一个 21 岁的吉他爱好者，花一周做出了一个音色参数工具。
首月只卖出 6 份。
半年后，月流水到了 2.5 万美元，服务了 15 万吉他手。
他没学过编程。
这不是孤例。
当代码编辑器开始替你补下一行，当企业拿 AI 生成的报告去训练下一个模型，一件被低估的事正在发生。
AI 不再只是我们手里的工具。
它正在变成造工具的工具。
这话听着抽象。
可留心一下身边的细节，就会发现证据几乎无处不在。
一个数字背后的信号
先看一组调查数据。
一份面向开发者的年度报告显示，今年 5 月到 7 月，全球约 90% 的专业开发者每周至少用一次 AI编程工具。
其中 68% 的人每天都在用。
这意味着，这类 AI编程工具已经从尝鲜玩具，变成了基础设施。
变化最快的是新面孔。
有一款编程工具，今年 1 月使用率还只有 18%。
短短几个月，它涨到了 39%。
翻了一倍多。
老牌的代码补全工具却在退。
它的使用率从 29% 掉到了 21%。
格局在剧烈变化，底层的逻辑却只有一个。
写代码这件事，正从人类手写，变成 AI 生成加人类审核。
再往大处看。
全球开发者总数约 1.08 亿，AI工具的渗透率已经到了 85%。
付费工具的月活用户约 4000 万。
财富 100 强企业的覆盖率是 90%。
要是觉得这些数字太宏观，还能看看公司内部的账。
一家美国实验室披露，其工程师合并代码请求的数量提升了 67%。
其中七成到九成的代码，都在 AI 工具辅助下完成。
国内的情况也类似。
有公司超过 90% 的工程师在用编程助手，一半以上的新增代码由 AI 辅助完成。
平均编码时间缩短了四成以上。
还有一家短视频公司，员工使用自研智能体产品的占比超过 92%。
研发人员由 AI 生成代码的贡献率，达到了 60%。
写业务代码只是其中一项。
调参和管部署，也在这一张表里。
诊断测试结果，同样算在内。
新一代旗舰模型的发布说明里，有一句话让人印象很深。
早期版本的模型，被团队拿来调试自己的训练过程。
部署和测试结果，同样交给它管。
翻成大白话就是，AI 在帮人类造更好的 AI。
三层递进
AI 造 AI 不是一夜之间发生的。
它走了三层，一层比一层深。
第一层，AI 辅助人写代码。
这是最熟悉的场景。
你在编辑器里敲下几行注释，它自动补全后面的代码。
你描述一个功能，它给你生成完整的函数实现。
这个阶段的本质是提效。
人还是创造的主体，AI 只是加速器。
一所美国高校的研究团队追踪了十万名开发者。
用上 AI 编程工具之后，代码行数达到原先的 17.3 倍。
可真正发布的软件版本，只多了三成。
代码写了 17 倍，发布的软件只多三成。
这说明大量代码是尝试性的。
写代码变得极其廉价，验证和发布仍是瓶颈。
这里还有个有意思的发现。
AI 工具对低活跃开发者的效率提升高达 85%。
对原本就高频提交的人，只有 21%。
换句话说，它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。
到了今年，事情开始质变。
它不再只是写代码的助手，而是能独立走完一整套流程的智能体。
有实验室做过一个内部实验。
他们没有重新训练模型，也没有人工重写代码。
六周里，系统自己把准确率从 25% 拉到了 86%。
它自己定位问题，自己写修复方案。
再自己跑测试、验证结果。
整个过程就在生产环境里跑通。
更进一步，有一家实验室的内部系统超过一百万行代码。
整套系统里，没有一行是人工手写的。
另一家实验室则把审查也交了出去。
它推出一个代码审查工具，用多个智能体并行分析代码仓里的合并请求。
自动标注逻辑错误，再给出可执行的修复建议。
这一步的意义在于，AI 大量生成代码之后，审代码本身也成了瓶颈。
于是它开始审自己写的代码。
一个完整的自我循环，正在合拢。
第三层，AI 参与创造下一代 AI。
国内一款新一代大模型，已经具备所谓的自我优化闭环。
它能连续跑上百轮，在分析和改进之间来回。
自主调整采样参数，优化工作流策略。
在内部评测里，效果提升了大约三成。
走得最远的是那家美国实验室。
它今年 9 月宣布，自家模型已经具备自动化研究实习生的能力。
还专门成立了递归式自我改进团队。
目标是 2028 年 3 月之前，做出完全自动化的研究员。
让 AI 自己生成训练数据，自己审计，接管整条研发流程。
在发布新一代旗舰模型时，它坦率地写了一句。
早期版本的模型，在创造自身的过程中发挥了关键作用。
这不是隐喻，也不是宣传话术。
这是字面意义上的 AI 造 AI。
已经不只在代码里
如果说大厂内部的循环主要发生在代码层面，那在企业和个人这一端，故事更丰富。
企业端的逻辑，其实还是同一个。
以制药为例，借助 AI，候选化合物的发现周期从 36 个月压到了 20 个月以内。
研发成本降了四成以上。
省下来的资源，又可以拿去探索更多药物靶点，训练更精准的筛选模型。
降本增效的产物，本身就在创造新的能力。
钢铁行业也一样。
有一家钢企今年上线了 45 个 AI 智能体，累计落地 929 个智能化场景。
热轧生产的排程效率提升了 80%。
这些智能体在优化生产的同时，产生的数据又在训练更好的模型。
制造业的数字更直观。
一家家电企业计划今年靠 AI 相关应用省下约 9 亿元。
而 2023 年，这个数字还只有约 4000 万元。
四年增长超过 20 倍。
背后是一条清晰的曲线。
AI 用得多，数据就多。
数据多，模型就好。
模型好，能创造的价值就更大。
有一家包装印刷企业上线了全域智能运营平台。
运营效率提升六成以上。
人力成本降低了约三成。
内容产能增长 77 倍。
客服自动化率到了 85%。
内容即数据，数据即燃料。
再看个人端。
这可能是最让人兴奋的变化。
过去，创造软件需要专业训练。
要学编程语言，也学框架，还要懂部署和运维。
一个想法从脑海到上线，中间隔着一道技术鸿沟。
但今年，这道沟正在被填平。
一家搜索公司推出了零代码应用生成平台，用自然语言描述需求，就能生成前后端完整的应用。
一家电商公司发布了同类工具，最快一分钟就能生成完整网站，并在云上一键上线。
还有平台直接把创作社区和激励计划搬了出来。
个人正在成为应用创新的重要力量。
有一个开源社区的应用频道，已经聚集了近 2.3 万个 AI 应用，其中约 95% 由个人开发。
95% 这个数字，足够说明问题。
硅谷的风投也在讨论新趋势。
个人 AI 助理，正在从省时间，进化到替你隐形搞定一切。
消费端的AI对话产品，已经挤满了货架。
垂直赛道和企业服务也一样。
有一款产品上线约一周，试用人数就超过 50 万，日活约 25 万，总提示词数量 200 万条。
另一边，几家公司也都在往个人助理上压注。
每一个人和助理的互动，都在产生数据。
这些数据，又在训练更好的助理。
每个人都在无意中，参与着 AI 造 AI 的循环。
一把双刃剑
聊到这里，必须面对一个更严肃的话题。
如果 AI 造 AI 只是一个效率故事，它顶多算一次生产力革命。
可它正在碰到一个更深的概念，递归式自我改进。
简单说，好的 AI 造出更好的 AI，更好的 AI 再往前推一步，循环因此加速。
这个概念过去只停在理论里。
今年 9 月，有媒体这样写，递归式自我改进意味着模型可以学会建造和训练自己，带来指数级的新进展和风险。
而现在，它正在从理论变成工程。
一家实验室发出了警告。
它认为，AI 系统可能走到一个阶段，在没有人类干预的情况下开发和改进自己。
一所英国高校的团队，提出了让智能体反复测试自己代码的方法，用来绕开评估天花板。
另一家实验室则把话说得更直。
它说，当下的首要任务，是驾驭下一阶段的进展，并找到让人类留在自我改进循环里的方法。
找到让人类留在循环里的方法，这句的潜台词是，如果我们不做点什么，人可能被排除在循环之外。
有学者在一本学术期刊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，那家实验室承认早期模型在创造自己上发挥了作用。
这种承认本身，就是一个信号。
这不是科幻桥段。
这是今年，全球最顶尖的实验室正在认真对待的问题。
当然，也不必过度恐慌。
目前它还在非常早期。
模型能调试自己的训练流程，但还不能从零设计全新的架构。
它能优化自己的工作流，但还不能定义什么值得优化。
但方向已经清楚。
速度可能比我们想的更快。
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。
与其纠结哪个世界更好，不如先把手里的每一环都想清楚。
宁可把节奏放慢一点，也别把它当成一个纯粹的效率问题。
与其指望模型自己收敛一切，不如先想清楚人要在哪一环留下位置。
