你可能已经听腻了这样的说法：AI很快就能自己改进自己，人类只需要在旁边喝茶看报就行。这是当下AI行业最响亮、也最性感的承诺——递归自我改进，听起来就像给机器装上了永动机。
但最近一项新研究给这股热潮浇了盆冷水：事情恐怕没那么快。研究人员发现，AI智能体目前还无法进行真正开放式的AI研究——那种没有标准答案、需要自由探索、依赖判断力和创造力才能取得突破的研究。而这，恰恰可能是通往“AI自我进化”路上最硬的一块骨头。
说人话就是：AI能帮你写代码、做总结、画图，但让它自己当“科学家”去开辟新领域，还差得远。
这件事本身没那么神奇，真正值得琢磨的是：开放式研究到底在AI自我进化中占多大分量？如果AI靠死磕更窄的任务、一点点磨，能不能绕开这块硬骨头，最终也走到自我改进的那一天？
AI自我改进的“圣杯”与现实的落差
先把这个概念拆开看。所谓“递归自我改进”，指的是AI系统能够自己设计更好的AI系统，然后那个更好的系统再去设计更更好的系统，如此循环往复，改进速度呈指数级上升，最终可能远远甩开人类的理解能力。这也是很多人既兴奋又恐惧的未来图景——兴奋在于技术进步可能一日千里，恐惧在于人类可能失去对技术的控制。
这个愿景听起来很美，但新研究的结论是：至少目前，AI连“开放式研究”的门槛都还没摸到。
什么是开放式研究？打个比方：给你一道数学题，答案明确，你只要按步骤解出来就行——这是封闭式任务，AI很擅长。但如果给你一个课题：“如何让计算机理解人类的幽默感？”——没有标准答案，没有固定路径，需要你查阅文献、提出假设、设计实验、推翻重来、再试别的方向……这就是开放式研究。它需要的是判断力、创造力和对未知领域的直觉，而这些恰恰是当前AI最欠缺的。
研究人员发现，AI智能体在面对这类自由探索型任务时，表现远不如它们在那些目标明确、评价标准清晰的任务中那么亮眼。换句话说，AI是个优秀的“做题家”，但还不是一个合格的“出题人”。
为什么开放式研究这么难？
要理解这个卡点，得先看看AI是怎么工作的。当前主流的大语言模型，本质上是一个“概率预测器”——它根据海量训练数据，学习在给定上下文时最可能出现的下一个词或内容。这种机制决定了它在“模仿已有模式”方面极其强大，但在“创造全新模式”方面天然受限。
开放式研究要求什么呢？它要求研究者能够：
- 提出好问题——不是所有问题都值得研究，判断“什么值得做”本身就是一种高级智能
- 设计实验路径——面对未知领域，怎么一步步逼近答案，需要灵活的策略调整
- 容忍失败并迭代——研究路上充满死胡同，需要从失败中学习并转换方向
- 跨领域联想——很多突破来自不同领域的知识碰撞，这需要广博的视野和类比能力
这些能力，每一项都远超“预测下一个词”的范畴。所以，新研究的发现其实并不令人意外——AI在开放式研究上的短板，与其说是技术问题，不如说是当前AI范式的结构性局限。
绕路能到终点吗？
那么问题来了：如果开放式研究是通往自我进化的必经之路，而AI又在这条路上卡住了，那是不是意味着“AI自我进化”的承诺要落空？
也不一定。研究提出了另一种可能性：AI能否通过不断改进更窄、更具体的任务，一步步“磨”到自我改进的境地？
打个比方：你想登上一座陡峭的山峰，直攀路线太险，但你可以绕山而行，走一条更缓但更长的路。虽然每一步看起来都只是在解决一个小问题，但积累起来，也许最终也能到达山顶。
这种“渐进式改进”的路径并非没有先例。在AI发展史上，很多重大突破都不是突然出现的，而是无数小改进的累积。比如图像识别从错误率20%降到5%，不是某一天突然实现的，而是算法、数据、算力各方面一点点进步的结果。
但这里有个关键区别：渐进式改进解决的是“已知问题的更好解法”，而开放式研究解决的是“未知问题的发现与定义”。前者是优化，后者是创新。如果AI永远只能优化而不能创新，那它的自我改进天花板可能比想象中低得多。
这个发现意味着什么？
对于AI行业来说，这项研究的含义是多层次的。
首先，它给“AI即将实现自我进化”的狂热预期踩了刹车。过去一段时间，不少AI领袖都在公开场合描绘“AI自己训练自己”的图景，仿佛这一天近在咫尺。这项研究提醒我们：从“能做好具体任务”到“能自主开展研究”，中间还有巨大的鸿沟。
其次，它重新点燃了一个老问题：当前AI路线是否真的通向通用人工智能？如果连开放式研究都做不了，那AI距离“像人类科学家一样推动知识边界”还有多远？这个问题没有标准答案，但至少这项研究提供了一个值得深思的数据点。
第三，它可能影响AI研发的资源分配。如果开放式研究是必经之路，那研发资源应该更多投向探索性、开放性的AI系统；如果渐进式改进也能到达终点，那继续优化现有模型同样有意义。这个判断将直接影响数十亿美元研发资金的流向。
别急着下结论
当然，这项研究也不是最终答案。AI领域的发展速度有目共睹，今天做不到的事，明天可能就有突破。研究本身也留有悬念：开放式研究在递归自我改进中到底有多关键？有没有可能AI找到一种完全不同的路径，绕开开放式研究也能实现自我进化？
这些问题目前都没有定论。科学界对AI自我进化的时间表也众说纷纭，有人觉得十年内就能看到苗头，有人觉得这可能是永远无法实现的技术幻想。
但有一点是确定的：在“AI自己改进自己”这件事上，我们可能还需要等更久。这未必是坏事——给人类多一点时间理解这项技术，多一点时间建立安全框架，也许比盲目追求“AI自我进化”更重要。
毕竟，真正值得担心的不是AI进步太慢，而是它进步太快而我们还没准备好。
热门跟贴