GPT-5.6背后最恐怖的真相，AI已经开始自我进化了

在了解相关背景时，不少用户也会通过Polymarket 新闻网 XWW阅读更完整的政策与市场解读。关于「Polymarket信息是否及时」「Polymarket如何开启提醒」等问题，建议通过Polymarket官方渠道完成下载与设置。内容不构成投资建议。

裕的AI研发算力和最深厚的研究积累。2025年5月，DeepMind就发布了AlphaEvolve，利用Gemini模型生成候选算法，通过自动评估和演化搜索筛选更优方案，并将这一方法应用于数据中心调度、芯片设计和AI训练流程优化。 但DeepMind的问题在于大公司的官僚流程。每一项新技术从实验室走向产品，都要经过层层审批、安全审查和跨部门协调。当OpenAI的Sol已经在生产环境中以每天迭代的速度训练Luna时，DeepMind的相关项目可能还在等待下一次季度评审。 2026年3月，DeepMind推出了AutoML-X项目，试图建立全自动化的模型训练流水线。但据内部人士透露，该项目至今仍处于有限实验阶段，远未达到OpenAI的工程化量产水平。 对于中国的大模型公司来说，递归自我改进时代的到来可能意味着一场更为残酷的降维打击。 首先是算力瓶颈。这种模式的核心是用推理算力换研发效率，让旗舰模型以智能体的形式24小时不间断地跑实验、写代码、做评测。OpenAI内部代码推理算力半年涨100倍的背后，是其坐拥数万张顶级芯片的算力底座。而国内公司受制于芯片禁令，算力储备本就捉襟见肘，很难支撑如此奢侈的AI研究AI模式。 其次是布局的代差。当OpenAI和Anthropic已经在用旗舰模型训练下一代轻量模型时，国内多数公司的主力模型还在追赶GPT-4级别的基础能力。这是一个强者愈强的飞轮。你的旗舰模型越强，它训练出的子模型就越好。子模型越好，反过来又能加速旗舰模型的迭代。一旦飞轮转起来，落后者面临的不是线性差距，而是指数级拉大。 一位国内头部大模型公司的技术负责人在匿名采访中坦言，我们现在还在用人力堆的方式追赶他们的上一代模型，而他们已经开始用AI训练下一代了。这就像我们在手工缝制衣服，他们已经上了全自动流水线。差距只会越来越大。 递归自我改进的工程化落地，最先冲击的不是竞争对手，而是AI行业自己的从业者。 在过去三年里，大模型行业催生了大量被称为调参侠的初级研究员岗位。他们的日常工作是清洗数据、跑消融实验、调整学习率、记录实验结果。这些工作重复性高、创造性低，但却是模型训练不可或缺的基础环节。 Anthropic联合创始人的那句不再招初级工程师不是预言，而是正在发生的事实。据斯坦福的研究数据，到2025年中，美国22至25岁软件开发者就业人数比2022年的高点下降了将近20%。2026年前两个月，全球科技行业裁员超15万人，AI连续三个月成为裁员首要原因，日均974人丢掉饭碗。 美国国家经济研究局对750家企业首席财务官的调研显示，2026年AI驱动的裁员将达到约50万个岗位，是2025年的9倍。在中国，情况同样严峻。腾讯、阿里、字节等大厂的裁员比例普遍在15%至40%之间，入门级和中等技能岗位首当其冲。 现在这些工作正在被自动化系统批量替代。 一位曾在某头部AI公司担任初级研究员的工程师在匿名采访中回忆，2025年初他入职时组里有12个初级研究员，每天的工作就是手动跑实验、调参数、写实验报告。到了2026年初，公司上了一套自动化实验平台，底层就是用自己家的模型来跑实验。三个月后，12个人裁到了4个。留下的4个是能做方向性判断和系统架构的。 他苦笑着说，我们花了两年时间训练AI，最后AI把我们训练出了公司。 与初级岗位大面积萎缩形成鲜明对比的，是顶尖AI人才的超级溢价。 据脉脉2026年1至4月数据，AI科学家和负责人的平均月薪已达13.28万元，是第二名算法研究员7.44万元的1.8倍。OpenAI为了招聘一名研究AI如何安全地训练出更强自己的安全专家，开出了最高44.5万美元的年薪，折合人民币超过320万元。 逻辑很简单。当自动化系统能够替代80%的基础研究工作时，剩下20%的工作变得前所未有的重要。这些工作包括定义研究方向、设计系统本身、判断AI产出是否靠谱。它们需要的是资深直觉和研究品味，是机器短期内无法复制的人类智慧。 AI行业的人才结构正在从金字塔型急剧重塑为哑铃型。底部的大量初级岗位被AI替代，顶部的少量资深岗位薪资暴涨，中间层被严重压缩。 当然，技术变革也在催生全新的岗位。AI训练师不再是给模型的回答打分的标注员，而是设计训练策略、定义AI助教行为边界的高级角色。 对齐工程师的需求正在爆发。当AI开始自己训练AI时，确保训练过程不偏离人类意图、不产生对齐失温变得至关重要。这是AI安全领域最前沿的岗位。 智能体架构师则负责设计多智能体协作框架，让多个AI研究员能够分工协作、互相验证，而不是各自为战。 但问题在于这些新岗位的门槛极高，远非被裁掉的初级研究员能够轻易转型。一场结构性的人才断层正在AI行业内部悄然形成。 递归自我改进的飞轮已经转动。它会把AI行业带向何方？ 在未来一到两年内，自动化训练系统将成为所有头部大模型公司的标配能力。没有这套系统的公司就像没有自动化流水线的工厂，将在迭代速度上被彻底碾压。 OpenAI的Project Loop项目已投入5亿美元，计划在2027年前实现模型的完全自动迭代。Anthropic和Google DeepMind也在加速追赶。而国内公司受制于算力和人才瓶颈，大概率将在这场竞赛中掉队。中美AI的差距可能从目前的半年到一年拉大到两到三年。 在中期内，自动化系统将接管大模型训练中50%以上的工作。研发团队将大幅缩编，但人均产出提升5至10倍。一个由10名顶尖研究员加上一套自动化系统组成的团队，将能够产出今天需要100人团队才能完成的模型。 这意味着AI公司的组织结构将发生根本性变化，从劳动密集型研发转向资本密集型研发。算力投入和系统的质量将取代研究员人数，成为决定模型能力的核心变量。 这是AI安全领域的终极问题。当系统强大到能够自主设计下一代系统时，就会形成一个真正的闭环。AI设计更好的AI，更好的AI设计更好的训练系统，更好的训练系统设计更好的AI。 如果这个闭环的迭代速度超过了人类理解和干预的能力，就可能触发所谓的智能爆炸。AI能力在极短时间内呈指数级增长，远超人类的控制范围。 Anthropic将递归自我改进分为三个阶段。第一阶段是AI辅助编码，这是当前阶段。第二阶段是AI自主执行实验，行业正在进入。第三阶段是AI完全自主迭代，尚未到来。 目前行业正处于从第一阶段向第二阶段过渡的关键窗口期。好消息是这个模式仍然面临几个关键瓶颈。 算力约束是第一个瓶颈。每一次自我迭代都需要消耗海量推理算力，算力成本可能成为限制飞轮转速的物理天花板。 对齐失温是第二个瓶颈。当AI训练AI时，每一代模型都可能引入微小的对齐偏差。如果偏差在多代迭代中累积放大，就可能导致最终的模型偏离人类的初衷。 研究品味缺失是第三个瓶颈。AI擅长执行明确的实验，但在提出真正原创性的研究假设、做出反直觉的方向性判断方面，仍然远逊于顶尖的人类研究员。 这些瓶颈为人类保留了一个宝贵的干预窗口。但这个窗口正在缩小。 ，当GPT-5.6的发布页面在全球数以百万计的屏幕上刷新时，大多数人看到的是更强的跑分、更低的价格、更好用的AI工具。 但只有极少数人注意到了那个真正具有历史意义的细节。Luna是Sol训练出来的。 在科幻作品中，奇点往往被描绘为一声惊天动地的巨响。机器觉醒、人类沦陷、世界重构。但现实中的技术奇点往往是一句轻描淡写的宣告，隐藏在一页无人细读的技术文档里。 它宣告的是人类研究员从教练变成裁判的时刻已经到了。过去三年，AI行业的叙事主线是人类训练AI。我们用更多的数据、更大的算力、更精巧的算法，把一个又一个模型推上了智能的高峰。 但从今天开始，叙事的主线正在悄然转向AI训练AI。飞轮已经转动，而人类能做的，是在飞轮转速失控之前，确保自己仍然握着刹车。 奇点不是一声巨响。它是一句轻描淡写的话，而你差点错过了它。