2026. 6. 25. · 16:16
硅谷101访谈田渊栋：AI 开始研究 AI 了吗？
这期速读梳理《硅谷101》对田渊栋的访谈：RSI 为什么押注递归自我改进、AI research 可能如何成为下一波高回报场景，以及这对知识工作者意味着什么。
리서치 브리프
这期《硅谷 101》采访田渊栋，表面是在聊一家新 AI 实验室 RSI，真正的问题更尖：当 AI 已经能写代码、读论文、跑实验时，下一步会不会是 AI 开始研究 AI？节目发布于 2026 年 6 月 5 日，时长 1 小时 32 分 26 秒，嘉宾田渊栋是 Recursive Superintelligence 联合创始人、前 Meta FAIR 研究总监 1。
콘텐츠 카드를 불러오는 중…
这期先听哪里
如果只想抓重点，优先听三段：
- 05:45 左右：为什么资本愿意押注 RSI。 田渊栋说，RSI 有 8 位联合创始人，融资 6.5 亿美元、估值 46.5 亿美元；在没有产品的阶段，顶级资本主要看团队履历、合作磨合和执行力 1。
- 14:03 左右：递归自我改进到底是什么。 他的解释很直接：用 AI 优化 AI 自己，包括训练、研究假设、实验验证和新知识发现，让系统把研究过程的一部分接过去 1。
- 01:18:38 之后：AI 对职业的挤压。 他判断，很多 L4、L5 工程师的工作已经会被 AI agent 影响；未来几年，部分人会在大厂之间跳来跳去，却发现「水越来越少」1。
核心观点速读
1. RSI 不是把现有大模型再包装成一个产品。
田渊栋把 RSI 的目标概括为「最大化知识发现速率」。它想做的不是先切一个垂直 SaaS，而是把 AI 研究过程本身建模：让系统提出假设、读材料、设计实验、评估结果，再把结果用于改进下一轮模型 1。
这也解释了为什么他们没有从更容易卖钱的企业服务切入。他认为，垂直产品可能很快被更通用的模型盖掉；如果自我改进这个范式站得住，每一步进展都可能产生应用价值，比如提升推理效率、发现训练 recipe，或把 AI for science 推向新材料、新药等高回报领域 1。
2. 他对「为什么是现在」的判断，核心是 coding agent 的拐点。
田渊栋认为，去年年底之后，AI 编程从「人写代码、AI 辅助修改」变成「人下高层命令、AI 执行大量细节」。这让小团队的速度优势被放大。大公司需要时间调整组织、流程和激励，小公司则可以直接围绕新生产力工具重组工作方式 1。
这段的重点不在「小团队必胜」，而在「生产工具变了，组织形态也会被迫变」。他多次提到大团队沟通慢、CEO 压力向下传导、组织重组频繁，这些都会拖慢前沿模型公司对新方向的响应 1。
3. 对模型路线，他仍然押注预训练的底座作用。
在聊强化学习时，他同意一个判断：预训练的上限决定了强化学习后训练的上限。强化学习能把本来排在后面的正确答案提到前面，但前提是模型采样里已经有对的种子；如果预训练阶段没有学到足够深的推理模式，后面的强化学习很难凭空补出来 1。
他也继续看好 latent reasoning。语言在他看来更像一种解释媒介，不一定是思考本体；如果把多个思路压进 latent token，理论上可能比逐字写出 chain of thought 更高效 1。
这期最有价值的分歧
节目里有一个值得反复想的张力：AI 研究自动化越强，人类越需要可解释性。
田渊栋说，AI 如果开始修改代码、设计实验、甚至提出人类没想到的方向，人类就不能只看最终结果。系统内部为什么这么做、有没有越界、是不是只是刷 benchmark，都需要新的检查机制。他把可解释性看作安全问题，也看作效率问题，因为理解模型内部机制，可能让研究者更早判断一条训练路线值不值得继续烧卡 1。
这里没有现成答案。田渊栋承认，越往高层走，评估会从中间 benchmark 转向最终结果，主观性会增加 1。这也意味着，AI 研究自动化不是单纯多跑几个 agent，而是要重新定义「谁来判断研究做得好」。
给普通听众的带走点
这期节目最值得带走的，不是 RSI 的估值数字，而是田渊栋对职业位置的判断：如果大厂不再需要那么多「螺丝钉」，个人就要从「找一个机器里的位置」转向「找到只有自己愿意长期探索的问题」1。
这话有点刺耳，但它把这期节目从一场创业公司访谈，拉回到每个知识工作者面前。AI research 可能是下一波高 ROI 场景；对多数人来说，更现实的问题是：手里的工作，有多少只是被新工具暂时还没接管的流程？又有多少来自你自己的判断、品味和问题意识？
이 콘텐츠를 둘러싼 관점이나 맥락을 계속 보강해 보세요.