AI 研究进入“自动驾驶”时代:杨植麟谈大模型训练的第三阶段

2026 中关村论坛现场，月之暗面创始人杨植麟公开提出 AI 研究正式迈入第三阶段。过去靠人全程盯控调参的大模型研发模式失效，AI 将接管核心研究工作，开源模型成为行业统一技术基准，整套研发流程效率迎来实打实提升。

一、AI 科研三个阶段，一句话看懂差别

第一阶段：人类全权操盘

所有模型迭代步骤全部由研究员手动完成。 人负责设计训练规则、筛选数据、调试参数、排查模型漏洞，每一轮优化都需要工程师投入大量时间手动操作，模型迭代速度完全绑定人力工时。

类比：手动开老式汽车，起步、换挡、刹车、修正路线全靠驾驶员手动操作，长时间驾驶极易疲劳，行驶速度受驾驶员精力限制。

第二阶段：人机配合辅助研发

AI 承担部分基础重复性工作，数据清洗、简单参数调试交由模型处理，但核心研究方向、关键优化逻辑仍需要人类敲定。 类比：搭载基础定速巡航的车辆，能减轻踩油门的重复动作，但变道、避让障碍、规划路线依旧要人全程把控。

第三阶段：AI 主导自动驾驶式研究（2026 年正式落地）

AI 系统自主完成完整自演进、自我优化全流程，人类只负责设定最终目标，不再介入中间精细化调优环节。核心标注变化

1. 模型自主迭代，减少研究员手动干预工作量
2. 开源模型成为行业通用新标准，所有企业、开发者共享基础技术底座
3. 大模型训练速度、优化深度同步提升，研发门槛大幅降低

类比：全自动无人驾驶汽车，你只输入目的地，车辆自主规划路线、避让障碍、调整车速、处理突发路况，全程无需人为操作。

二、这套 AI 自研模式，能落地到哪些真实场景

1. 企业自研行业专用大模型

中小企业不用组建数十人算法团队。企业输入行业数据、需求目标，AI 自动完成训练、调优、版本迭代，直接产出适配电商、制造、教育的专属模型。 比如工厂想要一套质检 AI，无需工程师反复调试模型识别规则，AI 自主学习产品瑕疵特征，持续优化识别准确率。

2. 个人开发者低成本前沿实验

在校学生、独立技术爱好者，依托开源标准底座，让 AI 自主完成论文实验、模型对比测试。不用花费数周手动跑实验，几小时就能完成多组模型方案验证。

3. 科研机构前沿技术探索

AI 自主生成全新模型架构、测试创新算法思路，研究员只筛选 AI 产出的有效方案，大幅缩短基础 AI 技术的研发周期。

三、AI 自主主导研发的核心优势

1. 消除人工操作误差 人类长时间调参容易出现疏漏，AI 持续不间断迭代，每一轮优化标准统一，不会出现人为失误导致模型效果缩水。
2. 并行多方案同步测试 人类同一时间只能测试 1-2 套模型方案，AI 可同时并行数十条优化路线，更快筛选最优训练逻辑。
3. 技术快速扩散 开源模型统一行业标准，小型团队不用从零搭建底层框架，直接复用成熟底座，集中精力做垂直场景创新。

四、行业现实变化拆解

1. 科研岗位工作内容直接改变

过去算法研究员 80% 时间消耗在数据处理、参数调试等重复工作；进入第三阶段后，研究员核心工作变为设定研发目标、审核 AI 产出结果、落地商用方案，基础重复性工作全部交由 AI 处理。

2. 行业玩家两条清晰技术路线

路线 1：自研闭源大模型厂商 侧重上层行业定制能力，底层基础训练流程交给 AI 自主运行，核心壁垒保留在行业落地解决方案。 路线 2：开源模型厂商 持续迭代通用底层底座，统一行业技术标准，靠开放技术生态获取开发者流量，月之暗面属于这条路线代表企业。

3. 未来科研工具使用模式

所有人共用开源基础模型底座，AI 作为自动化研发工具嵌入工作流。 普通从业者无需掌握深度学习底层原理，只需要描述业务需求，AI 自动完成整套模型训练流程；专业研究员将精力集中在高难度创新方向，底层重复训练工作全部自动化。

五、个人思考

2026 年起，AI 自主主导研发不会完全替代人类研究员，只是重新划分人机工作边界。 开源底座会持续拉低 AI 研发入门门槛，中小团队、个人开发者拥有和大厂同等的底层技术能力。行业创新重心会从底层模型搭建，转向各行各业的实际落地应用，技术迭代速度会持续加快。

给做开发的朋友分享份干货：Codex 开发者知识库。

扫码免费领取，博主真心推荐！！！