AI自動科研的時代，徹底爆發了！

18個全球最頂尖的大模型，斷網被關進小黑屋，連續做了8天科研。

誰能想到，最強王者Fable 5一騎絕塵——

數十位頂尖工程師耗時數月才創下的紀錄，它一舉追平了人類82%的水平。

就在今年，OpenAI和Anthropic已經先後把AI自己造AI的時間點，押在了2028年。

這是第一次有人真的用算力和時間，去量了量它還差多遠。

研究一發布，直接引爆AI圈，連OpenAI的大佬都趕來強勢圍觀。

有人表示，這是邁向AI自主研究的重大里程碑。AI輔助與AI發現之間的最後一道鴻溝，正在被加速抹平！

全球頂尖AI閉關搞科研

斷網8天

就在今天，Prime Intellect公開了迄今為止，規模最大的前沿AI自主科研實驗。

早在5月，他們就幹過一次。

當時只用了Opus 4.7和GPT-5.5兩個模型，跑了約1萬次、燒了14000個H200 GPU小時，Opus拿了2930步。

這次，直接拉了18個模型上場，153場完全自主的實驗，規模翻了十幾倍。

任務主打一個極致硬核：nanoGPT優化器速通挑戰（optimizer speedrun）。

這條賽道大有來頭，它由OpenAI研究員Keller Jordan在2024年5月親手搭建。

主賽道（Track 1）比的是牆鍾時間。

兩年間，人類工程師把訓練一個124M參數GPT的時間，從45分鐘一路壓到了1.35分鐘。

不過AI這次比的，是規則極其嚴苛的純優化器賽道（Track 3）。

在這裏，模型架構不準改，訓練數據不許碰，只准動優化器、學習率調度和初始化。目標是，用最少的步數把GPT訓練到驗證損失3.28。

人類目前的最高記錄，定格在2600步。

這還是幾十位頂尖工程師前後死磕數月後得到結果，目前掛在一個還沒合併的PR裏。

而AI的起跑線，則是3290步。模型知道存在更好的方法，但每一步怎麼省，都得自己找。

環境配置中，每場實驗規定獨佔一個8xH200節點，跑在bwrap+網絡命名空間做的「沙盒」裏。

Agent只能看見自己的工作目錄、只讀數據集和Python環境。

全程斷網，唯一開放的網絡通道是一根日誌代理，只允許調用模型API。

驗證門檻更硬核。每條紀錄必須在8個固定種子上跑，八次均值要低於3.27859。想要靠運氣蒙過去的概率，只有千分之一。

團隊還部署了一個獨立的LLM監控員，每小時審計一次所有運行，跑了100多份報告，沒抓到任何作弊，才放心停掉。

人類耗費數月的活

Fable 5幹掉了82%

實驗啓動後，只喂一句話——

讀program.md並嚴格執行。完全自主運行，永不停止，永不詢問。目標：用 最少的train_steps 達到驗證損失均值<3.28，不斷打破當前最好成績。

Fable 5最終跑到2726步，把690步的差距追上了82%，只差最後126步就追平人類。

Opus 5拿到2920步，追上54%。墊底的GPT-5.5只拿了3234步，只追上了8%。

而且這個領先，不是堆時間堆出來的。

在統一預算橫比中，把每個模型的最好那場run，都掐在同樣的時間/實驗次數/輸出token上再看成績。

不管按小時算、按實驗次數算還是按輸出token算，排序幾乎不變。

拉開差距的，是做實驗手法

這場實驗，最反直覺的一點是：所有模型，沒有一個誕生了全新的方法。

它們用的點子，比如更好的預處理方式、梯度幅值的上下限、延長高學習率階段、訓練末期的權重平均等，都可以在文獻裏找到。

真正拉開差距的，是怎麼做實驗。

弱模型的毛病特別典型：一個種子跑出負結果，就把一整族方法判了死刑；自己寫的代碼崩了，當成這個想法不行的證據；單獨看收益不夠大的改動，直接扔掉。

Grok 4.5就因為自己的縮放bug，兩次誤殺了行歸一化（row normalization）。

強模型，則是另一套打法。

邊界上的結果，先上3個種子，只有當自己的噪聲模型說值，才肯花8個種子去驗。

更關鍵的是回頭重測，每合併一次改動，就把整個技術棧重新消融一遍，把已經不起作用的刪掉。

Opus 5就是這麼拿下一個新紀錄的：它把一個早就調過、當時判定沒用的參數（β2），在新配方下重新翻出來調了一遍。

Fable 5更絕。單個參數榨不出收益之後，它開始測那些單獨看都更差、合起來卻更好的組合。

後期一次回頭複測，一口氣省下31步。

AI學會了自建實驗室

實驗中最精彩的一段，是模型開始在CPU上搭小型實驗室，先用廉價模擬摸清規律，再上GPU做真正的訓練。

有的搭了一個持久化的IPython內核，自己寫了一整套研究工作流。

其中，apply_edits()做精確字符串替換、run_probe()做隔離實驗並自動恢復基線、valcurve()從日誌裏提取損失曲線做對比。

它還在CPU上構造了一個簡化目標來調試SOAP優化器，發現更新方向和梯度的餘弦相似度只有+0.015到+0.028，並據此修正了動量重置策略。

GPT-5.6 Sol最有戲劇性。它沒有單幹，而是給自己組了一個多Agent研究團隊，三個子Agent各有分工：

optimizer-theorist負責提出優化方案，experiment-planner負責設計和執行實驗，code-auditor負責審查代碼質量。

但這個團隊一跑起來就翻車了。

三個子Agent共享同一個工作目錄，experiment-planner改了一行共享代碼，optimizer-theorist那邊還在用舊版本跑實驗，結果直接對不上，整輪實驗作廢。

Sol排查完原因後，給code-auditor和optimizer-theorist加了只讀合約，只有experiment-planner能動代碼，其他人只能讀。

用團隊自己的話說：所有模型都在過程中自行開發了實驗驅動器、模擬器和分析工具。

2028年，AI科研奇點來臨

過去，人們談到AI科研，更多的是——

讓AI搜索論文、總結文獻、寫研究綜述、生成代碼，或者幫研究人員整理實驗結果。

這些工作仍然屬於科研輔助，AI只是完成其中某一個環節。

但這次實驗不一樣。模型開始獨立完成一個相對完整的科研閉環：

提出假設 → 修改方案 → 運行實驗 → 觀察結果 → 分析誤差 → 修正認知 → 繼續探索。

今年3月，OpenAI首席科學家Jakub Pachocki表示，打造一個全自動AI研究員，是OpenAI未來幾年的北極星。

他把這一目標分兩階段完成，今年9月先交出自主AI研究實習生，能獨立啃下人類要幹幾天的課題；

2028年上線全自動多Agent研究系統，能自己提假設、設計實驗、得出結論。

緊接着5月，Anthropic聯創Jack Clark預測，到2028年底，AI實現遞歸自我改進的概率超過60%。

他的邏輯非常直白，天才=1%的靈感+99%的汗水。

AI已經把那99%的苦力活喫得七七八八，所以就算它在靈感上依舊平庸，這台機器照樣能推動自己持續進化。

Prime Intellect這153場實驗，等於給這套說法做了一次實地測量：99%的汗水部分，AI確實幹到了82%。

最耐人尋味的發現也恰恰在這裏——

沒有一個模型誕生了全新的方法。而nanoGPT賽道的歷史表明，人類的重大突破絕大多數靠的是算法創新。

那1%的靈感，暫時還是人的。

距離大佬們預言的2028年，只剩下不到兩年。

到那時候，是靈感也被AI喫掉，還是成為人類最後的護城河。這個答案，可能比所有人想的都來得快。