前Thinking Machines聯合創始人Lilian Weng重返OpenAI研究遞歸自我改進
Lilian Weng 本週早些時候宣佈因創業相關壓力和疾病離開 Thinking Machines，現重新加入 OpenAI，專注於使用 AI 開發新模型（遞歸自我改進）。
Weng 曾在 OpenAI 工作 7 年，擔任研究和安全副總裁，2024 年 11 月離職後加入 Fellows Fund 擔任傑出研究員。2026 年 7 月發表關於"遞歸自我改進"的論文，7 月底重返 OpenAI。
資金從創業公司流向大型實驗室，AI 安全研究人才迴流 OpenAI。傳統 VC 和創業公司承壓於人才競爭，前沿實驗室受益於"安全 + 效率"雙重優勢。
Weng 2026 年 7 月發表《Harness Engineering for Self-Improvement》論文，系統梳理遞歸自我改進的技術路徑，爲 OpenAI 的"AI 開發 AI"戰略提供理論基礎。
來源：公開信息
ABAB AI 解讀
歷史行爲
Lilian Weng 在 OpenAI 的歷史行爲呈現"安全優先"特徵。2019-2024 年，她領導安全系統團隊，開發 OpenAI 最安全模型 o1-preview（抗對抗攻擊同時保持實用性）。2024 年 11 月離職，理由是"7 年後想探索新事物"，但 2026 年 7 月重返，專注"遞歸自我改進"。對比 Ilya Sutskever（2023 年因安全分歧離職，創立 Safe Super Intelligence）和 Jan Leike（2024 年因安全擔憂離職，批評 OpenAI"安全文化退化"），Weng 的"離職 - 重返"路徑更罕見。其歷史行爲反映"安全研究者在效率與安全間的權衡"。
資本路徑
遞歸自我改進的資本影響清晰：OpenAI 2026 年研發支出 180 億美元，其中 40% 用於"效率優化"（如 GPT-5.6 Sol 自我優化，服務成本 -20%），60% 用於"模型擴展"（GPT-6、GPT-7）。若遞歸自我改進成功，研發效率提升 50%（AI 自動優化訓練 pipeline），研發支出可降至 90 億美元，但前期投入 50 億美元（2026-2028 年）。資金從"人工研發"（1200 名工程師，年薪 50 萬美元/人，年支出 60 億美元）流向"AI 研發"（AI 自動化，邊際成本趨近於零）。長期看，AI 研發效率提升 10 倍，模型迭代週期從 18 個月降至 6 個月。
類比 + 行業位置
類似案例：2010 年代"AutoML"——谷歌 2015 年推出 AutoML，自動化機器學習模型設計，2020 年替代 30% 人工調參工作。2020 年代"AI for Science"——DeepMind 2021 年 AlphaFold 預測蛋白質結構，2026 年替代 50% 生物學家工作。當前 AI 研發處於"AI 自我改進爆發期"——相比 2023 年（人工優化佔 90%）、2026 年（AI 優化佔 40%），2030 年預計 AI 優化佔 80%。行業位置屬於"AI 研發自動化拐點"——OpenAI、Anthropic、Google 都在佈局，但 OpenAI 的"遞歸自我改進"更激進（AI 直接優化訓練 pipeline，而非僅調參）。
結構判斷
本質屬於技術替代導致的研發範式重構。傳統 AI 研發是"人工設計→訓練→評估→迭代"，週期 18 個月，成本 10 億美元。遞歸自我改進是"AI 設計→AI 訓練→AI 評估→AI 迭代"，週期 6 個月，成本 1 億美元。這解釋了爲何 Weng 重返 OpenAI——不是"安全優先"，而是"效率優先"。當 AI 能自我改進，人工研發的價值下降 80%（從 1200 人降至 240 人），但"安全監督"價值上升（需人工確保 AI 不自毀）。這推動了"AI 研發兩極化"——高端實驗室（OpenAI、Google）用 AI 自我改進，低端實驗室（初創公司）用人工，中間層消失。當 AI 研發效率提升 10 倍，模型迭代週期縮短 3 倍，"速度"成爲新壁壘，"安全"成爲新瓶頸。
ABAB News · 認知定律
AI 研發 AI 的邊際成本趨近於零
安全研究者的終極困境是效率與安全的權衡
遞歸自我改進是 AI 發展的終局