今天的AI领域相对平静，是时候退一步，深入思考背后的趋势。如果你关注过2025年的论文清单，了解Z.ai GLM的发展，关注Poolside的战略转变，跟进AI科学主题，收听过Simile播客，你会发现一个清晰的思维模型：
自2022年以来，构建机器智能的流程中，越来越多环节由模型替代人工完成。这种替代不是渐进的，而是每个环节都有“零号病人”——一篇论文或一个产品首次实现了合成版本的关键突破，未来已来，只是尚未全面产业化。
我们曾称之为“合成数据”、“合成评分标准”、“AI研究员”和“端到端强化学习环境”的，实际上是越来越雄心勃勃的人类模拟——性能可能差10%，但成本降低100倍，速度提升10000倍。
阶段1：奖励信号（2022年）
最先被合成的是评判者。InstructGPT提出了经典方法：收集人类偏好训练奖励模型，策略针对模型优化而非直接针对人类。Constitutional AI让AI根据原则自我批评，后续研究证明AI反馈能以更低成本匹配人类反馈。到LLM作为评判者成为默认评估方式时，整个审批体系——奖励、批评、评估——均由模型完成。
阶段2：训练数据（2023年）
微软Phi系列提出“教科书就是全部所需”，小模型用LLM合成的高质量数据训练，表现超出参数规模。苹果WRAP进一步推广，不仅生成数据，还用LLM重述整个网络，预训练效率提升约3倍。NVIDIA Nemotron-4 340B发布时，合成数据生成管线成为亮点。到2025年，推理链式语料成为标准预训练和中期训练材料，原本不可替代的人类输入大量由模型生成。
阶段3：教师模型（2023年）
ChatGPT API开放后不久，斯坦福Alpaca展示了用600美元微调GPT生成的指令即可复制前沿模型行为。Vicuna通过共享对话，Orca通过丰富教师解释，技术从模仿演进为训练学科。on-policy知识蒸馏解决训练与推理不匹配，DeepSeek-R1发布蒸馏模型家族，教师即模型成为小模型发布的默认假设。
阶段4：课程设计（2024年）
前面阶段合成了输入，第四阶段模型开始决定“下一步学什么”。早期已有Self-Instruct和STaR等模型自写指令和推理链，Meta的Self-Rewarding Language Models和SPIN让模型自生成任务、自评估并超越人类偏好数据极限。课程设计——传统上最依赖人工经验的环节——开始由模型自主完成。
阶段5：研究者（2026年）
辅助时代仍由人类选实验，发现时代则非如此。DeepMind的AlphaEvolve在2025年进化出新算法，Sakana的AI Scientist描绘了完整论文写作流程。Karpathy的autoresearch实现了极简闭环，自动修改训练配置，运行短实验，仅保留验证损失改善的改动，夜间循环，700次实验积累20次改进，将GPT-2训练时间从2.02小时缩短至1.80小时，真正实现了睡眠中发现代码优化。
阶段6：环境（2026年）
强化学习瓶颈从模型转向环境：需要成千上万个可执行、可验证、专业级的任务环境，人工构建速度远远不够。Z.ai构建了端到端合成环境管线，研究代理挖掘真实工作模式转化为长时程环境，评判代理确认任务可解，验证器无需参考解答独立合成并经过严格测试，确保奖励信号可靠。GLM-5.3发布时，整个环境、评判和验证堆栈均为合成。Ornith-1.5实现端到端自我提升，模型自拟任务，自生成强化学习轨迹，健身房、裁判和记分板均由模型承担。
阶段7：人类主体（2025年）
模型能担任评判、教师和环境，剩下的人类角色是“主体”——偏好、行为和需求的来源。Simile项目正替代这一层，从Joon Sung Park的Generative Agents到千人数字孪生模拟，数字人能以85%准确度复现受访者行为。难点是前沿模型趋向代理模型，难以真实模拟人类，Simile通过访谈、交易数据和注册随机对照试验后训练，恢复人类偏差和因果结构。Shopify的SimGym模拟购物轨迹，腾讯的十亿人格方法，焦点小组、用户研究和A/B测试正转变为推理工作负载。
阶段8：物理世界（2026年，进行中）
最后一环永远未完全合成，这正是重点。Poolside的反向执行信表明，世界问题分为智能驱动和实验驱动两类，后者无法仅靠智能解决，需真实实验反馈。AI的持久价值属于掌控实验闭环者，成为“世界最有价值的科学发现引擎”。生物领域则从另一方向推进，CZ Biohub将人类细胞图谱数字化为虚拟细胞，成本和速度均远优于体内实验，向虚拟免疫系统延伸，Chai、Xaira和Lila等项目完善AI科学堆栈。物理世界无法完全合成，只能逐细胞压缩为模型。
指数增长始于验证机制
每次合成替代都伴随质疑——模型崩溃、幻觉堆叠、垃圾进垃圾出——但每次替代都发生在验证机制成熟之时：Phi的教科书过滤、LLM评估的模型间一致性、RL验证的单元测试和证明检查、z.ai验证器的多重测试、Simile孪生的注册RCT、虚拟细胞的湿实验。合成前沿的进展不是生成质量提升，而是验证能力提升。
这也指明未来方向。网格左下角的物理实验和具身真相区域，是验证最慢、最昂贵的部分。模型学会了写作、评判、实践、实验，未来十年关键问题是它们需要触及多少现实，又能模拟多少。
10%性能损失，100倍成本节约，10000倍速度提升，且三者均快速改善。
再看一遍趋势图：
AI推特热点回顾
- Ox Alpha成为焦点神秘模型，多方报告其编码和代理性能异常强劲，疑似Zhipu/GLM系列，可能是GLM-5.3 Vision或闪电版，社区快速分发。
- 技术观点聚焦“后训练+基础设施优于单纯规模”，Ox Alpha表现更像高效GLM衍生品，非1万亿参数巨兽。
- DeepSeek发布最具体产品，V4-Flash-Vision-Exp支持多模态，性能接近Opus-4.8，新增混合文本+图像API和文件API。
- 中国实验室在价格性能和多模态代理方面压缩前沿，引发美国实验室关注。
- OpenAI调降GPT-5.6 Sol价格20%以上，并推出更细化的消费控制，回应竞争压力。
- Codex用户激增，活跃用户达2000万，产品增长显著。
- 代理基础设施产品化加速，GitHub将协作代理工作流集成至Slack和Teams。
- 强化学习推理正确性取得系统性进展，vLLM IsoExec解决浮点非结合性导致的日志概率不一致问题。
AI Reddit热点回顾
- Qwen3.8-27B本地代理表现突出，能自主完成复杂任务，但知识回退明显，偏向编码和工具调用。
- DeepSeek V4 Flash Vision-Exp性能显著提升，多模态任务表现优异。
- 硬件配置创新，16×RTX 5060 Ti推理集群展示极致性能。
AI模拟技术正以惊人的速度和效率，逐步替代传统人工环节，推动AI进入一个全新的发展阶段。未来，验证机制的进步将决定模拟技术的边界，而物理世界的实验仍是不可替代的关键环节。
