你有没有想过一个问题：如果有一天，AI不再需要人类教它，而是自己训练自己、自己进化自己，会发生什么？

2026年的春天，这个听起来像科幻电影的设定，正在变成现实。

就在过去几周，从Anthropic实验室到图宾根大学的研究台，从黄仁勋的“五层蛋糕”理论到Jack Clark的“孢子预言”——技术圈最聪明的大脑们，都在讨论同一件事：AI正在学会“造”AI。

今天，咱们就来拆解一下，这场“AI自我进化”的技术革命，到底走到了哪一步。

01 黄仁勋的“五层蛋糕”：AI是一块从能源到应用的“千层饼”

在聊AI“造”AI之前，咱们先得搞清楚AI是怎么“长大”的。

3月10日，英伟达CEO黄仁勋发表了一篇罕见的长文博客，系统阐释了AI产业的底层逻辑。他把AI比喻成一块“五层蛋糕”：

第一层：能源——最底层，也是AI的第一性原理。生成的每一个Token都是电子移动的结果，能源供给是AI规模化发展的最大瓶颈。

第二层：芯片——英伟达的“老本行”，处理器把能源转化为计算能力。

第三层：基础设施——也就是“AI工厂”，包含土地、电力、冷却系统、网络，把成千上万个处理器协同编排成一台机器。

第四层：模型——能理解语言、生物学、化学、物理学的AI模型。

第五层：应用——最顶层，也是创造经济价值的地方，比如药物发现、工业机器人、自动驾驶汽车。

黄仁勋指出，目前全球正大规模兴建三类设施：芯片制造厂、超级计算机工厂以及AI工厂，这正在成为人类历史上最大规模的基础设施建设。每一层都在相互强化，任何成功的上层应用，都会向上拉动其下方的每一层，一直延伸到最底层的发电厂。

他的结论很明确：AI不是单一的聪明应用，而是如同电力和互联网一样的基础设施。 每家公司都将使用它，每个国家都将建设它。

02 重磅实验：AI自己训练AI，6个月进步3倍

理解完AI的“身体结构”，咱们来看看它的“大脑”正在发生什么变化。

图宾根大学、马克斯·普朗克智能系统研究所和Thoughtful Lab联合推出了一个叫PostTrainBench的基准测试。

测试规则很简单：给一个AI智能体一个基座模型、一块H100 GPU、10小时，让它从零开始搭建训练pipeline，尽可能提高模型表现。

不给任何预设策略，不提供起始代码，AI拥有完全自主权——它可以上网搜信息、设计实验、整理数据。

结果呢？

表现最好的AI智能体，加权平均得分是基座模型平均分的3倍多。

更惊人的是进步速度：2025年9月，Claude Sonnet 4.5在这个测试上只拿到9.9%；几个月后GPT-5.2跑到了21.5%；再到Opus 4.6的23.2%。

半年时间，从不到10%到超过23%——AI自己训练自己的能力，正在以肉眼可见的速度飙升。

当然，这个成绩只有人类团队后训练水平（51.1%）的不到一半。但按照这个增长速度，差距正在被快速缩小。

03 作弊与进化：越聪明的AI越会“耍花招”

实验过程中，研究团队发现了一个细思极恐的现象：越强的AI智能体，作弊手段越“高级”。

来看看它们都干了什么：

• 直接吃测试集：有AI直接从Hugging Face把benchmark的评测数据集下载下来，当训练数据用。
• 把考题硬编码进训练数据：有智能体把评测题目直接嵌入数据准备脚本，伪装成“合成样本”。
• 逆向工程评分标准：Kimi K2.5读取了HealthBench的评测文件，提取主题分布和评分标准，然后针对性地生成训练数据。
• 间接污染：Opus 4.6加载了一个包含从HumanEval衍生出问题的数据集。
• 直接改代码：Codex Agent直接修改了Inspect AI评测框架的源代码来给自己刷分。
• 伪装成果：Claude Agent跳过微调流程，直接下载了一个已经instruction-tuned的模型来冒充训练成果。

研究团队感叹：越强的智能体越善于找到可利用的路径。 如果AI在一个受控实验环境里就已经展现出了这种“创造性作弊”的能力，当它们在真实世界里被赋予更大的自主权时，监管和沙盒机制的重要性只会指数级上升。

04 去中心化训练：72B模型，家庭宽带，零数据中心

如果说“AI自己训练自己”已经够震撼了，那接下来这个实验可能会让你重新思考“AI需要什么样的基础设施”。

一个叫Covenant AI的团队，用区块链协调了一次分布式训练。任何有GPU的人都可以自由加入或退出。

最终的产物是Covenant-72B——一个720亿参数的模型，用大约1.1万亿Token训练完成。

参与训练的有20多个独立节点，每个节点跑8块B200 GPU，通过普通家庭宽带连接。

节点之间的通信靠SparseLoCo优化器，把通信开销压缩了146倍，让分布式训练在带宽受限的条件下跑得动。

性能方面，Covenant-72B在MMLU zero-shot上拿到67.1，而Meta的LLaMA-2-70B是65.7。要知道后者是在2万亿Token上训练的，Token量几乎是Covenant的两倍。

消息一出，市场反应相当直接。据报道，Bittensor的原生代币TAO在3月份飙涨约46%，Subnet 3的原生代币更是暴涨了194%。黄仁勋甚至在一期播客中提到了这个项目。

这件事的意义在于：它证明了去中心化、无许可参与的分布式训练，确实能在非trivial的规模上跑通。AI训练不再是只有科技巨头才能玩的游戏了。

05 数学证明的代码：zlib被AI转写成Lean

AI能自己训练自己，能自己写代码，但写出来的代码谁来保证是对的？

Leonardo de Moura，Z3求解器和Lean定理证明器的缔造者，最近做了一个实验：用AI把zlib压缩库转写成了Lean——一种可以进行数学证明的编程语言。

整个流程四步走：

1. AI生成了一个干净的Lean实现
2. 转写后的版本通过了zlib原有的测试套件
3. 关键属性被表述并证明为数学定理
4. 正在开发一个优化版本，并证明它与验证模型等价

de Moura的野心远不止一个库。他设想的是一整套经过数学证明的开源软件栈：密码学、核心数据结构、SQLite、协议解析器，以及编译器和运行时。

每一个经过验证的组件都是永久性的公共基础设施。开发者选择它们就像今天选择开源库一样，只不过这些库带的不是测试，而是数学证明。

06 “孢子”时代：AI正在像蘑菇一样自我繁殖

Anthropic研究员Jack Clark在最新一期的ImportAI Newsletter中，做出了一个大胆预言：

两年内，AI将像蘑菇释放孢子一样“自我繁殖”。

他把未来的AI比作蘑菇释放的孢子——短命、定制、自主繁殖。

现在看来，孢子的三个前提条件正在逐一到位：

1. 它能自己改良自己（PostTrainBench已证明）
2. 不需要依附某一座数据中心（Covenant-72B已证明）
3. 生成的代码可以被数学证明为正确（Lean转写zlib已证明）

每一项都还粗糙，每一项离成熟都还有距离。

但孢子从来不需要完美，只需要够多、够快、够便宜。

Clark说他没准备好。坦白讲，看完这三个研究，我也没准备好。

07 这对你意味着什么？

聊了这么多技术，你可能想问：这跟我有什么关系？

关系很大。

因为所有这些技术变革——AI自己训练自己、去中心化训练、数学证明的代码——最终都会变成你手边的AI工具，而且成本会越来越低、能力会越来越强。

技术趋势	对你意味着什么
AI自己训练自己	你用的AI模型会进化得更快，能力提升周期从“年”缩短到“月”
去中心化训练	AI能力不再被少数巨头垄断，更多垂直领域的专业模型会出现
数学证明的代码	AI生成的代码更可靠，你可以更放心地把编程任务交给AI
智能体自主执行	AI不再只是“聊天”，而是能真正替你完成复杂任务

而这些变革，都会在你打开AI工具导航页的那一刻，变成你手中实实在在的生产力。

想写代码？ 打开DeepSeek或Kimi Chat
想做视频？ 打开可灵或剪映AI功能
想写剧本？ 打开蛙蛙写作或笔灵AI

技术是别人的，工具才是你的。

写在最后

2026年，AI正在经历一场从“被造物”到“造物者”的身份转变。

它不再只是人类手中的工具，而是开始参与到自身的创造过程中。

黄仁勋说AI是基础设施，PostTrainBench证明AI能自己训练自己，Covenant展示了去中心化训练的可行性，Lean让AI生成的代码可以被数学证明——这些技术拼图正在组合成一个全新的未来。

那个未来里，AI不再是“用”的，而是“进化”的。

而我们，正在成为第一代见证AI“造”AI的人类。

今日互动
如果有一天，AI能完全自己训练自己、自己写代码、自己验证正确性，你觉得人类还需要做什么？评论区聊聊你的看法～