一句话看懂：前 Google DeepMind 研究副总裁 Oriol Vinyals 认为，AI 的递归自我改进会到来，但将是缓慢过程，不会突然引爆“智能爆炸”。他正与 Jeff Dean 等人创立 Discovery Loop，试图打通科研自动化的完整链条。
事件核心：发生了什么
离开 Google DeepMind 数天后，Oriol Vinyals 在 Agentic AI Summit 2026 上谈了他对递归自我改进（RSI）的判断。他此前任 DeepMind 研究副总裁，参与过 AlphaStar、AlphaCode 和 Gemini 等项目。
Vinyals 把自我改进拆成四步：想出一个好点子、写代码实现、做实验验证、判断改动是否真的有效。他认为 AI 在中间两步——编码与实验——已经表现不错，真正卡住的是第一步和第四步。他用“research taste”（研究品味）来形容那种判断哪些想法值得做的直觉，并指出在大模型训练中，几乎没人研究过如何教这种能力。
目前业界多用 SWE-Bench Pro、ML-Bench 等能力基准间接衡量自我改进，但这些测试主要覆盖实现和实验环节，还面临目标被钻空子、评测过拟合的风险。Vinyals 与 Jeff Dean、Sanjay Ghemawat、Quoc Le 共同创办了 Discovery Loop，目标是端到端自动化科学研究流程，早期阶段由人类与机器共同提出假设。
为什么重要
这代表一种更冷静的技术路线判断：即便模型能加速部分研发任务十倍以上，也受限于芯片设计、光速等物理边界，人类水平在某些领域可能已接近上限。这直接影响实验室如何设计评测——从“看排行榜涨了多少”转向“测系统究竟如何改进自己”，而这类评估成本高昂。若 Discovery Loop 的模式成立，科研自动化的竞争焦点将从模型能力本身，转向想法生成与结果评估这两个更难量化的环节。
对用户/开发者/创作者的影响
对开发者而言，短期内编码和实验辅助仍是最成熟的落地场景，API 与工具链的改进值得跟进；但别指望模型替你自动判断项目方向。对研究者，评测标准可能逐步引入类似会议审稿的维度——原创性、简洁性、效率、能否经得起时间检验，部分可写成规则并用奖励模型训练，但实现难度不小。对企业和投资方，Discovery Loop 这类“自动化整个科研循环”的团队值得关注，不过目前公开信息显示其产品化程度尚不明确。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是 Discovery Loop 是否公布具体产品形态、定价或合作方。二是直接衡量自我改进的新基准会不会被更多实验室采纳，成为行业标准。三是 Vinyals 提到的物理算力约束，会不会让“自我改进”在真实硬件上很快遇到天花板。四是 AI 钻评测空子的问题，是否催生更严格的监管或审计要求。
