标签： AI推理

如果你用过最新的AI写代码，你会发现一个奇怪的现象：它解题越来越快，但出的题却越来越水。这是因为所有自我进化的AI都卡在同一个盲点上——考官永远不换。

2026年6月24日，剑桥大学、英伟达等13位研究者在arxiv发布了一篇论文，标题叫《红皇后哥德尔机：协同进化的智能体与评估者》。光看名字就知道，他们想干的事有点野——让AI的考官也跟着考生一起进化。

以前的AI自我改进，到底卡在哪

要理解这篇论文在解决什么问题，得先搞懂之前的所有AI自我改进系统是怎么工作的。

早在2003年，AI先驱Jürgen Schmidhuber提出了一个理论框架，叫「哥德尔机」——一个能改写自己代码的程序，但前提是它得先用数学证明来证明改写是改进。这个要求太难了，20多年来哥德尔机一直停留在纸面上。

2024年以后，研究者想出了实用化的近似方案：让AI生成一堆变异代码，放进沙箱里跑，留下去掉的。这套方法在软件工程基准测试上确实跑出了成绩，但它有一个根本性的限制——考官是固定的。不管AI进化到哪一步，打分的标准始终不变。

经济学里有个古德哈特定律：一个指标一旦变成目标，它就不再是一个好指标。AI对着固定考官刷题，刷到最后考官的分数已经说明不了真实能力了。

红皇后机到底改了什么

论文提出的核心机制叫「受控效用进化」。通俗地说，就是把改进过程分成一个个「 epoch」（时代），每个时代内部考官不动，保证学习信号稳定；但时代和时代之间，考官可以被替换——前提是替补考官在人类标注的真题集上考得比现任好。

这里有意思的是「选择性擦除」机制：旧考官被换掉之后，它打过分的记录会被删掉，防止带偏的记忆污染下一轮的训练信号。整条链路形成了一个闭环：AI做题 → 考官打分 → 时代更替 → 考官进化 → AI面对更难的题目。

起这个名字其实有个典故。1973年生物学家Leigh Van Valen提出「红皇后假说」：物种必须不断进化，才能维持相对于其他进化物种的适应性。论文作者觉得这跟AI的场景一模一样——考官不进化，就等于生物学上的功能性灭绝。

实验数据：数学证明和论文写作都有提升

光有理论框架不够，论文拿出了具体数字。

• 奥数级数学：协同进化的证明评分器比之前的最佳方法准确率高出9个百分点。
• 科学论文写作：协同进化的写手在AI评审团评估下，接收率比之前的自我改进智能体高出1.78至1.86倍。
• 效率：因为协同进化的代码审查器只查询一次智能体输出（而不是反复跑测试套件），完成Polyglot基准改进时使用的token数比之前的最佳系统少1.35至1.72倍。

还有一个细节值得说。在科学写作领域，最强的基线评分器会把AI生成的论文以高达1.91倍的速率「放行」——这是AI评判中已知的失败模式。红皇后机通过在每个时代边界组装对抗性AI提交物，专门奖励能正确识别并拒掉它们的评分器，把这个偏差校正了回来。

---

安全边界：当 safeguard 本身也成为静态基准

论文里最值得玩味的部分，是作者自己承认的安全局限。

现在的 safeguard 是那个「人类标注的真题集」——候选考官必须在上面考得好，才能接任。但问题来了：这个真题集本身，就是更高抽象层次上的一个静态基准。如果AI系统足够强，它会不会像之前的系统刷题一样，把真题集也刷穿？

论文里把这个问题直白地写了出来：相比静态评估标准，「松绑了收敛保证」。翻译过来就是：我们知道这样更好，但不能完全保证不会跑偏。

这个时间点发这样的论文，外界难免把它跟Anthropic联合创始人Jack Clark的预测联系在一起。2026年5月，Clark在牛津宇宙学讲座上给出过一个概率：到2028年底，完全自主的递归自我改进AI有60%的可能性会出现。红皇后机论文没有确认或否定这个时间线，但它把「协同进化评估者」这个关键缺失的拼图，从理论提案变成了可以运行的经验系统。

2026年2月的国际AI安全报告已经把递归自我改进基础设施列为跨国别的国家级安全风险。Clark呼吁在前沿实验室里先建好「刹车踏板」，再让能力的环路完全闭合。

红皇后机目前还只是一篇预印本，没有完成同行评审，作者也把它描述为「初步的经验性调查」。但「没有天然停止条件的改进环路」这个东西，现在是从纸上走到了代码里。

DeepSeek本月在技术圈投了一枚小炸弹——他们开源了一个叫DSpark的投机解码框架，说可以给现有的DeepSeek-V4模型提速60%到85%，而且不需要换模型、不需要重新训练，提速后的输出质量也无损。

这件事值得说清楚，因为大多数用户感知不到”推理速度”这个东西，但它其实决定了你用AI产品时等得多久、以及AI公司要花多少钱来跑服务。

“投机解码把生成拆成两个角色：一个小号的草稿模型先提议一段token，完整的目标模型再一次性验证这段提议。拒绝采样会接受最长有效前缀，再附加一个额外token。因为规则精确保持了目标分布，所以不存在质量损失。”

投机解码是什么东西

要理解DSpark，得先说清楚”投机解码”（Speculative Decoding）这个技术思路。大语言模型生成内容时，是逐token（可以理解为逐词或逐子词）输出的，每次只生成一个token，这导致推理速度受限于内存带宽，GPU的算力往往吃不满。

投机解码的思路是：用一个很小的草稿模型，先”猜”一段接下来可能的token（比如一次猜5个），然后让完整的大模型一次性验证这段猜测——对的留下，错的地方截断，再从那个位置继续。因为草稿模型很小，跑得快；大模型验证一串token比逐次生成更快。这样整体速度就提上来了。

这个技术不是DeepSeek发明的，学术界和工业界已经研究了一阵子。但DSpark的特别之处在于，它解决了一个具体工程问题：草稿模型猜的token，在后半段准确率会快速衰减——前面猜对了，越往后越容易跑偏，导致验证时能接受的长度有限，加速效果打折扣。

DSpark怎么做的

DeepSeek团队把草稿生成拆成了两个阶段，这个设计他们叫”半自回归生成”。第一阶段用一个并行的DFlash模块，一次性给每个位置生成基础logits（这是模型内部表示”下一个token可能性”的数值）；第二阶段接一个极轻量的顺序头部，在采样每个token之前，加一个依赖前面已采样token的偏置。

顺序头部默认是”马尔可夫头部”——只往前看一个token，低秩分解让它在词汇量很大的情况下也保持低成本。这个设计让DSpark继承了并行草稿的高首token准确率，又通过顺序头部让接受率在块的深处保持稳定，不会快速衰减。

另一个工程细节是”置信度调度验证”：DSpark给每个草稿位置输出一个置信度分数，估计这个token通过验证的概率；再结合一个硬件感知的调度器，在GPU空闲时验证更多token，繁忙时验证更少。这个设计减少了高负载下验证被拒绝token造成的算力浪费。

实际提速多少

指标分两部分：离线测试和生产环境。

离线测试里，DSpark在Qwen3各个尺寸模型上的接受长度，比Eagle3高26%到31%，比DFlash高16%到18%。注意这里比较的是”接受长度”（每次验证能接受多少token），不是直接的提速倍数，但因为延迟公式里提速正比于接受长度，所以这个指标直接反映了加速潜力。

生产环境的数据更有说服力。DeepSeek-V4-Flash和V4-Pro在他们的真实流量下，用DSpark-5配置（5个token的草稿块+马尔可夫头部），相比之前的MTP-1基线（一次猜2个token的固定方案），每用户生成速度分别提升了60%到85%和57%到78%。这个提升是在相同吞吐量（即相同GPU资源）下测得的，意味着用同样的硬件可以服务更多用户，或者同样多的用户等着的时间更短。

---

为什么这件事值得关注

第一，这是”不换模型就能提速”的方案。大多数AI公司提速的思路是训练更大的模型、或者用更多GPU，这都意味着更多的钱。DSpark这种在推理层面做优化的思路，是花小钱办大事——尤其对已经在跑DeepSeek-V4的服务来说，换上DSpark的检查点就能直接提速，不需要重新训练。

第二，DeepSeek把检查点和训练代码都开源了，用MIT许可证。这意味着其他公司和研究机构可以直接用，也可以基于这个框架做自己的优化。这种开源技术基础设施的打法，和OpenAI、Anthropic的闭源路线形成鲜明对比。

第三，推理速度的提升会传导到终端用户。AI聊天产品的响应速度、AI编程助手的代码生成延迟、AI搜索的返回时间——这些用户体验指标，背后都是推理速度。DSpark如果被广泛采用，意味着用同等质量的模型，用户能感受到更快的响应。

最后说一句实际的：DSpark目前是和DeepSeek-V4的权重绑定的，不是通用框架（虽然DeepSpec训练代码库支持在其他模型上训练草稿模块）。如果你想在自己的项目里用，得跑训练——官方配置假设单机8块GPU，目标缓存可能非常大（Qwen3-4B设置下接近38TB），这个门槛不低。但对已经有大模型服务的团队来说，这个方向值得跟进。

everyone都在造芯片，Sail说软件就够了。这家刚刚冒出头的初创公司本周宣布完成8000万美元融资，估值4.5亿美元，由Kleiner Perkins和Sequoia联合押注。它的主张听起来有点反潮流——当OpenAI在做Jalapeño芯片、谷歌有TPU、亚马逊有Trainium的时候，Sail说光靠软件优化就能把AI推理成本压到对手的十分之一。

长周期智能体才是主战场

Sail Research的平台专门跑”长周期”AI智能体——就是那些需要连续工作数小时甚至数周才能完成的任务。它在Linux虚拟机（叫Sailboxes）里运行智能体，开发者可以自定义每个虚拟机的软件环境。关键是，当智能体在等待外部系统返回数据时，Sail会把整个智能体关掉，不再烧钱，等数据回来了再继续。这个设计思路很直接，但确实能省不少钱。

他们在BrowseComp-Plus基准测试上拿了90.72%的分数，同时推理成本只有对手的十分之一。这个成绩单够亮眼，但真正有意思的是它背后的逻辑：大部分企业根本造不起自己的定制芯片，但它们可以在现有的英伟达GPU上跑Sail的软件层，达到类似的效率提升。

Sail的CEO Neil Movva说得很直白：人类用电脑最看重速度，但智能体最需要的是规模、可靠性和可持续的成本。这句话其实点出了当前AI基础设施争论的核心——我们到底是在为什么买单？

定制芯片 vs 软件优化，两条路都能走通

这一轮AI基础设施的竞争，某种程度上分裂成了两个阵营。一边是”算力派”，认为推理成本的根本解法是定制芯片——OpenAI找Broadcom做Jalapeño，谷歌继续迭代TPU，亚马逊推Trainium，都在走这条路。另一边是”效率派”，认为现有的GPU已经够强，问题出在软件层没有把硬件能力吃干榨净。

Sail属于后者。它改写了多个开源推理引擎，用了一套自己优化的算法来提升显存利用率。效果据称不错，但这个说法需要打一个问号：基准测试的跑分环境和真实生产环境往往是两回事，90.72%的分数能否在客户的实际工作负载上复现，还得等产品正式铺开才知道。

---

投资者阵容值得注意

这一轮的投资者名单里有两个名字很显眼：Intel CEO Lip-Bu Tan和Alphabet董事长John Hennessy。Hennessy的身份尤其微妙——他既是谷歌的董事长，又投了一家说”软件优化可以替代定制芯片”的初创公司。不管这在战略上意味着什么，至少说明业界对AI推理成本问题的关注度已经非常高了。

Kleiner Perkins和Sequoia同时进场也是一个信号。两家顶级VC在同一个轮次里联手，通常意味着他们判断这个赛道已经过了”要不要做”的阶段，现在的问题是”谁能先做出来”。Sail的4.5亿美元估值不低，但它面对的是一个实实在在的市场需求：企业用完AI之后发现账单比预期厚得多，它们愿意为任何能压低成本的技术方案付钱。

---

这一轮融资的时间点选得有点巧——正好是OpenAI官宣Jalapeño芯片之后没几天。两件事摆在一起看，像是一场关于”AI推理成本到底该怎么降”的公开辩论。OpenAI选了最难的路（自己做芯片），Sail选了最快落地的路（软件优化）。两条路都能走通，但受益的客户群不太一样：超大规模云厂商有能力做定制芯片，普通企业只能靠软件层省成本。