Dwarkesh Patel发布新一期约96分钟对谈，议题从“如何给递归自我改进找反方最强论证”一路谈到时间表

Dwarkesh Patel发布新一期约96分钟对谈，嘉宾为Thinking Machines首席科学家、OpenAI联合创始人John Schulman，Zyphra首席技术官Beren Millidge，以及Baseten模型训练负责人Charlie O’Neill。三人任职于相对可公开讨论的实验室，议题从“如何给递归自我改进找反方最强论证”一路谈到时间表。

开场被设成对抗题：若到2036年仍没有大规模改造世界的超级智能，最可能的技术原因是什么，战争、监管和政治冲击先排除。三人反复区分两类任务——可累积任务与非平稳任务。注意力、混合专家、GRPO一类发现一旦写下就可以被后来模型直接继承；律所助理这类工作则要不断吞进变动关系、隐性流程和本地知识。O’Neill给出刺耳推论：递归自我改进碰巧比当一名律师助理更容易。

中国实验室进度被单独拆开。Schulman指出，面向中国用户的路由与代理服务会收集并出售访问美国前沿模型（以编程为主）的流量，这套提示词分布对蒸馏几乎是现成教材。Millidge称前沿实验室向大型数据公司买数据，中国实验室同样能买；若数据重合，蒸馏就能把代际差距压住。他同时说中国侧会用线上交互做蒸馏，下一代模型直接吃掉上一代的部署轨迹。

自动化研究者如何训练、长程强化学习能否逼出通用智能，被放到同一条链上。Millidge认为完整闭环——模型自己决定数据、自己决定训练——才算递归自我改进，关键变量是还需要多少人类信息。环境可以难过任何人类，不等于轨迹蒸馏能越过教师上界。Schulman强调大量研究并不是在定义清晰的目标上爬山，而是把“模型该在何处变好”的直觉变成可验证设定。O’Neill把瓶颈指向Mercor及实验室内部团队能把强化学习环境复杂度扩到哪一步。

强化学习被重新解释。Patel提到一年前学界普遍看空强化学习扩展，Schulman本人论文里写过模型每个回合大约只学到一比特。Millidge把近期成功拆成被低估的中期训练：大量所谓强化学习胜利，其实来自合成推理数据和热身环境，等于在进强化学习前又做了一轮预训练。模拟到真实的落差、持续学习中的灾难性遗忘与可塑性损失，被列为长程判断和目标设定仍要人来做的原因。快速问答里，把模型当成可替换白领远程员工、或把人工智能研究效率提高一个数量级的时间表，被收在大约2到10年；Schulman对更强智能给出3到4年量级判断。

市场机制上，这是一场叙事交易而非即时订单。买盘是押注递归自我改进、愿意把算力从推理回流训练的前沿实验室与其云厂商；卖盘是仍靠人类研究员、数据采购和评测环境扩容的开源与中型训练栈。资金流向分两支：一支继续购买提示词分布、合成推理数据和强化学习环境；另一支流向能公开说话、降低信息不对称的“开源侧”人才品牌。受益方是Thinking Machines、Zyphra、Baseten这类可以上镜讨论路线图的公司，以及靠蒸馏追赶的后发实验室；承压方是把递归自我改进当成已排进排期的闭源巨头叙事，以及无法把非平稳真实工作写成可扩展奖励的应用层买家。事件驱动来自对谈本身：它把“RSI是否近在眼前”从口号改写成可证伪的任务分类。

节目标题定为《AI researchers debate how close we are to recursive self-improvement》，时间戳覆盖反方论证、中国实验室、自动化研究员训练、长程强化学习、模拟到真实、数据贡献比例、强化学习为何生效、AlphaGo第37手与熵崩塌，以及快速时间表。正片可在视频平台观看，文字稿同步放出。

来源：公开信息