4 月 22 日，一家名为 Core Automation 的新公司在 X 上发了第一条推文：“我们的目标：优化并自动化工作的系统，从研究本身开始。”CEO Jerry Tworek 是前 OpenAI 研究副总裁、o1 和 o3 推理模型的主导者，今年 1 月刚从 OpenAI 离开。
几小时内，Anthropic 研究员 Rohan Anil、Google DeepMind 的 Gemini 研究员 Anmol Gulati，以及前 OpenAI 产品经理、GPT-4o 之母 Joanne Jang 相继宣布加入。一家同时从三个前沿实验室挖人的新公司，以这种方式进入公众视野。
今年 1 月 5 日，Tworek 在 OpenAI 内部信里告知团队，要去尝试“在 OpenAI 里很难做的那种研究”。他在 OpenAI 待了近 7 年，2019 年加入时公司只有 30 来人，离开时是研发副总裁，主导过 o1 和 o3 两代推理模型，深度参与 GPT-4 的后训练与 2025 年 GPT-5 的部署，也是 Codex 研究的主要贡献者。
几周之后他上了 Ashlee Vance 的 Core Memory 播客，措辞还要更加直接。在谈到 Gemini 3 反超 OpenAI 时，他表示：“从个人角度，这不是 Google 的反弹，是 OpenAI 自己的失误。”他对 OpenAI 当下处境的判断是，所有头部公司都在同时承受三重压力，做出最强的模型、支付 GPU 账单、维持用户增长曲线，这样的环境里，对高风险研究的耐心会天然变薄，而这也是他创办 Core Automation 的直接前因。
在它的名字里，Core 对应它最核心的赌注，重新审视 AI 系统的底层；Automation 既是方法论也是产品主张。公司官网上写道：下一次 AI 的台阶不会来自把现有配方继续做大——更大的模型、更多的数据、不再学习的静态部署。
他们要找能取代大规模预训练和强化学习的新学习算法，要找可扩展性好过 transformer 的新架构，相信下一波前沿研究将由“配备强 agent 的小团队”做出来。
1 月底 The Information 披露了它的融资计划：刚成立几周就开始谈 5 亿到 10 亿美元融资，对应估值超 50 亿美元。按照泄露的融资材料，Tworek 的主要精力集中在一个叫 Ceres 的模型上，一个能够持续学习的单一模型。
他给出的预期是，训练数据量比目前头部模型少 100 倍，在生产环境里可以一边运行一边更新权重。梯度下降是过去几十年神经网络训练的默认底座，愿意把它列入可重做的范围，意味着他们可能不准备在现有框架内做渐进改良。
他们所走的这条路线在学界叫持续学习（continual learning），核心难题是让模型学新东西时不把旧东西忘掉，即灾难性遗忘。transformer + 预训练的主流管线没有解决这个问题，大厂的应对是每隔几个月重新训练一次再做一轮后训练，成本高、周期长，每次都要部分牺牲上次学到的东西。如果持续学习真走通，节省下来的训练成本和延迟会很可观，对机器人、工业自动化、企业内部工具这些需要模型长期适应具体环境的场景尤其明显。
至于远期愿景，其融资材料里甚至提到了“自复制工厂”、“生物机器”、“行星地貌改造”，不过这些还都太过遥远，回到眼前，Core Automation 要解决的是一个具体问题：在当下的算力和人才价格下，一家新公司怎样才能追上已经跑在前面的几家。他们的回答是：不按大厂的节奏扩编。公司官网上写道：先自动化自己的工作，腾出时间做更有野心的研究，从研究里再找下一个可以自动化的东西。这套反馈回路既是他们的产品逻辑也是组织逻辑。
Core Automation 目前公开的人数不过十几个，对比 OpenAI 和 Google DeepMind 数千人规模的研究团队差了两个数量级。要让这样的团队跟得上几家大厂的训练节奏，他们必须把研究流程自动化到一个此前没有机构实现过的程度，而 Core Automation 也的确把自己定位为“全球自动化程度最高的 AI 实验室”。此前学界有一些这方面的早期探索，比如用 agent 系统自动生成研究想法、写代码、跑实验、写论文、做同行评审，不过目前还只能处理玩具级别的 ML 问题，和真正的前沿训练相差很远。
而在 Core Automation 之前，同样走反主流范式路线的新实验室已经有好几家。Mira Murati 的 Thinking Machines Lab 侧重多模态智能体的可靠性，Ilya Sutskever 的 Safe Superintelligence 押注安全优先的超级智能，Yann LeCun 离开 Meta 后成立的 AMI Labs 押注世界模型，Core Automation 押的是持续学习加自动化研究。它们赌的东西不同，但都认定当前的 scaling 路线不够，都有一个明确的技术分叉作为立身之本。
且大多数都没有公开产品，却都在相对短的时间里拿到了大额融资。资本市场对“已经在前沿跑过的研究员独立创业”这件事，愿意按前沿实验室的估值给钱，代价是这些团队要在几年内拿出一个能跟 GPT、Gemini、Claude 对打的东西，或者一个足够独特、让前沿实验室买不起替代品的东西。Core Automation 的时间可能还要更紧一些，因为它涉及的方向也是几家巨头公开在做、只是还没有人做出可规模化结果的方向。
参考资料：
1.https://www.coreauto.com/
2.https://www.businessinsider.com/core-automation-ai-nerdsniped-anthropic-google-deepmind-researchers-2026-4
运营/排版：何晨龙
热门跟贴