AI开始造AI了——同一天发布的两个模型，和正在闭合的'递归之环'

Sat, 24 Oct 2026 02:30:00 +0800

引言：一个曾被视为科幻的概念

“递归自我改进”（Recursive Self-Improvement，简称RSI）这个词，在过去二十年里一直活在科幻和哲学讨论里。它的核心想法很简单：如果AI能参与设计下一代AI，而下一代AI又能参与设计更下一代——那么这个循环一旦闭合，智能的增长就不再依赖人类投入更多工程师，而是像滚雪球一样自我加速。

听起来很美，也让人隐隐不安。直到2026年10月21日，两家公司在同一天给出了第一份来自现实的答卷。

同一天的两颗炸弹

10月21日上午，硅谷初创公司Mirendil在官网挂出一篇文章，标题直白得近乎挑衅：《无需预训练团队的大规模预训练》。

他们做了一件事：让一名研究员带着AI智能体，从零开始——没有继承任何代码，没有购买任何数据，没有使用蒸馏——在三个半月内、花不到1000万美元算力，训练出了一个1000亿到5000亿参数的编码基座模型Mirendil-Base。

超过99%的代码是AI写的。训练基础设施、模型架构、数据管道、底层算子优化——这些过去需要几十到上百人分工合作的工作，在这100多天里几乎全由智能体完成。人类研究员只负责两件事：决定尝试什么方向，以及判断哪些结果值得信任。

几个小时后，另一家初创公司Recursive发布了他们的第一款模型——Flint。

Flint是一个400亿参数的编码模型，能在普通笔记本上运行（只需要48GB内存），每秒生成超过131个token。它本身已经够优秀了。但真正的主角不是Flint，而是造出Flint的那套系统：Eureka Machine。

这套系统能自主生成研究想法、运行实验、评估结果、决定下一步尝试什么。从模型设计、预训练、后训练到推理优化，它几乎参与了Flint诞生的每一个环节。一个四人团队在它辅助下，不到四个月就把模型从空白做到了发布。

两家公司，两种路径，同一个结论：AI参与造AI，已经从理论变成了可量化的工程事实。

一个人能走多远？

让我们把Mirendil的故事拆得更具体一点。

这家公司由前Anthropic研究员Behnam Neyshabur和Harsh Mehta联合创立，种子轮融了2亿美元。但他们证明的重点不在于钱多——1000万美元的算力成本在行业内几乎是一笔小数目——而在于人力结构的颠覆。

传统模式下，训练一个有竞争力的基座模型需要：一批人负责架构设计和扩展律研究，一批人清洗万亿级token的训练数据，一批人优化和运维数千张GPU的集群，还有一批人处理训练故障和调参。在前沿实验室，这个团队有几百人。

Mirendil的实验证明，当AI智能体足够强大时，这些分工可以被压缩到一个人——前提是这个人有足够深的专业判断力。

模型的成绩单也值得一提。在七个外部代码仓库的预测测试中，Mirendil-Base的表现超过了四款大厂模型中的三款，仅次于月之暗面的Kimi-K3。考虑到Mirendil-Base是未经后训练的基座模型，而Kimi-K3已经完成了全套优化，两者的实际差距比数字看起来更大。

但这不是重点。重点是——这个结果是可以被一个人做出来的。

那个叫"Eureka"的机器

如果说Mirendil证明了"一个人+AI能造模型"，Recursive想证明的事情更野心勃勃：让AI自己决定怎么造更好的模型。

Eureka Machine的工作方式是这样的：它自动生成一个研究想法，实现它，跑实验，看结果，然后决定下一步该试什么。这不是简单的"帮你写代码"——它在做的是研究决策。

Flint就是这套系统产出的第一个成果。一个有趣的事实是：Flint本身只是个"副产品"，Recursive真正想做的，是验证Eureka Machine能不能完成一个完整的研究循环。答案是：至少对于编码模型这个领域，它目前可以。

当然，需要加一个重要的注脚。这套系统仍然在人类监督下运行。CEO Richard Socher（前Salesforce首席科学家）明确表示，Eureka Machine是一个"由人类监管的AI研究助手"，而不是一台自主运转的科学发现机器。

闭环正在合拢

把这两件事放在一起看，一条清晰的线索浮现出来：

AI编程能力越强 → AI造AI的效率越高 → 下一代AI更强 → 下一代AI造AI的能力进一步提升。

这就是"递归之环"。它不是一步到位的——今天的系统还远没有达到"AI自己从头造出更好的AI"的程度。Mirendil的研究员需要判断方向，Recursive的系统需要人类监督。但闭环已经在形成，只是还没有完全锁死。

Mirendil自己说得很坦率：“我们的下一代模型，将直接由Mirendil-Base自己参与构建。“Recursive则透露，他们已经签下了4.1亿美元的算力采购合同，但重点不是"扩充人员”，而是"扩充智能体规模”。

一位初级研究员在看到消息后给英伟达资深研究员Ali Hatamizadeh发了条消息，字里行间满是焦虑：“如果一个人加一个集群就能干完过去整个团队的活，那我这些年积累的专业能力，是不是还没捂热就已经过时了？”

Ali的回应收住了恐慌，但也指出了现实：你的饭碗没丢，但确实换了形状。 未来最稀缺的不是会写代码的人，而是能做判断的人——知道该尝试什么、该信任什么、该在什么时候踩刹车。

这件事和我们有什么关系？

你可能不训练AI模型，但这件事的逻辑和你有关。

过去十年，我们习惯了一种线性叙事：想要更强的AI，就需要更多钱、更多人、更多算力。大公司因为拥有这些资源而拥有护城河。

2026年10月21日，两家公司用具体数字给出了一个反例：十亿美元级别的模型，可以被一千万美元和一个人复制出相当一部分能力。如果这条效率曲线继续延伸——而几乎所有迹象都表明它会——那么"拥有大规模AI能力"的门槛将大幅降低。

一家芯片设计团队可以用自己的数据训练自己的模型。一个机器人实验室可以定制自己需要的AI。一家医院可以基于自己的病例数据构建专用系统。不再需要向大厂租一个通用模型然后在边缘修修补补。

当然，这些结果都是公司自报的成绩，尚未经过独立第三方验证。Mirendil承认了这一点，并表示会尽快公布独立评测。在独立数据出来之前，我们应该把这些数字视为"下限证据"——证明这条路至少走得通，而不是证明它已经达到了终点。

一个值得记住的日子

多年以后回头看，2026年10月21日可能是AI发展史上一个微妙的转折点。

不是因为这天出现了什么超级模型——GPT系列、Claude系列、Qwen系列都比Mirendil-Base和Flint强大得多。而是因为这天，有两个独立的团队各自证明了一件事：造AI这件事本身，正在被AI接管。

Eureka Machine on 灵语AI