Self-accelerating AI 的具体版本：让系统参与 AI 研发本身 (2026)

单集信息

字段	内容
播客	AI + a16z
主持人	Matt Bornstein
嘉宾	Behnam Neyshabur、Harsh Mehta，Mirendil cofounders
集标题	Building Self-Accelerating AI with Mirendil
发布日期	2026 年 6 月 25 日（按新加坡时间显示）
原集链接	节目视频

Mirendil 说的 self-accelerating AI 到底是什么

Behnam Neyshabur 和 Harsh Mehta 没有把 self-accelerating AI 定义成一个会自己变聪明的抽象系统，而是给出一个更具体的工作标准：系统能否完成 AI researcher 或 AI engineer 的工作，从 low-level kernels、frameworks 一直到真正开展 research。这个定义把问题从「模型会不会自我改进」拉回到研发链条：它能否提出实验、写代码、运行评测、解释结果，并在下一轮工作里使用这些结果。1

他们把目标说成 remove the AI bottleneck。因为如果 AI 研发本身仍然依赖少数人手工完成，模型能力提升就会被研发吞吐限制。Mirendil 讨论的 shortest path 不是先做一个通用系统，再等待它自然用于科学，而是直接让系统参与 AI research 和 engineering，让研发过程本身成为第一个高价值场景。

路径是从数学到 kernel，而不是一步到 AGI

节目列出的能力顺序很有启发性：high school math、college math、coding、competitive use、reasoning models、post-training，之后才到 inference-time research and engineering、low-level kernels、PyTorch、JAX、LLM frameworks 和 deep learning frameworks。这里的顺序不是一张被验证的产品路线图，而是两位创始人对研发能力如何逐层扩展的描述。1

他们认为，真正大的跃迁可能来自在 inference time 进行高吞吐的 research 和 engineering。也就是说，系统不只是回答一个问题，而是围绕目标持续开展一批实验，比较不同方案，再把有用的结果留下来。对工程团队来说，这个观点比「让模型更像一个人」更具体，因为它直接要求工具链、环境、可复现性和结果评估都跟上。

10 倍更少的人，最后是 1 个人

对谈给出一组很激进但被明确说出的目标：当前一个好的 frontier AI lab 可能需要 200 人，他们希望先降到 10 人，再到 2 人，最终到 1 人。另一处表述是，他们已经能用大约少 10 倍的人和资源完成一些工作；同时也承认，如果公司规模扩大 10 倍而 productivity 只有 1.2 倍，组织并不会因此自动获得线性收益。1

这些数字更像路线上的目标和经验判断，不是一个已经普遍复现的 benchmark。它们真正暴露的是 Mirendil 的设计问题：如果系统承担越来越多研发任务，公司还要保留什么样的人类组织？谁决定目标？谁负责安全边界？谁检查系统是否把错误的方向优化得更快？

为什么大公司里很难长出这种东西

两位嘉宾认为，disruptive technology 很难在现有公司里自然成长，因为传统 AI 公司的商业模式通常是训练一个大模型，再向用户收取使用费。可是，如果 self-accelerating AI 的价值是让更多公司拥有自己的 infra 和自己的 AI，并把控制权交还给业务方，那么这种技术可能会削弱原来按调用收费的中心化模式。1

这也是他们强调 make this available to everyone 的原因。用户侧收益被概括为 better margins、more control，但开放与商业回报之间的冲突没有消失。一个把研发自动化能力全部内化的系统，可能减少对外部模型调用的依赖；对模型公司来说，推动它开放并不天然符合原来的收入激励。

他们没有把递归自改进讲成科幻结论

节目对 self-improvement 的描述保留了明显的限定。嘉宾说很多人对递归自改进有 sci-fi view；在可预见的未来，可能还要经过几年 AIs + people 的混合系统，自动化程度逐步提高，而不是突然进入完全无人参与的循环。他们也说这不是 straightforward problem，结果范围很宽。1

安全边界同样没有被回避。嘉宾提到 bioweapons、drug synthesis 以及其他国家之间的竞争，承认这项技术很强、可以应用到很多领域。但他们不主张把整项技术都限制掉，因为它也能用于科学和生产力；更现实的办法是针对不同 use case 采取更精确的控制，让收益尽可能 positive sum，同时保持安全。

这集适合谁，哪些可以跳过

做 AI research tooling、训练基础设施和科学自动化的人，重点听从 post-training 到 kernels 的能力链条。
创业者和研究管理者，重点听 200 人到 10、2、1 人的组织假设，以及商业模式为何会与开放研发发生张力。
只想听一家新公司的融资或产品介绍的人可以跳过开头的愿景部分；本集的增量在于把 self-accelerating AI 拆成研发工作、组织设计、控制权和安全边界四个具体问题。

References

1Building Self-Accelerating AI with Mirendil