代碼榜逐漸飽和，下一個前沿是AI科研，但大模型卡在了最關鍵一步

代碼榜逐漸飽和，下一個前沿是AI科研，但大模型卡在了最關鍵一步

過去一年，AI領域中最受關注的趨勢之一，莫過於「Auto-Research」、「自進化AI」與「遞歸自我改進」等概念的崛起。這些技術讓模型不再只是被動回應指令，而是能夠主動進入程式碼倉庫、調用外部工具、修改訓練程序，並根據實驗結果持續迭代。部分系統甚至已經具備更新記憶、累積技能、清理資料的能力，並參與下一代模型所需的工程流程。隨著模型在傳統程式碼評測上的表現快速提升，這類評測的空間也逐漸趨於飽和，業界開始將目光轉向「AI for Research」，視其為下一條重要的能力前沿。

然而，當AI能夠執行越來越多的研究動作時，一個更根本的問題也隨之浮現：它究竟只是在更高效地執行那些人類已經定義好的工作，還是已經能夠像頂尖人類研究者一樣，發現真正能推動機器學習發展的新方法？這個問題的答案，將決定AI在科研領域的定位與價值。當前關於「自進化」的討論，往往混合了三種截然不同的能力層次。第一種是「執行能力」，也就是將人類給出的需求轉化為具體的程式碼與實驗流程。這類能力最接近傳統的自動化，模型只需按照指示完成任務，不需要太多原創性。第二種是「工程優化」，即在固定目標下進行參數調整、組件替換，或從大量候選方案中篩選出最高分的結果。

這類能力雖然需要一定的判斷力，但本質上仍是在已知框架內尋找最佳解。真正困難的，是第三種能力——「方法發現」。這指的是模型能夠識別現有方法的根本侷限，提出此前不存在的新機制，並證明該機制能夠跨資料集、任務類型與規模持續成立。回顧機器學習的發展歷史，卷積神經網路、殘差連接、注意力機制、歸一化技術、擴散模型與PPO等重大突破，其價值並非來自某一次固定評測上的分數提升，而是因為它們從根本上改變了模型處理問題的方式。目前，大多數號稱「自進化」的系統，其實仍停留在前兩種能力層次。它們可以在給定的任務上不斷優化，甚至超越人類工程師的效率，但當面對需要原創性思考的科研問題時，往往無法跳脫既有的思維框架。

這也解釋了為何儘管AI在程式碼生成、數據分析等領域表現驚人，但在真正推動學術前沿的「方法發現」上，進展依然有限。業界普遍認為，要讓AI具備第三種能力，需要的不只是更大的模型或更多的訓練數據，而是從根本上改變模型的學習與推理方式。目前的深度學習模型擅長從大量樣本中歸納模式，但對於需要抽象思考、假設驗證與跨領域聯想的科研工作，這種能力還遠遠不夠。換句話說，AI在科研領域的瓶頸，並非來自計算資源或數據量的不足，而是來自於「如何讓機器真正理解問題的本質」。這個挑戰也反映在評測標準的演變上。

過去，程式碼評測如HumanEval或SWE-bench，主要衡量模型能否正確生成程式碼或修復錯誤，這屬於執行能力與工程優化的範疇。但若要評估模型在科研上的潛力，就需要更複雜的評測框架，例如要求模型提出新的演算法、設計實驗來驗證假設，甚至撰寫完整的學術論文。目前已有團隊開始嘗試建立這類評測，但尚未形成業界共識。值得注意的是，部分頂尖實驗室已經開始探索如何讓AI參與更開放的科研流程。例如，讓模型自動閱讀大量論文、提出假設、設計實驗，並根據結果修正理論。這些嘗試雖然仍處於早期階段，但已展現出一定的潛力。然而，這些系統目前仍高度依賴人類研究者的引導，無法獨立完成從問題定義到結論驗證的完整閉環。

從另一個角度來看，AI在科研上的應用，也可能反過來推動模型本身的進化。如果模型能夠透過科研過程發現新的訓練方法或架構，那麼它就能夠實現真正的「遞歸自我改進」，而不只是優化現有參數。這正是許多研究者夢寐以求的場景，但也是目前最難突破的關卡。總體而言，AI在科研領域的發展，正面臨一個關鍵的轉折點。程式碼評測的飽和，意味著模型在執行與優化層面已經接近天花板，但「方法發現」這條路才剛剛開始。未來幾年，能否讓AI從「高效執行者」進化為「真正的發現者」，將決定這個領域的下一個重大突破何時到來。而這一步，或許比許多人想像的還要困難。