当前位置：首页 > news >正文

学位重要性下降、AI 制造 AI 正在发生！罗福莉等五位顶尖学者谈 AI 自进化与 AGI 临界点

news 2026/6/16 8:49:48

作者 | 唐小引

出品 | CSDN（ID：CSDNnews）

两天前，Anthropic 正式发布了 Claude Fable 5。

在 Anthropic 分享的一个案例里，有一个数字很难被忽视：五千万行代码的代码库，人类工程师团队做整体迁移，需要一个月；AI agent，一天。

这个数字，被带进了 2026 智源大会开幕式的压轴环节——一场以「重构世界」为题的大模型圆桌对话。

坐在台上的有五个人。主持人是智源研究院院长王仲远，另外四位嘉宾分别是：小米集团 MiMo 大模型团队负责人罗福莉，清华大学计算机系教授、生数科技创始人朱军，清华大学计算机系教授、面壁智能联合创始人兼首席科学家刘知远，以及南洋理工大学校长讲席教授、人工智能交叉研究院院长安波。

学术与产业，基础研究与工程落地，语言模型与世界模型，国内与海外——这五个人坐在一起，已经是一张完整的横截面。

从「通往」，到「重构」

智源大会的开幕圆桌，已经做了三届。

2024 年的题目是「通往 AGI 之路」，2025 年是「智源具身会客厅」，2026 年变成了「重构世界」。

题目的语气在变。不再讨论往哪里走，开始讨论能改变什么。

王仲远在开场解释这个变化时说：「人工智能不再只是改造某个行业的工具，而是正在成为重构世界的底层力量。AI Coding、自主智能体、模型自进化，正在打开‘AI 创造 AI’的可能性；世界模型、具身智能和机器人，则让智能从数字世界延伸到物理世界。」

五位学者在关注什么？

朱军来自清华计算机系，也是生数科技的创始人。他的研究方向是「通用世界模型」，核心问题是：以视频为原生的模型架构，如何打破 AI 对世界的「理解、预测，以及在世界中进行行动」的边界。这是一个比语言模型更慢、更重、也更难的方向——因为物理世界不像文字，没有天然的序列，也没有唾手可得的大规模标注数据。

罗福莉是这场圆桌最年轻的嘉宾。她负责小米 MiMo 大模型团队，这支团队在多个公开评测榜单上保持了不低的排名。她在自我介绍时没有铺陈职位和成绩，只说了一件自己最近「最关注」的事：self-improvement，尤其是在开放研究语境里的模型自进化路径。

刘知远同样来自清华计算机系，面壁智能的联合创始人兼首席科学家。他近期专注于大模型的「智能密度定律」——如何在更小的模型里训出更高密度的智能，让模型能够赋能各类智能终端。他在圆桌上提供的是研究者与创业者的双重视角，说话的方式清晰有条理，经常在回答里先说「我总结成三点」，然后真的是三点。

安波在南洋理工大学任校长讲席教授，同时在工业界兼职，关注的是更偏实用的问题：在底座不变的情况下，怎么通过更好的方法获得更强的推理能力。他是这场圆桌上几次说出「这件事我不建议大家这么理解」的人——说话直接，有时候会打断一个讨论热点，重新标定它的边界。

王仲远的主持风格，是带着判断去问问题。他不只是转述观点，有时会直接追问：「所以你认为它依然是一个中间模型，是吗？」「有没有可能是 AI improve AI，而不是 AI create AI？」他把自己的角色定义为在场者，但他的问题，往往把对话往更深的地方拉了一把。

重点速览

关于 Claude Fable 5：「这是一个非常科学地做 scaling 的中间产物……这条路径，至少在三个维度上，都还没有停止。」——罗福莉
谈代码闭环的启示：「Anthropic 在代码大模型上的成功，甚至它现在的估值高于 OpenAI，这件事对我们是一个启示：应该创新地去寻找更多不同的数据闭环的可能性。」——刘知远
关于「AI 制造 AI」：「用 AI 替代人的机械性、重复性脑力劳动，再到用 AI 制造 AI，一定会发生，这是人工智能发展到高级阶段的标志。」——刘知远
关于自演化的边界：「如果说'完全靠 AI 自己闭门造车'地搞数据飞轮，我是不建议这么理解的。」——安波
关于世界模型路径：「语言模型会先一步，把这条路探索得更清楚；而世界模型这边，还需要更高效的基础架构。」——罗福莉
关于视频与世界模型：「今天最大量、最方便、也最直接记录世界的数据，其实就是视频……未来真正有价值的世界模型，一定是一个通用世界模型。」——朱军
给年轻人：「敢为人先，坚持，以及持续自我否定。」——刘知远
同样是给年轻人：「学位本身已经没那么重要了。在这个年代，如果你本科毕业，甚至高中毕业，就能进入一线 Frontier Lab 做前沿研究，你在那儿干三年，可能比你读一个博士学到的还更多。这个时代已经变了，学位只是一张纸，它的重要性在下降。真正重要的是：你会什么，你能做什么。」—— 安波

「它是一个中间产物，但这条路还没有停」

两天前的那个发布，自然是圆桌的第一个话题。

王仲远把 Anthropic 的那个案例摆在台上，他问道：「它依然只是量变势能的累积，还是已经到了质变的临界点？」

罗福莉是第一个回答的人。

罗福莉：在我来看，Claude Fable 5 目前的结果，是一个非常科学地去做 scaling 的中间产物。这个「科学做 scaling」包含几个方面。一是预训练参数量级——我们猜测它应该是目前最强开源模型的几倍。二是 test-time scaling 和强化学习部分，应该也有非常大的投入。三是数据的 scaling。因为我们从 chat 迈向 agent 的时代，模型的训练数据也从自然互联网文本数据，迈向人和 agent 共同产生的合成数据。原来能获得的文本数据，大概在 40 到 80T 这样的范围；现在又迈上了一个新的台阶。

所以 Fable 5，是大模型在预训练参数规模、数据，以及合成数据与强化学习推理结合这三个维度上，做出的一个非常自然的外延扩展。是一个中间阶段的模型产物。

王仲远：所以你认为它依然是一个中间模型，是吗？

罗福莉：当然。我认为这条路径，至少在我刚刚提到的三个维度上，都还没有停止。

王仲远接着问了一个更直接的问题：当下模型的能力是在线性增长，还是已经进入指数级增长？

罗福莉：我很难去预估这个增长曲线。因为我们通常看到模型能力是一个涌现的过程。不管在哪一种 scaling 路径上，都有这样的现象。所以很难用一条非常刻板的曲线去量化它。

朱军接过了这个话题。他的角度不是来自语言模型，而是来自他更熟悉的视频模型训练。

朱军：我周围很多老师和学生都说，这一代的效果比以往又有一次大的升级。甚至说，之前觉得自己是导师，现在感觉模型是导师——会出现这种感慨。

结合我做视频模型的经验，现在依然能够看到，随着模型 size 和数据规模在 scale up，性能提升还是非常显著的。而且它们本质上都在走同一条路：把空间做得更细致，把数据质量和规模提上去，再结合大规模训练，整体能力就会上升。

他补充了一个让他印象深刻的细节：「之前大家说用 agent 方式去解决问题，会消耗很多 token；但现在新版本在做同样任务时，token 消耗量变小了。我觉得这是一个非常、非常正确的事情。如果模型能用更高层级的智能来帮我们调工具、思考问题，那大模型未来能释放出来的空间还会更大。」

而紧接着，刘知远的回答，又多了一层视角。

刘知远：我说三点思考。

第一点，我理解它背后的逻辑，是我们已经找到了一条可持续的数据飞轮闭环。不管是 2024 年还是 2025 年，强化学习的成功，包括这次 Claude Code 等等的表现，都是因为它可以从全球范围内收集反馈，收集大家使用代码生成时产生的各种数据。这构成了可持续发展的强劲动力。

第二，代码本身是数字世界里非常重要的生产力工具。代码大模型持续提升能力之后，会对所有需要代码的行业产生颠覆式影响。比如那些被「卡脖子」的工业软件，有没有可能通过开源大模型重写一遍，形成全新的国产化生态？我觉得这非常值得思考和探索。

第三点，也是我觉得更有启示意义的：代码大模型之所以能快速形成闭环，是因为这些数据完全发生在数字世界，很容易把这个闭环做起来。Anthropic 之所以成功，是因为它找到了「代码」这样一个非常重要的垂直方向。那这个世界上还有非常多垂直领域的人类专业知识，如果任何一个领域都能快速形成这样的数据闭环，就一定可以加速 AI 在各个行业的快速应用。

王仲远：所以您认为，还是有新领域的机会。

刘知远：一定有。新的领域机会，以及新的 AI 数据闭环，都有可能创造出新的价值。

「AI 制造 AI，一定会发生」

从 Claude Fable 5 的话题，话头转到了「自进化」。

就在圆桌召开前不久，Anthropic 发布了一篇长文 “When AI builds itself”，提出了 recursive self-improvement（递归式自我改进）的设想：AI 系统全自动地设计并研发下一代 AI——从自动写代码，到自动优化模型、生成数据、完成实验。

王仲远把这个问题抛给了罗福莉：「你观察到了哪些趋势？」

罗福莉：坦诚来讲，上一代顶尖模型——尤其是在去年——能力上限更多还在「做非常好的执行」上。当我们的指令非常清晰的时候，它执行得非常完美。

但到了今天，我们发现顶尖模型已经从「执行」，外延到了「解决一些抽象型问题」。我用一个完整的科研流程来举例：从提出假设，到设计实验，再到真正动手做实验、做验证、设计合理的观测指标，再去判断实验的合理性，最后跟同行做密切交流。这是一条非常完整的研究路径。

现在我已经能看到，大模型已经从「执行」这一层能力，慢慢外延到：能够设计合理的验证指标，去验证自己执行结果的准确性；能够去 plan 整个实验流程。

可能现在唯一、我们还认为模型和顶尖研究员有明显差距的地方，是提出假设——也就是提出真正值得实验的问题。这某种程度上是一种研究 taste，一种研究判断。以及在后续过程中，怎么根据比较早期的结果，及时停止一些没有意义的研究。这可能是现在顶尖模型和顶尖研究员之间，最显著的差距。但这个差距现在正在被更强的模型，加上一套更好的 recursive self-improvement agent 系统，慢慢地向边界外延。所以我自己也很兴奋，能够身处这样一个时代，看到这样一个过程正在发生。

刘知远的回答，拉开了更大的历史框架。

刘知远：可以从两个角度来说。

第一个角度，从整个科技发展的历史来看，我觉得现在这个节点非常关键。我们可以把即将到来的智能革命，类比历史上的工业革命。工业革命的核心，是用机器替代人的重复体力劳动；它发展的极致，是「用机器制造机器」——连机器制造本身都不再需要人的体力深度参与。

所谓智能革命，就是用 AI 替代人的机械性、重复性的脑力劳动。从这个角度来看，用 AI 制造 AI，一定会发生，这是人工智能发展到高级阶段的标志。工业革命花了几百年，才达到「用机器制造机器」的阶段；但今天，从大模型出现到「AI 制造 AI」的讨论真正成型，也不过六七年时间。这个速度本身，就值得我们特别关注。

王仲远追了一个问题：「有没有可能是 AI improve AI，或者 AI create data for AI？这种趋势现在已经看到了吗？」

刘知远：当然有。我理解，Anthropic 现在所谓的 recursive，本质上最外层还是人——是由人来驱动 AI 去制造 AI。当我们把「AI 制造 AI」这件事做起来之后，下一个问题就是：能不能进一步自动化「制造 AI 的过程」本身？这才是 recursive 最核心的思想。

所以 recursive 的最外层，我理解仍然是由人来驱动：到底要制造什么样的 AI，如何让它服务社会。人作为社会主体，这种主观能动性、目标设定权，仍然是整个「AI 制造 AI」过程的核心驱动力。人和 AI 之间，依然是一种相互作用、相互塑造的关系。

在这个问题上，安波的态度更谨慎。

安波：我觉得真正完全「空机起飞」地做数据飞轮，是很难的。还是需要外部反馈。像 Claude Code、Codex 等等，之所以做得起来，很大程度上还是因为用了大量用户、员工、真实开发过程中的反馈数据。

如果说「完全靠 AI 自己闭门造车」地搞数据飞轮，我是不建议这么理解的，尤其是在 AI 还比较弱的时候。「自演化」这个词，如果大家理解得不够清楚，就容易产生错误印象：好像 AI 能自己凭空长出来一样。实际上不是这样的。

「今天最直接记录世界的数据，就是视频」

王仲远把话题引向了朱军的方向。他说，一方面语言模型和 AI Coding 的进步非常快；但另一方面，物理世界是非常多模态的，除了文字，还有图像、声音、时间、空间。多模态与世界模型，是不是另一条通向更广泛智能的路径？

朱军：我有一个特别深的感受想分享。我们做 recursive，或者说做演化的时候，本质上一定需要有「额外的信息」不断被注入进来。从信息熵的角度来看，系统不可能凭空增长出能力，除非这个系统里原本就有很多东西还没有学完。

文本、视频这样的数据，本身非常庞大——互联网、视频平台、影视内容，里面有非常多信息，可能我们过去并没有用好、没有用全。在这种情况下，你在这个体系内不断提升，依然可以看到很大的进步。

但如果我们把这个问题放到物理世界里，情况就不一样了。物理世界本身是开放的，不是一个固定数据集的概念。

他谈到了世界模型的三个必要条件：「它至少要具备三件事情：第一，能够理解状态；第二，能够预测和想象；第三，能够管理行动。」

朱军：今天最大量、最方便、也最直接记录世界的数据，其实就是视频。电影、监控、真实采集数据，它们本质上都是先发生在物理世界，再被记录下来。所以视频里其实包含了大量 physical world 的信息。这恰恰也是视频模型一直在尝试做的事情。过去我们已经看到，视频模型在复杂内容理解和内容生成上做得越来越好。再往前走一步，就是把 action 更深地引入进去。

他提了一个效率的问题：如果视频模型面向的不是「渲染给人看」，而是面向机器内部的思考和动作输出，token 消耗会有非常大的优化空间。「所以现在最高优先级，还是先把'智能上限'推上去。等到这个智能足够高了之后，我们可以用很多方式把它做小、做专、部署到具体场景里。整体来看，世界模型的复杂度会更高，也相对更早期，但未来非常可期。」

他还提到了一个 2020 年就埋下的判断：「大概在 2020 年的时候，我们在做方向规划时，就提出过一个想法：构建一个可演化、可进化、可发育的环境，让智能体能够进入里面学习。当然这个学习过程也不是完全封闭的，它可以走出去，和真实世界交互，再把交互获得的反馈回灌到底座环境中。我想今天大家在说'世界模型'，某种程度上其实就是在实现这种想法。」

朱军：未来真正有价值的世界模型，一定是一个通用世界模型。就像语言模型最终走向通用基座一样，未来更值得关注的，是那种更通用、可泛化、可演进的世界模型，而不只是某一个狭窄场景下的系统。

「语言模型会先一步，把这条路探索得更清楚」

「重构世界」有几条不同的路径：数字世界里 AI Coding 的爆发，AI 在数字世界完成自进化之后「破茧而出」，或者直接从物理世界出发重新构建基础模型。王仲远问：大家更相信哪一条？

罗福莉：我目前确实看到，语言模型和世界模型是在并驾齐驱地往前走。当然现阶段，语言模型走得更快一些。因为我们能够更好地从数据里还原智能诞生的环境，所以可以基于这样的环境，去驱动模型和 agent 系统不断探索、自我提升。

但另一方面，在世界模型上，我更关注的是：世界模型能不能先成为一个非常高效的世界模拟器。「效率」在这里是非常关键的。我们现在还没有看到一个真正 long-term efficient 的视频生成模型诞生。

如果未来有了这样一个高效的生成器，可以从视频角度去重构整个世界，那么在这个基础上，我们就可以叠加一套更复杂的、能触达现实生活任务的系统，再把这两者结合起来，形成一个新的范式。

所以在大的层面上，语言模型和世界模型未来是会互通的。但目前来看，语言模型会先一步，把这条路探索得更清楚；而世界模型这边，还需要更高效的基础架构、更贴近真实世界的系统，以及之后叠加强化学习，这些才会慢慢成熟起来。

朱军：我基本认同。语言模型确实给其他大模型提供了很多启发。因为它最早，也最成熟，是第一类真正验证 scaling law 的模型。

接下来是视频模型，再到今天大家讨论的世界模型。后两者之间关系非常紧密。从视频模型的发展路径来看，我们已经看到它在复杂内容理解和内容生成上做得越来越好。再往前走一步，其实就是把 action 更深地引入进去。整体来看，这条路线现在已经越来越成为共识。大家也都在不断优化架构、提升效率。

「敢为人先，坚持，以及持续自我否定」

最后一个问题，王仲远把话题转向了面向年轻人的方向。

一方面，越来越多优秀的年轻人站上了 AI 最前沿的舞台。就在智源大会前两天，智源研究院官宣，22 岁的北京大学青年学者、逆矩阵创始人、ACL 最佳论文得主陈博远，担任智源行为世界模型创新中心负责人，直接向王仲远汇报。但另一方面，也有很多年轻人很焦虑——AI 发展太快，要学的东西太多，传统技能、传统职业都在发生剧烈变化。

罗福莉：我自己认为，现在整体进步速度实在太快，我们自己都还在摸索：人和大模型之间，到底应该各自发挥什么样的优势。

但我发现，有一项特质是非常恒定、不变的，那就是人的探索欲和好奇心。所以如果让我给一个建议，我觉得唯一重要的建议就是：保持探索欲和好奇心，然后更极致地去使用最新的 AI。

在这个过程中，你一定要大量试错。也要在试错中，慢慢培养自己的独特判断力，以及某种意义上的审美、taste，或者说做研究的 taste。我觉得这可能是这个时代里，年轻人最好的成长路径之一。

朱军：技术进步真的是飞速的、日新月异的。对所有从业者来说都一样，不只是学生焦虑，我们也一样在不断学习。

我们现在做本科培养，也在努力打造一种「AI-native」的成长环境。希望学生从第一天开始就拥抱 AI，让 AI 成为自己的陪伴者、协作者，面向未来去突破。但说实话，哪怕同样一句话，不同学生的感受也完全不同。有的人如鱼得水，有的人效率一旦变高，反而更焦虑、担心跟不上。

他说了一句让人记住的话：「对那些感到焦虑的人，我反而想说：你也不用太焦虑，因为你身边的人可能比你更焦虑。关键不是你会不会焦虑，而是你愿不愿意真正进入这个变化里。」

刘知远：我总结成三个点。

第一个，敢为人先。包括 AGI、包括未来整个智能革命，这些事情都是「未发生之事」。创新，往往就意味着反共识。所有人都已经在做的事情，未必是真创新；真正的创新，往往是需要你在别人还没看到、还没做的时候，就先去做。所以第一件事，是你要敢于做出和别人不一样的选择。就像陈博远，22 岁、ACL 最佳论文得主，直接去承担这么重要的角色，本质上就是敢为人先。

第二个，是坚持。因为你做了不一样的选择，就一定会遭遇很多非议、很多否定、很多不支持。你能不能坚持下来？

第三个，是当你做出了一些成绩以后，你能不能不成为既得利益者。不要躺在已经成功的路径上，不愿意相信世界会变。你能不能持续准确地判断未来趋势，并敢于做自我否定、做新的探索和尝试？这反而是后面更难的事。

安波：这个问题其实和一个更宏观的问题相关：人活着的意义是什么？

今天我们说的一切，多多少少都带一点功利色彩。从这个角度来看，你要做重要的事情，做那些真正有人在乎的问题，不要做 nobody cares 的问题。

他说了一个直接的判断：「学位本身已经没那么重要了。在这个年代，如果你本科毕业，甚至高中毕业，就能进入一线 Frontier Lab 做前沿研究，你在那儿干三年，可能比你读一个博士学到的还更多。真正重要的是：你会什么，你能做什么。」

还有一点他觉得特别重要：「在这个时代，每个人都需要找到一个志同道合的小 group，哪怕是 virtual 的都可以。世界变化太快了，如果你一个概念两三天还没有 get 到，你得找人聊、找人碰撞。」

对话快结束时，王仲远说了一句话：「也许若干年之后，当我们回望今天，真正值得被关注的问题，并不一定是某一个技术发布，或者某一个模型发布，而是在我们智源大会这样一个平台上，有这样一场圆桌，大家在这个时间点一起畅谈——人工智能最底层、最根本的一些问题，以及人类如何与 AI 共同重构未来。」

AGI——「四五十年，一下子变成了四五年」

开幕式结束，赶不上吃午饭，一起特别采访了王仲远，对一些上午没有聊透的话题做了展开。

一个是 AGI 的定义。有人问，他能不能给一个大家容易理解的版本？

他没有直接回答，先说了一件自己的经历。

王仲远：我自己做了将近二十年自然语言处理研究。在我过去的经历里，我一直觉得 AGI 很可能是下一代人才需要认真考虑的问题，也许还要四五十年。但在 2022 年底、2023 年初，当 ChatGPT 和大模型真正进入质变阶段的时候，对我的冲击是非常大的。我一下子意识到，这个时间可能从四五十年，一下子缩短到了四五年。

这也是他后来从产业界回到学术界的原因之一——不只是为了推动技术，也是想在智源这样的非营利机构里，承担更多对 AI 安全的研究和关注。

他的判断有一个分层：「某种形式的 AGI，在数字世界里、能解决广泛问题的那种——很多专家认为今年或明年就会出现，我对这件事是认同的。但更广泛意义上的 AGI，比如它能不能真正拿起一瓶水，能不能在你朝它挥手时领会你的意图——这样的 AGI，还需要更长时间。当然，这个'更长时间'，也可能因为今天 AI 的加速演进，再次被缩短。」

Scaling ——「从预测下一个词，到预测下一个物理状态」

我问了他一个在圆桌上没有来得及深谈的问题：他在演讲里提到，从最早的 Next-Token Prediction（预测下一个词元），到 Next Physical State Prediction（下一个物理状态预测）——这不只是技术路线的切换，更是对 Scaling Law 的重新定义。他说已经找到了多模态 scaling 的新范式，依据是什么？

这个问题他在圆桌上也问过罗福莉。她当时比较谨慎，没有直接给出「指数性增长」的判断，但也没有否认。

王仲远：去年还是前年，媒体上有一个很热门的话题，就是 scaling law 是否失效。当时之所以会有这种说法，是因为大家认为大语言模型的预训练数据已经快用完了，能力提升似乎遇到了瓶颈。但另一方面，我们也看到了：即使是在大语言模型上，通过后训练、推理时 scaling，模型性能依然在持续提升。今天再加上 agent 系统，以及递归自进化这类技术，又有可能进一步推动以语言为核心的基座模型继续 scaling。

他说，智源研究院做的是「高校做不了、企业不愿意做」的科研。早年的「悟道」系列是中国最早的大模型，开创了中国大模型的时代。当语言模型的技术路线确定之后，他们把规模竞争交给企业，自己转向了多模态的新范式探索。

王仲远：我们坚持用 next token prediction 这样的范式去探索多模态 scaling。为什么我们会认为找到了路径？有几个原因。Emu3.5 相比前代，训练数据提升了大约 50 倍，模型参数提升了大约 4 倍，整体性能也实现了非常显著的提升。它采用自回归架构，可以完全复用现有基础设施，也能复用大语言模型与强化学习后训练的那套方法——这意味着，它可以复现语言模型的 scaling 路径。

他还说了一个细节：Emu3.5 现在只有 300 多亿参数，且只用了不到 1% 的公开视频数据。「这意味着它未来仍然有很大的潜力。更大的参数、更大的数据，就有可能带来更强性能。」

再往后——进入物理世界之后，就必须处理时间、空间、物理规律、物理常识。「所以，world basis 现在是我们正在做的一件很重要的事：物理世界基座模型的 scaling 范式到底应该是什么样。等我们把这条路线探出来以后，也会向全世界分享，再交给企业、产业界去做 scale up。」

这也回应了圆桌上朱军说的那句话：「整体来看，世界模型的复杂度会更高，也相对更早期，但未来非常可期。」两人的判断在不同场合，指向了同一件事。