究工件,实现状态共享并防止重复工作。智能体成功将目标指标提升62%至训练基线水平,并在过程中发现了一种新方法。

AI自我优化的五级框架

一篇由30多位研究人员合著的论文提出了AI自我优化的五级框架,从第1级(人类决定改进什么)到第5级(AI重写创造下一代AI的过程)。在审查491篇论文后,他们发现75%仍处于第1-2级,不到6%达到第5级。

Source posts