大模型竞争正从“比谁更会聊天”转向“比谁更能干活”。Grok、OpenAI、Anthropic 等前沿实验室纷纷押注代码与智能体，背后争夺的实则是自动化研发能力。本文深入拆解这一趋势，探讨 AI 如何从知识使用者变为知识生产者，并重新审视其对科研、交通与教育等社会结构的深层冲击。

如果把过去几年的大模型发布会放在一起看，会发现一个非常明显的变化。早期大家比的是谁回答得更准确、谁的上下文更长、谁能在数学竞赛中拿到更高分。后来，竞争扩展到图片和视频：人物会不会多出一根手指，连续镜头能不能保持一致，生成的视频究竟有多接近真实世界。

这些能力今天依然重要，但它们已经不再是前沿模型最核心的叙事。现在几乎每家公司发布新模型时，都会把大量篇幅留给代码和智能体：能不能理解一个真实代码库，能不能修复 Bug，能不能调用工具、运行测试，并在失败以后继续修改，直到交付一个真正能够运行的结果。

Grok 4.6 强调长时间运行的智能体、代码库操作和自我测试；OpenAI、Anthropic、Google DeepMind 也都在强化模型的编程、工具调用和复杂任务执行能力。

很多人会拿这些模型制作《马里奥》、赛车游戏或者网站，看起来是在测试模型会不会做游戏。但在我看来，游戏只是最容易被普通人看懂的外壳。模型公司真正测试的是另一件事：AI 能不能把一个模糊目标拆成任务，能不能在复杂环境里持续行动，能不能发现自己的错误，并根据结果重新调整方案。

换句话说，它们表面上是在争代码能力，实际上是在争夺自动化研发能力。谁先建立稳定的“研究—实验—验证—改进”闭环，谁就可能获得参与创造下一代模型的能力。

一、代码不是一个普通应用，它是 AI 最早形成闭环的地方

为什么偏偏是代码？因为自然语言很难被自动验证。一篇文章写得好不好，一个观点是否深刻，一份法律分析是否可靠，通常需要专业人员判断。模型即使说错了，也可能用非常流畅的语言把错误包装得像真的一样。

但代码不一样。代码可以编译，可以运行，可以接受测试。程序运行失败，系统会返回错误信息；测试没有通过，模型就知道具体哪里出了问题；性能不够好，还可以测量速度、成本和内存占用。

于是，一个完整循环出现了： 提出方案，写出代码，运行程序，获得反馈，修改方案，再次验证。这句话听起来很简单，但它可能是理解这轮大模型竞争最重要的钥匙。

过去的模型主要是在生成答案，现在的模型开始进入环境；过去的模型回答完问题就结束了，现在的模型要为结果负责；过去我们评估它“说得像不像”，现在我们开始评估它“到底能不能做成”。

Google DeepMind 的 AlphaEvolve 就是一个非常典型的例子。它让大模型不断提出程序，再通过自动评估器运行、打分和筛选，最后保留更好的方案继续演化。AlphaEvolve 已经被用于优化数据中心、芯片设计和 AI 模型的训练过程。

代码在这里已经不是一个应用场景，而是一套训练机器研究能力的基础设施。模型不是单纯在学习“怎样成为一名程序员”，而是在学习怎样提出方案、接受反馈、修正错误，并继续推进。这才是代码能力真正重要的地方。

二、模型自我递归，不是突然觉醒，而是研发流程逐步交给 AI

很多人听到“模型自我递归”，第一反应是一个 AI 突然产生意识，偷偷打开自己的源代码，然后把自己升级成更强的下一代模型。

现实中的路径不会这么戏剧化。更可能发生的是，人类先给出研究目标、数据、算力、实验环境、安全边界和评价标准，AI 负责阅读论文、提出算法、编写训练程序、运行实验、分析日志，再根据失败结果设计下一轮实验。

今天，这套流程里的关键决策仍然由人类研究人员完成。AI 可以写代码、做分析、提出建议，但它还不能稳定地独立完成从研究目标到下一代模型的全部工作。可一旦这个闭环成立，模型研发的速度就会改变。

过去研发一代模型，需要大量科学家和工程师协作：有人设计架构，有人整理数据，有人编写训练代码，有人管理算力，还有人分析为什么实验失败。整个过程受到人的工作时间、沟通成本和组织效率限制。如果 AI 能够同时运行成千上万条研究路线，它的意义就不只是“替研究员节省一点时间”。实验速度可能开始脱离人类团队的工作节奏，进入机器并行探索的节奏。

真正的临界点不是某个榜单从八十分提高到八十二分。真正的临界点，是 AI 能不能参与创造下一代 AI。这也是为什么 OpenAI 已经把“AI 自我改进能力”列入正式的前沿风险追踪类别，Anthropic 也设置了“自动化 AI 研发”能力阈值。这些文件不能证明模型已经实现自我递归，但它们至少说明，前沿实验室正在认真测量自己距离这个能力还有多远。

Claude 对黎曼猜想相关问题的研究，也是一个很有代表性的信号。它没有证明黎曼猜想，却在一个重要相关问题上提出了更强结果：将能够无条件证明的某类零点比例下界，从此前约 41.7%提高到三分之二以上。

这里必须说清楚：这不代表黎曼猜想已经完成了 67%。数学证明不是下载进度条，这个比例提高到三分之二，也不能直接推出全部零点都符合猜想。

但我更关心的是它的研究方式。Claude 调度多个智能体并行寻找路线，阅读论文、编写程序、进行数值检查，让不同智能体互相审查，并尝试使用 Lean 4 进行形式化验证。这已经不只是模型在“做一道题”，而是模型开始像一个研究团队那样组织工作。这项成果仍然需要数学界独立检查，但它展示出来的方向非常清楚：

AI 正在从知识的使用者，向知识的生产者移动。

三、AI 一旦进入科研，过去的科幻会更快走到现实验证

2026年，Life Biosciences 开发的 ER-100 开始人体试验。这是首个进入临床阶段的部分表观遗传重编程疗法。研究人员尝试向眼部细胞递送 OCT4、SOX2、KLF4 三种重编程因子，希望在保留细胞原有身份的情况下，让衰老或受损的细胞恢复更年轻的表观遗传状态。

媒体很容易把它写成“人类返老还童开始人体实验”，但这个说法只说对了一半。ER-100 目前针对的是青光眼等视神经疾病，而且处于Ⅰ期临床试验。它首先要验证的是安全性和耐受性，不是让一个人全身恢复年轻，更不是什么已经成功的长生不老药。

Claude 的数学研究与 ER-100 之间也没有直接因果关系。我们不能因为两个事件发生在同一时期，就说返老还童疗法是 AI 研发出来的。但把它们放在一起看，依然能看到一条重要趋势：一边是 AI 开始进入研究级数学和科学推理，另一边是曾经近似科幻的生命技术开始接受真实的人体验证。

如果 AI 能够加快论文阅读、分子筛选、实验规划、数据分析和失败诊断，那么生物医疗的研发速度确实可能被重新定义。不过，现实世界不会像代码一样无限加速。

程序可以在几秒钟内运行一万次，人体实验却必须经历安全验证、伦理审查和长期观察。AI 可以压缩信息处理和实验设计的时间，却不能取消生物规律，也不能替社会决定哪些事情应该被实现。

所以，我并不赞同简单地说“我们已经创造了上帝”。更准确的说法是：我们正在创造一种新的研发主体。它可以比人更快地阅读、搜索、组合和验证，但它研究什么、拥有什么权限、结果由谁承担，仍然是人类必须回答的问题。

四、真正的冲击不是多了几个 AI 产品，而是社会原来的假设需要重算

很多人讨论 AI 对生活的影响，仍然停留在“它会不会替代某个岗位”。但如果模型真的越过能力临界点，改变的可能不是几个职业，而是我们今天习以为常的社会结构。

无人驾驶就是一个很直观的例子。

截至2026年，特斯拉已经在美国部分城市提供 Robotaxi 服务，Waymo 等公司也在多个城市运营面向公众的全无人驾驶出行服务。不过，特斯拉现阶段真正取消方向盘、专门为自动驾驶设计的 Cybercab，仍在逐步投产和部署。方向盘是否存在，其实只是产品形态。更深层的变化是，当人不再需要驾驶以后，通勤时间的价值会被重新计算。

过去我们选择住宅，会非常在意距离公司有多远，因为开车时必须集中注意力，这段时间几乎完全被交通占据。如果以后可以在车上办公、开会、学习或休息，人们就可能接受更长的通勤距离，城市的住宅区、商业区和人口边界也会跟着改变。

但这不代表无人驾驶一定能解决拥堵。出行越方便，人们可能住得越远，乘车次数越多，空车为了接客也需要在城市里移动。自动驾驶既可能提高道路效率，也可能制造新的出行需求。

因此，未来真正需要重做的不是汽车，而是整个交通产品体系。地铁、公交、Robotaxi、共享车辆和步行系统需要被统一调度。地铁负责高密度运输，无人驾驶车辆负责个性化出行和最后几公里。

教育也一样。AI 对教育最大的冲击，不是出现了一个会回答问题的聊天机器人，而是“一名老师给几十名学生讲同一遍”的产品模式开始失去合理性。

以立体几何为例，传统课堂只能在黑板上画出一条静态辅助线。空间感强的学生一下就懂，空间感弱的学生可能只能记住画法。AI 却可以把图形变成能够旋转、拆解和缩放的三维模型，让学生从不同角度观察辅助线为什么成立。学生还可以不断追问：“换一种方法证明。”“把这个图形拆开给我看。”“我还是不明白，用更简单的话再讲一遍。”

在语言学习中，AI 可以全天陪练，模拟不同场景，即时纠正发音和语法，而且不会因为学生反复犯错而失去耐心。经过专门教学设计的 AI 辅导系统，已经在部分随机试验中取得了优于传统课堂主动学习的结果。

但模型更聪明，不等于教育自动变好。另一项高中数学研究发现，没有教学护栏的通用聊天模型可能让学生更快得到答案，却削弱他们离开 AI 后独立解决问题的能力。

AI 最先改变的可能不是老师这个职业，而是老师的工作内容。知识讲解、练习生成和即时反馈会越来越多地交给 AI；人类教师则需要更关注学习目标、学生动机、情绪状态、合作关系和价值判断。

AI 负责无限耐心，人负责理解一个具体的人。

五、对产品人来说，下一轮竞争不是提示词，而是评价系统

如果把这件事放回 AI 产品行业，会发现产品经理和训练师的工作也在发生变化。

早期做 AI 产品，大家更关注模型会不会回答、提示词怎么写、知识库怎么接。可当模型开始持续执行任务以后，真正困难的问题变成了：模型在什么环境里工作？可以调用哪些工具？失败以后怎样恢复？什么结果才算完成？错误由谁发现？高风险操作是否需要人类确认？

这意味着 AI 产品经理不能只设计页面和流程，还要设计模型的行动边界；AI 训练师也不能只优化一轮回答，而要设计任务、反馈、评价标准和失败案例。

未来最有价值的能力，可能不是“让模型说得更像人”，而是“让模型在现实系统里可靠地完成事情”。因为模型越强，产品之间的差距越不会只来自底层模型。真正的差距会来自谁拥有更好的任务环境、更清晰的评价标准、更高质量的反馈数据，以及更可靠的安全机制。

模型负责生成，系统负责约束。模型负责探索，人负责决定什么值得探索。

结语

“今天的 AI，是未来最弱的 AI”，这句话在一段时间内可能成立。

我们今天回看几年前的图片和视频模型，已经会觉得粗糙。未来的人回看现在的大模型，也可能觉得它们迟钝、昂贵而且需要不断提醒。今天令人惊叹的能力，未来可能只是没人愿意单独付费的基础功能。但真正需要警惕的，不是某一天突然出现一个无所不能的 AI，而是我们在一次次看起来普通的产品升级中，逐渐把研究、实验、验证和决策交给机器，却没有同时建立新的责任体系。

当 AI 可以稳定完成“提出假设—编写实验—运行验证—分析失败—继续改进”的闭环时，技术进步的速度就可能不再由人类研究团队单独决定。这才是模型公司为什么拼命追逐代码能力。

它们争夺的不是谁能替程序员多写几行代码，而是谁能最先让 AI 参与创造下一代 AI。