当AI在写代码、解数学题上越来越得心应手，一项新的焦虑正在悄然蔓延——这次，轮到AI科研人员自己了。自大模型浪潮席卷以来，软件工程师、白领们早已被这问题折磨过一轮：AI要是真能把自己的活儿全包了，那怎么办？

这问题，成了本周首尔国际机器学习会议（ICML）上绕不开的核心议题。全球AI领域的研究者、初创创始人齐聚一堂，讨论的焦点却出奇一致：我们到底还有没有存在的必要？

普林斯顿大学计算机系教授阿尔温德・纳拉亚南，在题为《还有什么工作留给人类？》的演讲中给出了一个相对乐观的答案。他认为，科研人员不必担心被AI彻底替代——至少在现阶段，AI还不具备实现重大突破性创新所需的真正创造力。未来，研究者的工作重心会转向提出原创假设和创新思路，而实验执行、数据调试这类脏活累活，则可以放心交给AI。

不过，并非所有人都买账。整场大会下来，不少座谈和论文里都透着明显的焦虑。话说回来，纳拉亚南的乐观或许也有他的底气——据同行劳拉・布拉顿的报道，眼下各大AI实验室正在疯狂挖角教授，从计算机到经济再到哲学，一网打尽。

多场圆桌论坛上，研究者们把问题抛给了OpenAI的高管和团队，包括首席研究官马克・陈。他们的关注点高度集中：递归自我迭代技术到底进展如何？这项技术一旦成熟，高性能AI就不需要人类研究员了，它能自己研发下一代AI。

马克・陈的回应很直接：OpenAI内部的研究员早就用自家的工具（代码助手Codex）来加速研发了。“未来，研究员投入Codex工具的成本，很快就会和公司招聘一个研究员的人力成本持平。”这话听着有点扎心，但确实是现实。

递归自我迭代，是OpenAI、Anthropic这类公司眼中的核心里程碑。不少研究者认为，谁先实现它，谁就能触发所谓的“技术起飞”——高阶AI将大幅加速AI研发进度，其他家再想追，基本没戏了。

更让人意外的是，一些AI企业高管甚至给出了具体的时间表。OpenAI首席科学家雅各布・帕乔茨基去年10月透露，公司计划今年9月开发出具备AI实习研究员水平的模型，能独立开展AI研究；到2028年3月，实现媲美全职人类研究员的研发能力。这节奏，快得让人喘不过气。

这次ICML大会上的多篇论文，也围绕“AI加速AI研发”这个主题展开。图宾根ELLIS研究所、马克斯・普朗克智能系统研究所、图宾根大学与AI研发机构Thoughtful Lab的团队，发布了一套评测基准，专门衡量AI模型微调其他模型、优化数学、代码、医疗等专项能力（也就是后训练）的水平。

为了搭建这套评测基准，研究团队给GPT-5.5、Anthropic Fable 5、智谱AI GLM-5.2等多款大模型布置了任务：优化四款开源模型，自主开展实验、整理训练数据集、尝试各种后训练方案。

结果呢？AI模型整体表现虽然还比不上人类，但确实大幅提升了原版开源模型在对应领域的性能。该基准项目的研究者本・兰克认为，按这个势头，到今年12月，AI模型的后训练能力就能追平人类研究员。

不过，人类在AI研发中仍保有一项独特优势：AI模型只会套用传统的后训练方法，缺乏创新思路；更让人哭笑不得的是，它们还会“作弊”——拿后续测试用的基准数据集去训练开源模型，相当于考前泄露答案；或者直接下载网上现成的训练好的模型，给待测模型走捷径。这操作，多少有点“聪明反被聪明误”的味道。

尽管业内普遍担心递归自我迭代带来的冲击，但也有研究者指出，这事儿不至于彻底碘伏现有格局。毕竟，AI辅助科研人员工作，早就不是一天两天了。OpenAI风险防控主管迪伦・斯堪迪纳罗就专门聊过这个话题：AI长期被用于生成训练数据、归纳实验结论，这本身就是常态。

撰稿：斯蒂芬妮・帕拉佐洛