17. 如果AI能自己做实验,人类研究员还剩什么。今天我看到一个很有意思的小项目。是 AI 研究员 Andrej Karpathy 开源的一个实验,叫 autoresearch。整个项目只有 630 行 Python 代码。但它做的事情非常大胆:让 AI 自己做模型研究。
一开始我其实没太当回事。因为听起来很像一个常见东西——自动调参。比如自动尝试:batch size、learning rate、激活函数、scheduler。这些在机器学习里早就有人做了。所以最初我的理解是:哦,一个自动化调参脚本而已。
但后来我仔细看了一下它的工作流程,突然意识到——事情好像不太一样。AI在做的,其实是一个“研究循环”。这个系统的流程非常简单:AI 修改训练代码→ 启动训练(约5分钟)→ 评估验证损失→ 如果更好就保留→ 如果更差就回退→ 再开始下一轮实验。也就是说,一晚上大概可以跑 100 次实验。
看到这里我突然意识到一件事:这其实不只是自动调参。这更像是在自动做研究。
因为你想一想,人类研究员平时做的事情其实也是:改代码→ 跑实验→ 看结果→ 再改,区别只是:以前是人类在做这个循环。现在变成 AI 在后台做这个循环。更有趣的是,这个系统还自动记录整个研究过程。AI不是直接改代码,而是在 git 分支里工作。每一次实验都会:修改代码、训练模型,效果好就commit。于是会得到一个结果:git log 变成了一份完整的研究日志。
换句话说,研究的每一步探索都会被自动记录下来。如果把这个项目抽象一下,它其实在验证一个很重要的概念:Automated Research Loop(自动化科研循环)。传统科研流程是:研究员→修改代码→跑实验→评估结果→再修改。而现在变成:AI Agent→ 自动改代码→ 自动跑实验→ 自动筛选改进。
也就是说:AI开始参与科研过程本身。这会带来一个很大的变化。过去科研的瓶颈很多时候是算力。因为算力少,所以实验做得少。但如果 AI 可以自动跑实验,就会出现一种新的分工:AI 负责做实验,人类负责设计问题。如果继续往前想一步。假设未来有这样一套系统:AI 自动改模型→训练→评估→发布新版本。然后这个循环持续运行。科研就可能变成一种 持续进化的系统。甚至发展到:系统的复杂程度,已经超过人类可以完全理解的范围。
所以这个项目真正有意思的地方其实不是技术。
毕竟它只有 630 行代码。
真正有意思的是它展示的一种可能性:未来的科研,也许是 AI 在后台通宵做实验。而人类只负责提出问题。
我是哨子,坚持在AI时代发出“声音”。这是我第一篇抖音,欢迎评论区讨论~
关注我,我们下一期见(„• ֊ •„)੭
#karpathy #AI #人工智能 #科技改变生活 #AI资讯