从病退到重返OpenAI，北大校友翁荔仅用48小时完成了职业生涯的戏剧性转折。她将领导递归自我改进（RSI）团队，开启用AI研发AI的新纪元。这一科技趋势不仅标志着大模型迭代迈向自动化，更预示着AI自我进化的奇点临近。翁荔的回归，让业界对最新科技与AI产品的发展路径有了全新想象。
戏剧性回归：48小时从病退到OpenAI
2025年7月28日，翁荔在社交平台发布了一份直白的离职声明：过去7个月里，她经历了人生中最严重的病痛折磨。“在全公司为Inkling发布冲刺的时候，我试着好好休病假，可一边休养一边跟内疚感搏斗，这滋味真的不好受。”她当时表示，下一站将找一个“职责明确”的岗位，不再做联创。
然而，仅仅两天后，这家“新东家”就正式揭晓——OpenAI。The Information率先爆料，翁荔将重返老东家，亲自挂帅一个聚焦“递归自我改进”（RSI）的团队。这波操作让网友直呼“编都编不出来”。
从Thinking Machines裸辞到加入OpenAI，中间只隔了48小时。更耐人寻味的是，Thinking Machines的六位联创中已有四位离开，其中三位都回到了OpenAI。这种“人才回流”现象折射出AI行业顶级人才的稀缺性，以及OpenAI在AI Agent技术领域的战略吸引力。
这一戏剧性转折背后，是OpenAI对终极技术路径的疯狂押注。翁荔的回归并非偶然，而是她三周前发布的一篇博客就已经埋下了伏笔。当时她撰写了长文《Harness Engineering for Self-Improvement》，系统阐述了RSI的技术框架，这篇文章被OpenAI内部视为“技术宣言”。
翁荔的学术与职业轨迹：从北大到OpenAI安全副总裁
翁荔的起点并非大模型。2004年，她拿下全国高中数学联赛陕西省一等奖，次年考入北京大学信息管理专业。毕业后远赴印第安纳大学布卢明顿分校攻读博士，主攻复杂网络、社交网络与信息传播——这些方向与如今主宰AI界的Transformer架构几乎毫无关联。
她曾在Facebook实习，在Dropbox做数据科学家，又去金融科技公司Affirm担任机器学习工程师。2018年入职OpenAI时，她被分到了机器人团队。团队花了两年时间，教一只机械手单手复原魔方，那是当年最出圈的AI演示之一，而她是核心贡献者。这一经历让她对硬件与软件的协同有了深刻理解。
2021年，OpenAI重心转向GPT，翁荔参与组建并带领应用AI研究团队。GPT-4发布之后，她从零搭建起Safety Systems团队，到她离开时，这个团队已超过80人。2024年8月，她升任负责安全的研究副总裁；三个月后宣布离职，理由是“在OpenAI待了7年，我准备好清空自己、去探索一些新东西”。
随后，她以联创身份创办了Thinking Machines。如今，从Thinking Machines再回到OpenAI，中间只隔了两年。翁荔的履历完整覆盖了从基础研究到工程落地再到安全治理的全链条，这正是OpenAI为何将RSI帅印交给她的原因。她的经历本身就是一部最新科技人才发展的缩影。
RSI：OpenAI的“北极星”战略
递归自我改进（RSI）听起来像科幻概念，但OpenAI早已将其列为最高优先级。通俗讲，就是用AI研发AI——让AI加速OpenAI设计、训练、评估下一代模型的整套流程。从战略角度看，这盘大棋早在2025年3月就已开始布局。
当时，OpenAI首席科学家Jakub Pachocki明确界定：打造一个全自动的“AI研究员”，是OpenAI未来几年的“北极星”。无论是推理模型、Agent还是可解释性，所有的研究主线都在向同一个靶心全面收束。配合这一终极战略，内部时间表也早已公开，分两级：
第一阶段（2026年9月）：一个“自主AI研究实习生”，能独立接下少量具体的研究问题。 第二阶段（2028年3月）：全自动多Agent研究系统，能自己提出假设、设计实验、得出结论。
在技术路径上，OpenAI的核心押注集中在两端：一是底层算法的持续迭代，二是暴力拉升“测试时计算”。翁荔的位置因此变得清晰——她要做的不是下一个GPT，而是要亲手打造出那条能够“自动进化、量产GPT”的超级流水线。这一科技趋势的指向性非常明确：AI将从“人类辅助”走向“自我进化”。
技术解密：Harness工程与自我改进的工程实现
翁荔在博客中提出了一个关键洞察：现在的AI自我改进，不一定要从模型改写自己的权重开始。更现实的入口是Harness——模型外面那层“脚手架”，包括规划、工作流、上下文管理、持久化存储。她拿操作系统作比：“今天的Agent应用之所以可靠，靠的是被精心工程化过的Harness，而不只是模型本身有多强。”
这意味着RSI的工程化落地，需要大量借助AI工具导航来搭建高效的开发环境。例如，利用AI画图生成可视化的工作流拓扑，或通过抠图技术快速处理训练数据中的边缘案例。这些看似基础的工具，在RSI的“脚手架”中却扮演着不可或缺的角色。
翁荔在博客中回顾了RSI的理论渊源：1965年I. J. Good提出“超智能机器”，指一台能在所有智力活动上超过人、并且能设计出更好的机器来改进自己的系统；2008年Yudkowsky给这个反馈回路命名为“递归自我改进”。但翁荔的贡献在于将概念落地为工程方案——她认为，在当前阶段，通过优化Harness而非直接修改模型权重，就能实现显著的自我改进效果。
这一思路与大模型训练的传统范式形成了鲜明对比。传统训练依赖人类工程师反复调整数据、超参和架构，而RSI则试图让AI自己完成这些工作。如果成功，将彻底改变企业数字化转型中AI应用的成本结构。
时间表与展望：AI自主研究实习生何时到来？
OpenAI内部时间表显示，2026年9月将迎来第一个里程碑：一个“自主AI研究实习生”。这个系统将能独立处理少量具体的研究问题，例如优化某个模块的推理效率，或设计新的评估指标。虽然这听起来还很初级，但一旦实现，LLM的迭代将逐渐告别人力堆叠，迈向指数级爆发。
翁荔的RSI团队正是实现这一目标的核心引擎。她需要搭建一个“AI训练AI”的闭环：首先，让现有模型能够自动生成训练数据、调整超参数、评估结果；然后，让这个闭环不断自我优化，最终实现“AI研究员”的自主进化。
这一科技趋势的潜在影响令人震撼。如果RSI在2026年如期交付，那么到2028年，全自动多Agent研究系统将能够自主提出假设、设计实验、得出结论——这意味着人类在AI研发中的角色将从“主导者”转变为“监督者”。对于科技产品而言，迭代速度将不再是月或周，而是天甚至小时。
不过，挑战同样巨大。RSI的“自我改进”需要解决可解释性、安全性和对齐问题。翁荔此前在OpenAI主导安全研究，这恰恰为RSI团队提供了宝贵的经验——她深知，一个失控的自我改进系统可能比任何现有AI都更具风险。因此，RSI的每一步推进都必须伴随着AI图片生成等可解释性工具的辅助，确保模型行为可被人类理解。
科技趋势再定义：AI自我改进对行业生态的影响
翁荔的回归不仅是个人职业选择，更是AI行业从“大力出奇迹”转向“智能自动化”的缩影。当AI开始自我改进，传统的“数据+算力+人力”模型将发生根本性变化。
首先，AI研发的门槛将被重新定义。如果RSI成功，中小团队可能不再需要庞大的人类工程师团队，而是通过租赁“AI研究员”服务来完成模型迭代。这将催生新的商业模式——AI-as-a-Service从“提供模型”升级为“提供研发能力”。
其次，科技产品的生命周期将大幅缩短。以科技产品为例，一款智能助手可能在发布后几小时内就通过RSI完成自我优化，无需等待人类开发者推送更新。这种“持续自我进化”的能力将彻底改变用户对科技产品的预期。
最后，AI安全与伦理将面临前所未有的挑战。一个能自我改进的AI系统，其行为可能超出人类设计者的预判。OpenAI将翁荔的安全背景与RSI团队结合，正是为了在技术爆发前建立“安全护栏”。从这一角度看，RSI不仅是技术攻关，更是一场关于人类如何与超级智能共存的实验。
总而言之，翁荔的48小时反转，背后是一场关于AI未来终极形态的豪赌。当RSI从概念走向工程，当AI开始进化AI，我们或许正在见证一个全新科技趋势的起点——那个曾被人类亲手创造的智能，终于学会了如何让自己变得更强。