- Apodex两位首席科学家在硅谷101播客中判断，最快半年内AI能跑通一次完整的自我进化闭环，但解决"递归漂移"仍需2-3年
- 模型能力每7个月翻一倍：Claude从2024年的4分钟任务处理提升到2026年的12小时持续任务，长程任务能力是RSI的前提
- 代码能力是自我进化的底层底座——预训练数据生成、后训练配方、infra优化三大环节高度依赖写代码
- Apodex用多agent互相验证（Agent Team）替代单一agent，通过冗余+独立验证缓解"递归漂移"问题
- 防止AI"走火入魔"的核心在于培养"品味"——通过顶级科学家的偏好数据校准模型判断力，类似AlphaZero从人类棋谱热启动后形成自我风格
谁在说、说了什么、为什么重要
2026年7月，硅谷101播客主理人泓君与Apodex两位首席科学家——杜少雷（推理模型与训练方向，华盛顿大学计算机系副教授）和李辈滨（自我进化与编程方向，前微软研究院、Meta、xAI研究员）——进行了一场围绕AI自我进化的深度对话。
Apodex是陈天桥出资创立并亲自主导的AI公司，定位特殊：不做图片生成、不做视频生成、不做聊天机器人，只做"Heavy Duty Solver"——专啃那些没有标准答案、人类自己都不知道从哪下手的科学难题。公司名Apodex源自希腊语"证明与论证"，把"验证"写进了DNA。这是一个与主流大模型厂商"卖Token换收入"模式完全不同的路径：直接通过解决科学难题获取价值。
这场访谈的核心信息是：RSI（Recursive Self-Improvement，递归自我提升）正在从概念走向工程可实现，但其核心瓶颈已经从模型能力转向了"可信的自我验证"和"科学品味"的培养。
核心论点
代码能力是自我进化的底层底座，长程任务能力决定了RSI的上限
"自我进化这个概念并不是新的，往前推可以推到三年前Google的论文'LLM as Optimizer'，"李辈滨在访谈中表示，"只不过这两年模型能力变强了，它可以自我优化的东西越来越多了。"
Anthropic今年公开的数据提供了一个清晰的参照系：2024年3月Claude 3 Opus能完成人类约4分钟的任务；一年后Claude 3.7 Sonnet能处理1.5小时的任务；而Claude 4.6 Opus可以处理长达12小时的任务。业界普遍接受的判断是，模型能处理的任务长度每7个月翻一倍。
更长任务意味着模型可以在一次迭代周期内完成更多次自我优化，这正是RSI中"递归"（Recursive）的精髓。李辈滨解释，以往"LLM as Optimizer"只能优化两三个小时，因为模型一旦犯错，小错误会自我积累导致整个链条崩溃。而长程能力上来后，"模型可以在人类不监督的情况下，自己规划、执行、检查、修正，完成多次循环"。
但长程能力本身依赖三件事：算法（Attention机制的优化，如GDN、GDNv2、DeepSeek-V4 Pro的新架构）、数据（100万token上下文长度的训练数据）和infra（GPU内核优化）。这三件事高度依赖写代码。 "训练一个模型本质就是Data、Infra和算法三件事，这三件事都高度依赖写代码，"李辈滨指出。杜少雷在此基础上补充了一个关键区分："单纯聊天型的小模型可能不需要写代码能力，但能自我进化来蒸馏出小模型的那个大模型，肯定需要高度优化的写代码能力。"
这意味着，代码能力不是AI的众多技能之一，而是驱动其他所有能力进化的元能力。
自我验证是RSI的安全阀，多Agent团队正在替代单一Agent
AI自我进化面临一个根本障碍——"递归漂移"（Recursive Drift）。模型在自我生成训练数据时，推理错误会在一代代迭代中累积放大：答案可能对，但推理过程是错的，进化的结果越走越偏。
Apodex的对策是"验证优先"。杜少雷介绍，Apodex的训练和产品设计中，验证被拆成了多层：代码领域用单元测试（Unit Test）做形式化验证；数学领域用Lean等形式的证明方法；而对那些无法用形式化方法验证的问题，Apodex采用了Agent Team架构。
"我们会把一个问题分解，不同的子agent去解决问题，另一个子agent单独地去验证解法，"杜少雷说。"之所以要分成两个子agent，还是因为上下文的问题——不要让一个agent干所有事情，分成两个agent效果会好很多。"
此外，Apodex引入了冗余机制：同一个问题让不止一个agent去做，得到不止一份答案，再由一个全局agent判断哪个更准确。这个冗余思想在计算机科学中有悠久历史，但用在AI自我进化的验证链条上，是Apodex与其他公司的关键区别。
"即使有test script和test code，其实偶尔还是会发生漂移，"李辈滨坦言，"test case不管是人还是AI写的，偶尔会太宽让错误代码通过，偶尔会太紧惩罚正确的代码。"
这也引出了一个更深层的问题：验证能力本身也需要进化。Apodex在强化学习中会让"裁判"（verifier）也一起学习，避免模型学会奖励黑客（reward hacking）——找到取悦裁判但实际没有进步的捷径。
"发现模型"的本质瓶颈不是能力，是品味
Apodex的终极目标不是做生成模型（Generative Model），而是发现模型（Discovery Model）。两者的根本区别在于：生成模型从已有的知识中找答案，发现模型要提出人类还没有想到过的假设，并自己验证。
"让模型提出一个假设其实并不特别难，"李辈滨说，"难的是提出的假设特别Out of Distribution——在网上比较难找到或者比较难想到——第二个更大的难点是，我们要怎么验证这个假设。"
这让话题从一个工程问题升维到了一个哲学问题：如何让AI学会"像科学家一样提问"？
两位科学家的答案出奇一致——品味（Taste）。"在学术界大家都知道有好的论文和灌水论文，"杜少雷说，"我们也想培养模型变成一个真正的好的科学家，就需要培养一个非常好的学术品味。你提出一个什么样的问题——可以是增量式的问题，容易但有论文发，也可以是本质的、fundamental的问题，解决了真的能让科学有所突破。"
但品味不是靠Scaling Law堆出来的。李辈滨提出了一个尖锐的观察：市面上几乎所有模型都有拍马屁的通病。用户说什么它对什么、对冲回答、模棱两可——这让模型很难提出大胆的假设。"即使是市面上最好的模型，它的品味其实也是远低于一个普通的AI科学家的。"
训练品味的方法与训练解题能力不同：它需要高质量的偏好数据，而非海量文本。杜少雷认为，陈天桥能接触到各行业顶级科学家的资源是Apodex的关键优势。"顶级科学家给我们的这些指导，我们可以拥有顶级科学家的品味。人类也是从一个婴儿开始，最后有的成为顶级科学家，得到的数据也并没有那么多。"
编辑判断
这场访谈呈现出一种值得注意的张力：一边是"半年跑通闭环"的乐观时间表，一边是"递归漂移还没解决"的清醒认知。两位科学家对技术可行性的判断高度一致，但两个关键前提值得审视。
第一，品味训练的数据质与量的矛盾。顶级科学家的偏好数据样本量极小，与Scaling Law所需的"大"存在天然矛盾。杜少雷的回应是"后训练需求比预训练少很多"，并提到Meta正在蒸馏员工性格的方向。但这个回答本质上回避了"小样本偏好能否支撑大规模RLHF"的问题。如果品味最终还是需要规模化的数据生产路径，那么"顶级科学家手工标注"的模式可能只是一个过渡期方案。
第二，Apodex"不做ToC"的定位既是优势也是风险。不做聊天模型意味着可以避开大众偏好对模型品味的"污染"，这在训练阶段是干净的；但也意味着公司缺少ToC模型公司那种大规模的用户反馈飞轮。如果"发现模型"的验证反馈周期以周甚至月为单位，而Chat模型的反馈周期以秒为单位，Apodex在迭代速度上可能处于天然劣势。
第三，"Heavy Duty Solver"与"General Model"之间可能存在路线冲突。杜少雷明确表示Apodex不做垂域模型（不会在生物数据上放50%的训练数据），而是训练通用模型加元能力。但现实中的科学难题往往极度领域特定——蛋白质折叠、靶点发现、晶体结构预测——通用的"元能力"在多大程度上能直接迁移到这些领域，还是需要领域适配层，访谈中没有深入讨论。
后续值得关注的关键变量
递归漂移的量化指标。李辈滨提到"把每一次漂移从10%降到1%，再到0.01%"，但这个漂移率目前缺乏公开的衡量标准和benchmark。未来6-12个月如果有团队提出可复现的漂移率测量方法，将是RSI领域的一个重要里程碑。
"自我蒸馏"能否从玩笑变成工程现实。李辈滨在访谈中半开玩笑地说"能不能把我每天做的事情蒸馏到模型里"，这是当前最热的"员工蒸馏"概念的一个具象版本。如果3个月内能有团队证明"研究员日常调试行为→自动化agent"这条路径可行，将大幅加速RSI的自动化进程。
陈天桥的专注度能否持续。访谈中两位科学家反复提到陈天桥"说的和做的一样"——口上说Heavy Duty Solver，焦点就永远是Heavy Duty Solver。但大模型赛道每天都有新热点，当视频生成、多模态、AI硬件等新战场不断冲击注意力时，这种专注能否维持到模型真正产生科学发现的那一天，是一个变量。
跨界科学发现的第一个验证案例。所有讨论最终都需要一个事实来证明：AI真正独立提出了一个人类没有想到且后续被实验验证的科学假设。AlphaFold已经是"AI解决已知问题"的标杆，但"AI提出新问题并自己验证"还没有公开案例。第一个这样的案例出现时，将不仅是Apodex的里程碑，也是整个AI领域的拐点。
本文基于硅谷101播客《最快半年AI跑通自进化？与陈天桥首席科学家聊聊硅谷模型必争之地》访谈转录整理撰写。
AI 速览
