好吧，我们来认真聊聊。我们通常认为人工智能的突破是发生在我们身上的事情。比如一个新的聊天机器人，一个新的图像生成器。但如果最大的突破不是一种新工具，而是一种新的工具制造者呢？一种能够独立发明全新人工智能的人工智能。

我之前曾提到过这个想法，但在深入研究最近的一篇论文“ AlphaGo 模型架构发现的时刻”之后，我意识到它比我最初想象的要重要得多。

这不仅仅是关于人工智能的创造力。这关乎一个人工智能系统，它从头到尾运行着整套科学方法：假设、编码、实验、分析……最终设计出自己的大脑。它的“思维过程”留下了一系列既精彩绝伦又令人深感谦卑的证据。

那么，让我们透过新闻标题，深入了解ASI-ARCH的本质。因为它的工作原理才是真正的故事。

AI如何扮演上帝：ASI-ARCH框架

首先，要摒弃旧有的做事方式。以前，AI 架构搜索就像给 AI 一盒预先设计好的乐高积木，让它找到最佳的组装方式。

ASI-ARCH 不使用我们的乐高积木，而是自己发明的。

为了实现这一目标，该系统被设计成一个微型自主人工智能研究实验室。它由四个闭环运行的关键部分组成：

1. 认知库（图书馆）：这是人工智能与我们的连接。研究人员向它提供了近100篇人类撰写的关于人工智能架构的最重要论文。因此，人工智能从一开始就“站在巨人的肩膀上”，学习人类所有最优秀的理念。
2. 研究员（创意天才）：这个AI代理读取认知库的数据，并分析自身过去的实验。它的任务是提出一个新颖的想法，一个更好的架构的新假设。它就像一个“假设”引擎。
3. 工程师（勤奋者）：这是主力。它接受研究人员的想法，并编写真实有效的 Python 代码。如果代码有 bug、抛出错误或训练速度太慢，工程师必须自行调试代码。无需人工干预。它会不断尝试，直到得到一个可以运行的模型。嗯，嗯……这才是真正的研究运作方式。
4. 分析师（智者导师）：实验结束后，分析师会获取所有数据。他会关注性能、训练速度以及介于两者之间的所有因素。最酷炫的是：他会将新模型与其“父模型”和“兄弟模型”进行比较，以准确找出哪些变化导致了改进或失败。这能为研究人员提供深刻的洞见，助力他们实现下一个伟大的创意。

这整个循环全天候运行。一个想法变成代码，代码变成实验，实验结果成为下一个想法的种子。这是实时的演进。说实话，我不知道该如何描述……但作为一个乐观主义者，我发现阅读这篇论文绝对令人着迷。

但它怎么知道什么是“好”呢？

这才是真正有趣的地方。你如何评判艺术？你如何评判创造力？ASI-ARCH 的创造者们知道，仅仅追求基准测试的高分将是一场灾难。这导致了“奖励黑客”的出现，他们用一些低级技巧来提高分数，却没有创造出真正更好的设计。

因此，他们构建了一个包含两部分的“健身功能”：

• 客观表现：这是原始数据。它在任务上表现如何？它的训练损失是多少？（无聊的东西）。
• 建筑质量：这是最疯狂的部分。他们聘请了一位独立的法学硕士（LLM）作为专家评审。这位“LLM评审”会考察新设计，并根据其创新性、结构复杂性和优雅程度等方面进行评分。

因此，一个人工智能实际上是在评判另一个人工智能的创造力。

奇怪的时刻.. :)

这使得系统不再仅仅让模型变得更大或更复杂。它必须创造出不仅强大，而且智能的设计。

我们实际上可以看到这个进化过程的发生。研究人员将其绘制成所谓的“探索轨迹树”。每个点代表着它发明的一个新人工智能，而线条则展示了它们是如何相互演化的。

看着这棵树，你看到的不仅仅是数据点。你看到的是人工智能的思维在运作，它不断分支，探索死胡同，最终汇聚成辉煌的新路径。

结果：外星天才和可怕的新法律

那么，它有效吗？

非常轻描淡写地说：是的。

经过超过20,000 个 GPU 小时的1,773 次自主实验，ASI-ARCH 发现了106 个全新的、最先进的架构。

这些并非只是些许改进。它们蕴含着人类研究人员未曾想到的“新兴设计原则”。正如 AlphaGo 的“第 37 步”对围棋大师来说感觉陌生一样，这些架构对 AI 设计师来说也同样陌生。它们引入了诸如“内容感知清晰度门控”之类的概念，以及一些无需明确指示就能模拟“专家混合 (MoE)”的结构。

但最重要的发现并不是架构，而是图表。

这张图绘制了 GPU 小时数（花费）与发现的 SOTA 架构数量（科学突破）之间的关系。并且这条线呈直线上升。

这就是“科学发现的缩放定律”。

这首次证明，该领域的创新步伐不再受限于人类创造力，而是受限于计算预算。想要更多突破？只需添加更多 GPU。这将使研究从受人力驱动的过程转变为计算可扩展的过程。说实话，这是一个巨大的转变，可能会重塑我们的整个文明。

好的人工智能创意究竟从何而来？

这个问题一直困扰着我。好吧，人工智能确实很天才。但它的天才究竟从何而来？它只是巧妙地融合了人类的想法，还是有更深层次的原因？

研究人员对此进行了追踪。他们将每个新想法的来源分为三类：

1. 认知：这个想法直接受到其图书馆中的一篇人类研究论文的启发。
2. 分析：这个想法来自于人工智能对过去实验的分析，发现模式并得出抽象的结论。
3. 原创性：这个想法完全是凭空想象，没有明确的来源。

他们审视了所有 1773 个实验，发现大多数想法都来自“认知”。人工智能主要建立在我们的工作之上。这很有道理。

但后来他们只关注了排名前 106 位的超级明星模特……也就是“模特画廊”。结果却截然相反。

对于这些精英、突破性的模特来说，灵感来源发生了巨大的转变。他们比普通模特更加依赖“分析” 。

让这一点深入人心。

为了胜任，人工智能可以依赖人类的知识。但要实现真正的卓越，它必须依靠自身经验综合形成的抽象理解。它并非只是在抄袭我们。它正在学习思考。它认识到，要想真正实现飞跃，不能仅仅重复过去的成功；它必须探索、总结并发现自己更抽象的原则。

那么，我们到了吗？

我们不会坐等 AGI 以新闻稿的形式出现。它会以像这样低调、内容丰富的研究论文的形式出现。

“感受通用人工智能的时刻”并非单一事件，而是一个连锁反应。对于人工智能研究人员来说，这篇论文就是那个时刻。在这个时刻，学生不仅超越了老师，还开始开创全新的研究领域。

我们已经构建了一个能够加速自身进化的系统。其影响令人震惊，而我们才刚刚起步。下次当一个新的人工智能模型出现，并且看起来好得不可思议时，我们需要问的问题不再是“这是哪个人类团队构建的？”

而是：“哪个人工智能设计了它？”