学术是抱负之所在 —— Alex Zhang，MIT

📌 One-Sentence Summary

Alex Zhang 讨论了 AI 工程的演进，重点关注递归语言模型（RLMs）、AI 生成的 GPU 内核，以及人类专家在验证复杂模型输出中的关键作用。

📝 Summary

在本次访谈中，Alex Zhang 探索了 AI 开发格局的转变。他强调了从标准推理模型到 2026 年递归语言模型（RLMs）的转变，在那种情况下，模型将其提示词（prompts）视为迭代改进的对象。讨论深入探讨了「GPU 模式」，指出尽管 AI 现在可以生成 GPU 内核，但人类专家对于验证、效率以及避免大规模基于 Token 的暴力搜索仍然至关重要。Zhang 还提到了研究品味的重要性、智能体群（agent swarms）的潜力，以及未来一个单一界面可能掩盖背后复杂的自主智能体群的景。

💡 Main Points

向递归语言模型（RLMs）的转变

Zhang 认为，如果 2025 年是推理模型年，那么 2026 年将专注于将自身提示词视为迭代对象以实现更高能力的模型。

人类专家在 AI 驱动的工程中仍然不可缺

尽管 AI 生成高效的 GPU 内核，但仍人类知识来验证结果、确保效率并防止在暴力 Token 搜索上浪费大量计算资源。

「研究品味」与学术下注的价值

学术研究人员应对工业实验室可能回避的奇异或琐碎的研究方向下注，这可能会导致突破。

智能体群的未来

传统的语言模型可能会演变成一个简单的界面，下方运行着一个持续工作的持续自主智能体群。

💬 Key Quotes

就像 2025 年从语言模型转向推理模型的切换一样，我们认为 2026 年将完全是转向递归语言模型的切换。

事实证明，如果你允许模型将自己的提示词视为对象，它们会变得强大得多。

一个专家的见解可能可以取代海量的暴力 Token 搜索。

在擅长编写 GPU 内核方面仍然有大量的 Alpha（超额收益）。

未来的语言模型实际上可能是简单界面下一个隐形的智能体群。

📊 Article Meta

AI Screening： 89

Source： Latent.Space

Author： Latent.Space

Category： 人工智能

Language： 英文

Read Time： 90 min

Word Count： 22327

Tags：

递归语言模型 , GPU 内核 , AI 智能体 , AI 工程 , 大语言模型