前Thinking Machines联合创始人Lilian Weng重返OpenAI研究递归自我改进
Lilian Weng 本周早些时候宣布因创业相关压力和疾病离开 Thinking Machines，现重新加入 OpenAI，专注于使用 AI 开发新模型（递归自我改进）。
Weng 曾在 OpenAI 工作 7 年，担任研究和安全副总裁，2024 年 11 月离职后加入 Fellows Fund 担任杰出研究员。2026 年 7 月发表关于"递归自我改进"的论文，7 月底重返 OpenAI。
资金从创业公司流向大型实验室，AI 安全研究人才回流 OpenAI。传统 VC 和创业公司承压于人才竞争，前沿实验室受益于"安全 + 效率"双重优势。
Weng 2026 年 7 月发表《Harness Engineering for Self-Improvement》论文，系统梳理递归自我改进的技术路径，为 OpenAI 的"AI 开发 AI"战略提供理论基础。
来源：公开信息
ABAB AI 解读
历史行为
Lilian Weng 在 OpenAI 的历史行为呈现"安全优先"特征。2019-2024 年，她领导安全系统团队，开发 OpenAI 最安全模型 o1-preview（抗对抗攻击同时保持实用性）。2024 年 11 月离职，理由是"7 年后想探索新事物"，但 2026 年 7 月重返，专注"递归自我改进"。对比 Ilya Sutskever（2023 年因安全分歧离职，创立 Safe Super Intelligence）和 Jan Leike（2024 年因安全担忧离职，批评 OpenAI"安全文化退化"），Weng 的"离职 - 重返"路径更罕见。其历史行为反映"安全研究者在效率与安全间的权衡"。
资本路径
递归自我改进的资本影响清晰：OpenAI 2026 年研发支出 180 亿美元，其中 40% 用于"效率优化"（如 GPT-5.6 Sol 自我优化，服务成本 -20%），60% 用于"模型扩展"（GPT-6、GPT-7）。若递归自我改进成功，研发效率提升 50%（AI 自动优化训练 pipeline），研发支出可降至 90 亿美元，但前期投入 50 亿美元（2026-2028 年）。资金从"人工研发"（1200 名工程师，年薪 50 万美元/人，年支出 60 亿美元）流向"AI 研发"（AI 自动化，边际成本趋近于零）。长期看，AI 研发效率提升 10 倍，模型迭代周期从 18 个月降至 6 个月。
类比 + 行业位置
类似案例：2010 年代"AutoML"——谷歌 2015 年推出 AutoML，自动化机器学习模型设计，2020 年替代 30% 人工调参工作。2020 年代"AI for Science"——DeepMind 2021 年 AlphaFold 预测蛋白质结构，2026 年替代 50% 生物学家工作。当前 AI 研发处于"AI 自我改进爆发期"——相比 2023 年（人工优化占 90%）、2026 年（AI 优化占 40%），2030 年预计 AI 优化占 80%。行业位置属于"AI 研发自动化拐点"——OpenAI、Anthropic、Google 都在布局，但 OpenAI 的"递归自我改进"更激进（AI 直接优化训练 pipeline，而非仅调参）。
结构判断
本质属于技术替代导致的研发范式重构。传统 AI 研发是"人工设计→训练→评估→迭代"，周期 18 个月，成本 10 亿美元。递归自我改进是"AI 设计→AI 训练→AI 评估→AI 迭代"，周期 6 个月，成本 1 亿美元。这解释了为何 Weng 重返 OpenAI——不是"安全优先"，而是"效率优先"。当 AI 能自我改进，人工研发的价值下降 80%（从 1200 人降至 240 人），但"安全监督"价值上升（需人工确保 AI 不自毁）。这推动了"AI 研发两极化"——高端实验室（OpenAI、Google）用 AI 自我改进，低端实验室（初创公司）用人工，中间层消失。当 AI 研发效率提升 10 倍，模型迭代周期缩短 3 倍，"速度"成为新壁垒，"安全"成为新瓶颈。
ABAB News · 认知定律
AI 研发 AI 的边际成本趋近于零
安全研究者的终极困境是效率与安全的权衡
递归自我改进是 AI 发展的终局