一句话看懂：普林斯顿大学等机构的一项新研究发现，AI 智能体虽然能完成 AI 研究中的工程任务，却写不出达到顶会接收水平的研究论文。这给“AI 很快能递归自我改进”的乐观预期泼了一盆冷水。
事件核心：发生了什么
这项研究由普林斯顿大学的 Peter Kirgis 和 Sayash Kapoor 领衔，联合多所机构完成。团队提出了一种叫“影子评估”（shadow evaluation）的新方法：让 AI 回答两篇尚未公开、已投稿至 NeurIPS 2026 的论文所研究的问题，因为论文未公开，智能体无法从训练数据中背答案，也无法在网上搜到。
受测的是 Anthropic 的 Claude Opus 4.8，运行在开源软件 OpenClaw 上。研究者给了它六天时间、3000 美元 Anthropic API 额度、GPU 算力、独立虚拟电脑和开放网络访问权限，目标是产出一篇够格发在顶级 AI 会议上的论文。原作者按会议评审标准打分——两篇都被拒了。
结论很直接：智能体把文献综述、数百次实验、结果汇总这些工程活儿都干了，但研究本身“明确地做得很差”，做了奇怪的小样本合成数据实验，写得难以理解，也没带来任何新贡献。它们不够探索不同思路，过早锁定没前途的方向，也无法从失败路线中彻底回头。
为什么重要
AI 递归自我改进，指的是 AI 几乎不需要人类监督就能改进自身。这是当前行业最激进也最吸引资本的叙事之一，而它成立的前提，是 AI 能做开放式研究——那种没有标准答案、需要判断力和品味的自由探索。
这项研究指出，现有评估大多只测“有可检验答案的窄任务”，比如解工程题或按基准微调小模型，忽略了开放式思维。换句话说，一些“自动化 AI 研究”的时间表可能跑在了证据前面。这不代表路线错了，但意味着从“能跑实验”到“能提出问题并判断证据”，中间隔着一道尚未跨过的坎。
对用户/开发者/创作者的影响
对开发者和 AI 应用团队来说，短期内可以把智能体当成高效的工程执行层：跑实验、写代码、整理数据、做文献梳理，这些已经可用。但别急着把研究决策、方向取舍交给它。
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。
对创业者和投资人，这条信息值得纳入判断：如果一家公司把“AI 自主做研究”当作核心卖点，需要追问它到底在评估什么能力。对企业采购，多智能体协作的可靠性仍是变量——研究中子智能体偶尔会幻觉或曲解结果，靠主控智能体才拦下来。
值得关注的后续
一是“影子评估”这类方法会不会被更多机构采用，成为衡量 AI 研究能力的标准。二是模型是否会在训练中专门补上判断力、创造力和资源管理这些短板。三是业界对“自动化 AI 研究”时间表的公开口径是否随之调整。
