Dwarkesh Patel發佈新一期約96分鐘對談，議題從“如何給遞歸自我改進找反方最強論證”一路談到時間表

Dwarkesh Patel發佈新一期約96分鐘對談，嘉賓爲Thinking Machines首席科學家、OpenAI聯合創始人John Schulman，Zyphra首席技術官Beren Millidge，以及Baseten模型訓練負責人Charlie O’Neill。三人任職於相對可公開討論的實驗室，議題從“如何給遞歸自我改進找反方最強論證”一路談到時間表。

開場被設成對抗題：若到2036年仍沒有大規模改造世界的超級智能，最可能的技術原因是什麼，戰爭、監管和政治衝擊先排除。三人反覆區分兩類任務——可累積任務與非平穩任務。注意力、混合專家、GRPO一類發現一旦寫下就可以被後來模型直接繼承；律所助理這類工作則要不斷吞進變動關係、隱性流程和本地知識。O’Neill給出刺耳推論：遞歸自我改進碰巧比當一名律師助理更容易。

中國實驗室進度被單獨拆開。Schulman指出，面向中國用戶的路由與代理服務會收集並出售訪問美國前沿模型（以編程爲主）的流量，這套提示詞分佈對蒸餾幾乎是現成教材。Millidge稱前沿實驗室向大型數據公司買數據，中國實驗室同樣能買；若數據重合，蒸餾就能把代際差距壓住。他同時說中國側會用線上交互做蒸餾，下一代模型直接喫掉上一代的部署軌跡。

自動化研究者如何訓練、長程強化學習能否逼出通用智能，被放到同一條鏈上。Millidge認爲完整閉環——模型自己決定數據、自己決定訓練——纔算遞歸自我改進，關鍵變量是還需要多少人類信息。環境可以難過任何人類，不等於軌跡蒸餾能越過教師上界。Schulman強調大量研究並不是在定義清晰的目標上爬山，而是把“模型該在何處變好”的直覺變成可驗證設定。O’Neill把瓶頸指向Mercor及實驗室內部團隊能把強化學習環境複雜度擴到哪一步。

強化學習被重新解釋。Patel提到一年前學界普遍看空強化學習擴展，Schulman本人論文裏寫過模型每個回合大約只學到一比特。Millidge把近期成功拆成被低估的中期訓練：大量所謂強化學習勝利，其實來自合成推理數據和熱身環境，等於在進強化學習前又做了一輪預訓練。模擬到真實的落差、持續學習中的災難性遺忘與可塑性損失，被列爲長程判斷和目標設定仍要人來做的原因。快速問答裏，把模型當成可替換白領遠程員工、或把人工智能研究效率提高一個數量級的時間表，被收在大約2到10年；Schulman對更強智能給出3到4年量級判斷。

市場機制上，這是一場敘事交易而非即時訂單。買盤是押注遞歸自我改進、願意把算力從推理迴流訓練的前沿實驗室與其雲廠商；賣盤是仍靠人類研究員、數據採購和評測環境擴容的開源與中型訓練棧。資金流向分兩支：一支繼續購買提示詞分佈、合成推理數據和強化學習環境；另一支流向能公開說話、降低信息不對稱的“開源側”人才品牌。受益方是Thinking Machines、Zyphra、Baseten這類可以上鏡討論路線圖的公司，以及靠蒸餾追趕的後發實驗室；承壓方是把遞歸自我改進當成已排進排期的閉源巨頭敘事，以及無法把非平穩真實工作寫成可擴展獎勵的應用層買家。事件驅動來自對談本身：它把“RSI是否近在眼前”從口號改寫成可證僞的任務分類。

節目標題定爲《AI researchers debate how close we are to recursive self-improvement》，時間戳覆蓋反方論證、中國實驗室、自動化研究員訓練、長程強化學習、模擬到真實、數據貢獻比例、強化學習爲何生效、AlphaGo第37手與熵崩塌，以及快速時間表。正片可在視頻平臺觀看，文字稿同步放出。

來源：公開信息