文 | 影子备忘录

当你的代码编辑器开始建议下一行代码，当你的企业用AI生成的报告去训练下一个AI模型，当一个人花一周时间“手搓”出服务十五万用户的产品……

我们其实已经身处一个AI创造AI的闭环之中，这是是2026年正在发生的日常。

今天笔者想聊一个可能被低估的事实：AI不再只是我们手中的工具了，它正在变成“制造工具的工具”，或者说，它正在变成“创造者的创造者”。

这件事听起来抽象，但你只要留意一下身边的细节，就会发现证据无处不在。

一个数字背后的信号

此前JetBrains发布的《2026年开发者生态系统调查报告》显示，今年5月到7月，全球约90%的专业开发者已经在工作中至少每周使用一次AI编程Agent，其中68%的开发者每天都在用。

这意味着AI编程工具已经从“尝鲜玩具”变成了基础设施。

更值得注意的是，Claude Code在今年1月时使用率还只有18%，短短几个月就飙升到39%，直接翻了一倍多。而老牌选手GitHub Copilot的使用率反而从29%降到了21%。

竞争格局在剧烈变化，但所有变化的底层逻辑是一致的：写代码这件事，正在从“人类手写”变成“AI生成+人类审核”。

全球开发者总数约1.08亿，AI工具渗透率已经达到85%，付费AI工具的月活跃用户约4000万，财富100强企业的覆盖率达到了90%。

如果你觉得这些数字还是太宏观，那换个角度：Anthropic内部的数据显示，其工程师合并代码请求的数量提升了67%，70%到90%的代码都是在AI工具辅助下完成的。

腾讯的情况也类似，有超过90%的工程师在用AI编程助手，公司超过50%的新增代码由AI辅助完成，平均编码时间缩短了40%以上。

快手更激进，截至今年6月，员工使用自研AI Agent产品的占比超过92%，研发人员AI生成代码的贡献率达到了60%。

不只是写业务代码，还包括写训练脚本、调参、管理部署、诊断测试结果。

GPT-5.3-Codex的发布说明里有一句话让人印象深刻：早期版本的模型被团队用来“调试自己的训练过程、管理自己的部署、诊断测试结果和评估”。

翻译一下就是：AI在帮人类造更好的AI。

AI造AI的三层递进

“AI造AI”这件事，不是一夜之间发生的。它经历了三个层次的递进，每一层都比上一层更深。

第一层：AI辅助人类写代码。

这是我们最熟悉的场景。你在Cursor或者Claude Code里敲下几行注释，AI自动补全后面的代码。

你描述一个功能需求，AI给你生成完整的函数实现。这个阶段的本质是“AI提效”，人类仍然是创造的主体，AI是加速器。

MIT的研究团队追踪了十万名开发者的产出后发现，使用AI编程工具后，代码行数达到了原先的17.3倍，但实际发布的软件版本只提升了30%。

代码写了17倍，但真正发布的软件只多了三成。这说明大量的代码是“尝试性”的，AI让写代码变得极其廉价，但验证和发布仍然是瓶颈。

而且这个阶段有个有趣的发现：AI工具对低活跃开发者的效率提升高达85%，而对原本就高频提交的开发者仅有21%的提升。

换句话说，AI正在“填平”开发者之间的能力差距。

第二层：AI自主完成开发闭环。

到了2026年，事情开始质变。AI不再只是“写代码的助手”，而是能独立完成“发现→定位→修复→验证”全流程的Agent。

OpenAI有一个内部实验让人印象深刻：他们没有重新训练模型，也没有人工重写代码，AI系统在六周内自己把准确率从25%拉到了86%。

Codex自己定位bug、写修复方案、跑测试、验证结果，整个过程在生产环境里跑通了。

更进一步，OpenAI内部有一个代码量超过一百万行的系统，整套系统里没有一行代码是人工手写的。

再看Anthropic的做法：他们推出了AI代码审查工具Code Review，通过多智能体并行分析GitHub上的Pull Request，自动标注逻辑错误，按照红/黄/紫三色分级提示，并提供可执行的修复建议。

这个工具的意义在于：当AI大量生成代码之后，“审代码”本身也变成了瓶颈，于是AI开始审查AI写的代码，一个完整的自我循环正在形成。

第三层：AI参与创造下一代AI。

MiniMax发布的新一代大模型M2.7就具备所谓的“自我优化闭环”：模型可以连续执行超过100轮“分析—改进—验证”的循环，自主调整采样参数、优化工作流策略，在内部评测中实现了约30%的效果提升。

OpenAI走得更远。他们在今年9月宣布，其AI已经具备“自动化研究实习生”的能力，并专门成立了RSI（递归式自我改进）团队，目标是在2028年3月前实现完全自动化的AI研究员，能够让AI自主生成、审计高质量训练数据，接管自身研发全流程。

OpenAI在发布GPT-5.3-Codex时坦率地写道：“早期版本的模型在创建自身的过程中发挥了关键作用。”

这不是隐喻，不是宣传话术。这是字面意义上的“AI造AI”。

大厂内部的“AI造AI”闭环

如果说前面讲的是行业全景，那这一部分笔者想聚焦到一个更具体的问题：在最前沿的科技公司内部，AI到底是怎么“造”出更多AI的？

第一个变化是“AI使用”变成了硬指标。有报道显示，一些大型科技公司已经要求所有技术部门的开发方式必须全面转入AI Coding模式，并将AI编程工具的应用能力和代码交付量纳入绩效考核。

谷歌把AI使用情况纳入了部分员工的绩效评估，摩根大通也要求工程师利用AI提升效率。

这代表着AI编程从“可以用”变成了“必须用”。当一个组织里每个人都被要求用AI写代码，这个组织的产出就从根本上带上了AI的基因。

第二个变化是内部工具的规模化。英伟达超过一万名员工已经在使用GPT-5.5，工程师通过Codex进行开发，效率提升可以被精确量化。

谷歌员工在使用一款名为“Agent Smith”的内部AI工具，可以自动处理包括编程在内的多项任务，因为使用人数激增，官方甚至不得不限制访问。

这些内部工具的本质就是AI在写AI的工具链。一个AI编程助手被用来开发更好的AI编程助手，更好的AI编程助手又被用来开发下一代AI模型。

第三个变化是“超级个体”的涌现。阿里云栖大会上，阿里巴巴首席人才官提出了一个观察：“今天工程师代码效率可以提高10倍，但端到端开发周期并没有明显缩短。超级个体的集合……”。

AI让写代码变快了，但让“把东西做出来”并没有等比例变快。因为软件工程不只是写代码，还有需求分析、架构设计、测试验证、部署运维。

AI目前主要在“写代码”这个环节发力，而其他环节的瓶颈反而被放大了。

但这个矛盾本身，恰恰是下一代AI要解决的问题。当AI编程Agent从“写代码”进化到“管项目”，从“完成任务”进化到“定义任务”，端到端的开发周期才会真正被压缩。

Gartner预测，到2028年，异步AI编程Agent的工作流将把软件工程团队的生产力提升30%到50%，远超2025年AI代码助手的0%到20%。

也就是说，现在只是“AI造AI”的早期阶段。真正的大规模闭环还在后面。

AI造AI的“非代码”维度

如果说大厂内部的AI造AI主要发生在代码层面，那在企业应用和个人创造层面，故事更加丰富。

先看企业端。

AI降本增效这件事已经被说了太多，但很少有人注意到其中蕴含的“AI造AI”逻辑。

以制药行业为例，借助AI，候选化合物的发现周期从36个月压缩到20个月以内，研发成本降低了40%以上。

这个效率提升带来的不只是“省钱”，更是企业可以用节省下来的资源去探索更多的药物靶点，去训练更精准的AI筛选模型。降本增效的产物，本身就是在创造新的AI能力。

钢铁行业也是类似的逻辑。首钢股份2026年以来上线了45个AI智能体，累计落地智能化应用场景929个。

热轧生产的AI智能体方案排程效率提升了80%，这些AI智能体在优化生产的同时，产生的数据反过来又在训练更好的AI模型。

制造业的数据更为直观：美的计划在2026年前通过AI相关应用实现约9亿元的成本节约，而2023年这个数字仅为约4000万元。从4000万到9亿，四年增长超过20倍。

背后是一条清晰的曲线，AI应用越多，产生的数据越多，训练出的AI越好，能创造的价值就越大。

还有一个案例值得关注：吉宏股份上线的全域智能运营平台，上线后整体运营效率提升60%以上，人力成本降低约30%，内容产能增长77倍，客服自动化率达到85%。

注意那个“770%”的内容产能增长，这也意味着一家公司用AI生产的内容，本身就可以用来训练和优化AI系统。内容即数据，数据即燃料。

再看个人端。

这是笔者认为最令人兴奋的变化。

过去，创造软件是一件需要专业训练的事。你得学编程语言、学框架、学部署、学运维。一个想法从脑海到上线，中间隔着巨大的技术鸿沟。

但2026年，这道鸿沟正在被AI填平。

百度推出了“秒哒”，用户不需要掌握任何编程语言，通过自然语言描述需求，就能生成覆盖从前端到后端的完整应用。

阿里巴巴发布了Meoo，用户只需用自然语言描述想法，最快1分钟就能自动生成前端后端完整的网站，并在阿里云上一键部署上线。

蚂蚁灵光的“灵光圈”平台更激进，推出了零代码应用创作社区，还启动了1亿元的创作者激励计划。

这说明一个有趣的现象：“创造AI的人”不再只是大厂的工程师了。

有一个案例笔者印象很深：一位21岁的吉他爱好者，用AI编程工具在一周内做出了一个音色参数工具。首月只卖出了6份，但半年后月流水达到了2.5万美元，服务了15万吉他手。

全程零广告，就是AI生成前后端代码加上海外支付通道接订阅收费。

这个案例的关键不在于赚了多少钱，而在于一个完全不懂编程的人，用AI创造了一个AI工具，然后这个工具又在服务更多人。

阿里巴巴“魔搭”AI开源社区的“创空间”频道有将近2.3万个AI应用，其中约95%由个人开发。95%。这个数字足以说明，个人正在成为AI应用创新的重要力量。

硅谷顶级风投a16z在最近的播客中讨论了一个新趋势：个人AI助理正在从“省时间”进化到“帮你隐形搞定一切”。

消费端有Instinct和Muse，垂直赛道有专注旅行的Soore、专注邮件的工具，B2B端有Vellum、Catch、Town等执行型助理产品。

Meta的Muse上线约一周，试用人数超过50万，每日活跃用户约25万，总提示词数量200万条。

Manus发布了主打个人生活场景的智能助理Cue，腾讯的Handy Bot在微信内测，字节的豆包个人助理定名“小豆”，阿里的千问加速向“我的千问”演进。

个人AI助理，正在成为2026年最拥挤的赛道。而每一个用户与AI助理的互动，都在产生数据，这些数据又在训练更好的AI助理。每个人都在无意中参与着“AI造AI”的循环。

但这也是把双刃剑

聊到这里，必须面对一个更严肃的话题。

“AI造AI”如果只是一个效率故事，那它顶多算一次生产力革命。但它正在触及一个更深层的概念——递归式自我改进（Recursive Self-Improvement，RSI）。

简单说就是：AI造出更好的AI，更好的AI再造出更更好的AI，形成一个加速循环。

这个概念曾经只存在于理论讨论中。《纽约时报》今年9月的报道写道：“递归式自我改进是这样一个想法，即AI可以学会建造和训练自己，创造指数级的新进展，以及风险。”

但现在，它正在从理论变成工程实践。

Anthropic发出了一个值得注意的警告：AI系统可能达到一个阶段，能够在没有人类干预的情况下开发和改进自己。

剑桥大学的研究团队提出了一种“红皇后假说”的方法，让AI智能体通过反复测试和增强自己的代码来持续改进，而不撞上评估天花板。

OpenAI毫不避讳地指出了当前的首要任务：“驾驭下一阶段的AI进展，构建自动化的AI研究员，并找到让人类留在自我改进循环中的方法。”

“找到让人类留在自我改进循环中的方法”，这句话的潜台词是：如果我们不做点什么，人类可能会被排除在这个循环之外。

有学者在ACM通讯上提出了一个尖锐的问题：“递归式自我改进真的来了吗？”文章指出，OpenAI承认GPT-5.3-Codex的早期版本“在创造自己方面发挥了重要作用”，这种承认本身就是RSI正在成为现实的一个信号。

这不是科幻小说的桥段，这是2026年全球最顶尖AI实验室正在认真对待的问题。

当然，我们也不必过度恐慌。目前的RSI还处于非常早期的阶段，AI能调试自己的训练流程，但还不能从零开始设计全新的架构。

AI能优化自己的工作流，但还不能定义“什么值得优化”。

但方向已经明确。速度可能比我们想象的更快。

至于它最危险的那一面，递归自我改进会不会失控，人类会不会被排除在循环之外……

这些问题没有简单答案。但至少，最顶尖的AI实验室已经开始认真对待了。

OpenAI专门成立RSI团队，目标不是“让AI自我改进”，而是“找到让人类留在循环中的方法”。

我们正站在一个分水岭上。往左看，是过去几十年人类手写代码、手动操作的世界；往右看，是一个AI参与创造AI、人类定义方向的新世界。