Fable 5夺冠！全球18大顶尖AI自主科研大赛，逼近人类极限

新智元报道

AI自动科研的时代，彻底爆发了！

18个全球最顶尖的大模型，断网被关进小黑屋，连续做了8天科研。

谁能想到，最强王者Fable 5一骑绝尘——

数十位顶尖工程师耗时数月才创下的纪录，它一举追平了人类82%的水平。

就在今年，OpenAI和Anthropic已经先后把「AI自己造AI」的时间点，押在了2028年。

这是第一次有人真的用算力和时间，去量了量它还差多远。

研究一发布，直接引爆AI圈，连OpenAI的大佬都赶来强势围观。

有人表示，这是迈向「AI自主研究」的重大里程碑。「AI辅助」与「AI发现」之间的最后一道鸿沟，正在被加速抹平！

全球顶尖AI「闭关」搞科研

断网8天

就在今天，Prime Intellect公开了迄今为止，规模最大的前沿AI自主科研实验。

早在5月，他们就干过一次。

当时只用了Opus 4.7和GPT-5.5两个模型，跑了约1万次、烧了14000个H200 GPU小时，Opus拿了2930步。

这次，直接拉了18个模型上场，153场完全自主的实验，规模翻了十几倍。

任务主打一个「极致硬核」：nanoGPT优化器速通挑战（optimizer speedrun）。

这条赛道大有来头，它由OpenAI研究员Keller Jordan在2024年5月亲手搭建。

主赛道（Track 1）比的是「墙钟时间」。

两年间，人类工程师把训练一个124M参数GPT的时间，从45分钟一路压到了1.35分钟。

不过AI这次比的，是规则极其严苛的纯优化器赛道（Track 3）。

在这里，模型架构不准改，训练数据不许碰，只准动优化器、学习率调度和初始化。目标是，用最少的步数把GPT训练到验证损失3.28。

人类目前的最高记录，定格在2600步。

这还是几十位顶尖工程师前后死磕数月后得到结果，目前挂在一个还没合并的PR里。

而AI的起跑线，则是3290步。模型知道「存在更好的方法」，但每一步怎么省，都得自己找。

环境配置中，每场实验规定独占一个8xH200节点，跑在bwrap+网络命名空间做的「沙盒」里。

Agent只能看见自己的工作目录、只读数据集和Python环境。

全程断网，唯一开放的网络通道是一根日志代理，只允许调用模型API。

验证门槛更硬核。每条纪录必须在8个固定种子上跑，八次均值要低于3.27859。想要靠运气蒙过去的概率，只有千分之一。

团队还部署了一个独立的LLM监控员，每小时审计一次所有运行，跑了100多份报告，没抓到任何作弊，才放心停掉。

人类耗费数月的活

Fable 5干掉了82%

实验启动后，只喂一句话——

读program.md并严格执行。完全自主运行，永不停止，永不询问。目标：用 最少的train_steps 达到验证损失均值<3.28，不断打破当前最好成绩。

Fable 5最终跑到2726步，把690步的差距追上了82%，只差最后126步就追平人类。

Opus 5拿到2920步，追上54%。垫底的GPT-5.5只拿了3234步，只追上了8%。

而且这个领先，不是「堆时间堆出来的」。

在「统一预算」横比中，把每个模型的最好那场run，都掐在同样的时间/实验次数/输出token上再看成绩。

不管按小时算、按实验次数算还是按输出token算，排序几乎不变。

拉开差距的，是做实验手法

这场实验，最反直觉的一点是：所有模型，没有一个诞生了全新的方法。

它们用的点子，比如更好的预处理方式、梯度幅值的上下限、延长高学习率阶段、训练末期的权重平均等，都可以在文献里找到。

真正拉开差距的，是怎么做实验。

弱模型的毛病特别典型：一个种子跑出负结果，就把一整族方法判了死刑；自己写的代码崩了，当成「这个想法不行」的证据；单独看收益不够大的改动，直接扔掉。

Grok 4.5就因为自己的缩放bug，两次误杀了「行归一化」（row normalization）。

强模型，则是另一套打法。

边界上的结果，先上3个种子，只有当自己的噪声模型说「值」，才肯花8个种子去验。

更关键的是「回头重测」，每合并一次改动，就把整个技术栈重新消融一遍，把已经不起作用的删掉。

Opus 5就是这么拿下一个新纪录的：它把一个早就调过、当时判定没用的参数（β2），在新配方下重新翻出来调了一遍。

Fable 5更绝。单个参数榨不出收益之后，它开始测那些「单独看都更差、合起来却更好」的组合。

后期一次回头复测，一口气省下31步。

AI学会了自建实验室

实验中最精彩的一段，是模型开始在CPU上搭小型实验室，先用廉价模拟摸清规律，再上GPU做真正的训练。

有的搭了一个持久化的IPython内核，自己写了一整套研究工作流。

其中，apply_edits()做精确字符串替换、run_probe()做隔离实验并自动恢复基线、valcurve()从日志里提取损失曲线做对比。

它还在CPU上构造了一个简化目标来调试SOAP优化器，发现更新方向和梯度的余弦相似度只有+0.015到+0.028，并据此修正了动量重置策略。

GPT-5.6 Sol最有戏剧性。它没有单干，而是给自己组了一个多Agent研究团队，三个子Agent各有分工：

「optimizer-theorist」负责提出优化方案，「experiment-planner」负责设计和执行实验，「code-auditor」负责审查代码质量。

但这个团队一跑起来就翻车了。

三个子Agent共享同一个工作目录，experiment-planner改了一行共享代码，optimizer-theorist那边还在用旧版本跑实验，结果直接对不上，整轮实验作废。

Sol排查完原因后，给code-auditor和optimizer-theorist加了「只读合约」，只有experiment-planner能动代码，其他人只能读。

用团队自己的话说：「所有模型都在过程中自行开发了实验驱动器、模拟器和分析工具。」

2028年，AI科研奇点来临

过去，人们谈到AI科研，更多的是——

让AI搜索论文、总结文献、写研究综述、生成代码，或者帮研究人员整理实验结果。

这些工作仍然属于「科研辅助」，AI只是完成其中某一个环节。

但这次实验不一样。模型开始独立完成一个相对完整的科研闭环：

提出假设 → 修改方案 → 运行实验 → 观察结果 → 分析误差 → 修正认知 → 继续探索。

今年3月，OpenAI首席科学家Jakub Pachocki表示，打造一个全自动AI研究员，是OpenAI未来几年的「北极星」。

他把这一目标分两阶段完成，今年9月先交出「自主AI研究实习生」，能独立啃下人类要干几天的课题；

2028年上线「全自动多Agent研究系统」，能自己提假设、设计实验、得出结论。

紧接着5月，Anthropic联创Jack Clark预测，到2028年底，AI实现递归自我改进的概率超过60%。

他的逻辑非常直白，天才=1%的灵感+99%的汗水。

AI已经把那99%的苦力活吃得七七八八，所以就算它在灵感上依旧平庸，这台机器照样能推动自己持续进化。

Prime Intellect这153场实验，等于给这套说法做了一次实地测量：99%的汗水部分，AI确实干到了82%。

最耐人寻味的发现也恰恰在这里——

没有一个模型诞生了全新的方法。而nanoGPT赛道的历史表明，人类的重大突破绝大多数靠的是算法创新。

那1%的灵感，暂时还是人的。

距离大佬们预言的2028年，只剩下不到两年。

到那时候，是灵感也被AI吃掉，还是成为人类最后的护城河。这个答案，可能比所有人想的都来得快。

参考资料：

https://x.com/PrimeIntellect/status/2088733966904000778?s=20

https://www.primeintellect.ai/blog/measuring-autonomous-research

编辑：桃子 摩西