AI-research-feedback，一个给 Claude Code 用的学术审稿技能。 核心能同时跑六个审稿智能体，分别盯语法、前后一致性、公式、图表和论证漏洞。 还能指定 QJE、AER 这类期刊，模拟对应审稿人的挑剔程度，最后合成一份结构化审稿报告。 GitHub： 除了完整审稿，还有轻量快查版、论文和代码一致性检查、基金申请书审阅。 一条 curl 命令就装好，可直接读 LaTeX 源文件来审，经济、金融方向的期刊也支持。

AI编程火了之后，下一个被资本押注的方向会是什么？ 田渊栋的判断是：AI research。Coding之所以能快速商业化，是因为它替代的是高薪、高ROI的工作；而 AI研究人才更贵，自动化后的回报可能更大。 从新药、新材料，到训练模型的新方法，AI research的想象空间是天文级的，但也意味着高风险。 相比大公司多线押注，RSI的差异化在于更聚焦：不是让AI优化某段代码，而是让AI学会优化自己。 这是我们专访Recursive Superintelligence联合创始人/前Meta基础AI研究（FAIR）团队研究总监田渊栋的精华节选，感兴趣的话欢迎观看完整版。

World Model × Reward Density：递归自我迭代的真正拐点 过去几个月，讨论 AI 递归自我迭代（Recursive Self-Improvement, RSI）时，关注点几乎都放在模型能力和算力增长上。 但研发系统的实验效率相对模型和算力，可能才是真正的瓶颈。 过去一年，这个系统正在发生两个根本性变化：一是 World Model 快速成熟，二是 AI Model Design 的 Reward Density 持续提高。这两个趋势彼此强化，最终指向同一个结果——AI 研发正在从依赖真实实验，转向依赖模拟、预测与自动验证。 World Model 的意义远不只是让模型理解现实世界，更重要的是让 AI 可以构建越来越接近真实世界的原生模拟环境（Native Simulation World）。过去的模拟器主要依赖人工编写规则、物理公式和专家经验，只能覆盖有限场景；未来的模拟器将越来越多由模型生成，直接学习真实世界中的交通、人类行为、企业经营、材料性质、机器人动力学乃至科学规律。模拟世界将逐渐从 Rule-based 转向 Model-based。 这意味着 Simulation 与 World Model 不再是两个独立模块，而是一个递归系统。真实世界提供数据，训练 World Model；World Model 构建更真实的 Simulation；Simulation 为 AI 提供几乎无限的实验机会；实验产生大量高质量合成数据，再反过来继续优化 World Model。 整个循环可以表示为： Reality → World Model → Simulation → Synthetic Experience → Better World Model → Better Simulation → ... 一旦进入这一循环，Simulation 本身开始成为新的数据源。过去互联网几乎承担了全部训练数据来源；未来互联网、Simulation、机器人和自动实验室将共同构成模型训练的数据基础。其中，Simulation 将成为增长最快的数据来源，因为它几乎没有成本，可以无限复制、暂停、回滚、并行和加速运行。 机器人是最直接的受益者。今天机器人最大的瓶颈并非模型能力，而是真实数据获取速度。现实中，一台机器人一年只能积累几千小时经验，而 Simulation 可以同时运行数百万个机器人，在一天内完成现实世界几年甚至几十年的探索。机器人训练因此会逐渐从 Reality-first 转向 Simulation-first，真实机器人更多承担最终校准，而非主要学习过程。 科学研究也将遵循相同路径。未来药物、材料、催化剂、电池、蛋白质设计等领域，大部分假设将在 Simulation 中完成筛选，仅将最有希望的方案送入真实实验室验证。湿实验将越来越像对 Simulation 的最终确认，而非发现过程本身。 如果说 World Model 解决的是实验环境，那么 Reward Density 解决的是实验反馈速度。 AI Model Design 正在成为所有研发任务中 Reward Density 提升最快的领域之一。过去修改一个 Attention、优化一个训练策略或者调整一个架构，往往需要数周训练才能知道结果，反馈极其稀疏。今天越来越多中间信号已经能够提前提供可靠奖励，包括 Loss Curve、Scaling Prediction、Training Stability、Token Efficiency、Inference Latency、Proxy Benchmark 等。很多决策无需等待完整训练即可获得有效反馈，研发循环开始从周缩短到天、再缩短到小时。 World Model 的加入进一步提高了 Effective Reward Density。过去，一个团队提出一百个模型设计，只能真正训练其中极少数。未来，大部分方案将在 Simulation 中完成预验证，仅保留少数最优设计进入真实训练。单位时间内能够获得的有效反馈数量因此不是线性增加，而可能提高一个甚至多个数量级。 真正发生变化的不是 Reward Density 本身，而是有效 Reward Density： 过去： 100 个想法 → 训练 3 个 → 获得 3 个 Reward。 未来： 100 个想法 → Simulation 验证 95 个 → 训练 5 个 → 获得近百个高质量 Reward。 研发系统开始进入典型的正反馈。 RSI 意味着：Model → Better Model。 但如果拆开来看，其实是： Model → Better World Model → Better Simulation → Better Evaluation → Better Model。 更进一步，World Model 本身也是模型，因此模型不仅开始优化模型，还开始优化整个研发基础设施，包括 Evaluation、Reward Model、Simulation、Compiler、Kernel、Memory System、Chip、Interconnect、Datacenter、Energy 以及 Robot Lab。优化对象从单一模型扩展到整个 Intelligence Stack。 从这个角度看，RSI 的速度可以拆解为五个核心变量： RSI Speed = f(Model Capability × Experiment Speed × Reward Density × Automation Ratio × Compute) 过去几年，模型能力和算力提升最快，而实验速度、Reward Density 和自动化比例一直是限制因素。现在，这三个变量正在同时改善，并形成多个相互强化的反馈环。 Reward Density 提高，实验速度提升；实验速度提升，提高自动化比例；自动化比例提升，进一步增加迭代频率；更高的迭代频率提升模型能力；更强的模型又提升 World Model；更好的 World Model 再提高 Reward Density。 整个系统开始形成真正意义上的递归飞轮，而不是单变量增长。 因此，RSI 更可能表现为阶段性加速，而不是平滑指数增长。每当一个关键瓶颈被突破，例如 Evaluation、Simulation 或 Robot Lab，整个系统都会进入新的增长档位。 基于目前的发展节奏，可以将 RSI 粗略划分为四个阶段。 第一阶段已经开始。AI 能够辅助模型研发，但仍高度依赖人类完成实验、分析和决策，研发循环以周为单位。 第二阶段将在 World Model 和 Reward Density 继续成熟后出现。AI 将能够提出设计、完成 Simulation、自动 Evaluation、自动 Revision，人类只负责批准关键实验，研发循环压缩至小时级。这将是自动 AI Research 真正形成飞轮的起点。 第三阶段将随着 Robot Lab 普及而到来。Simulation 与自动实验室形成闭环，真实实验自动更新 World Model，整个研发流程实现 7×24 小时运行。现实世界逐渐从主要训练场转变为校准场。 第四阶段，也是 RSI 真正意义上的广义扩张。AI 不再只是优化模型，而是持续优化芯片、网络、能源、机器人、制造系统和整个智能基础设施。递归优化对象从 Software 扩展到整个 Physical Intelligence Stack。 基于上述路径，接下来最值得关注的是五个领先指标：AI 完成一次研发迭代所需时间；AI Model Design 的 Reward Density；World Model 对真实训练结果的预测精度；Simulation 与现实实验的一致性；以及整个研发闭环中自动化完成的比例。 这些指标共同决定了递归自我迭代是否真正开始进入加速阶段。 接下来，Simulation 将成为主要训练场，Reality 将成为最终校准场。 当 World Model 足够准确、Reward Density 足够高、Robot Lab 足够自动化之后，AI 将第一次拥有持续、自主、高频率优化自身的实验环境。这并不意味着智能会瞬间爆发，而意味着决定增长速度的约束正在系统性消失。 当研发系统本身成为优化对象时，递归自我迭代才真正开始。

这几天了解学习了一下 RSI，感觉这个或许是 Coding Agent 之后 AI 应用层下一个最大的方向。 RSI 的全称是 Recursive Self-Improvement，递归自我改进，这个概念在 AI 里非常重要，这意味着一个临界点。 在 AI 迭代的过程中，人类已经不是主角，旧一代的 AI 开始参与甚至主导新一代 AI 的训练过程，AI 自己发现自己的缺陷，自己提出改进方案，自己做实验，自己评估效果，这是一个完整的研发自动化闭环。 我想到 RSI 最大的一个优势在于，AI 不需要休息，不需要吃喝拉撒，单位时间的产出远远大于人类。 一个研究员每天有效工作时间可能是 8 个小时左右，但一个 AI Research Agent 理论上可以 24 小时不间断运行，而且在算力供应足够大的情况下，可以被复制出来成千上万个 agent，并行完成整个研发工作流。 这意味着 AI 科研从过去的碳基驱动变为硅基驱动，以算力为核心的 AI Infra 会变得越来越重要。 之前 OpenAI 传出来的内部讲话，Sam Altman 告诉员工，公司可能会推迟上市到 2027 年，其中一个理由就是大模型 RSI 递归自我改进，技术和世界可能会以意想不到的方式变化，而保持私有公司，对于 OpenAI 来说是更加有利的。 如果 AI 自己开始参与主导下一代 AI 的研发，那么像 OpenAI、Anthropic 这些模型厂商的估值逻辑，都会发生巨大的变化。 而从投资者的角度出发，AI 产业链的供需逻辑会被再次重估，算力、存储、电力甚至各大基础材料的瓶颈会越来越明显，上游卖铲子的这些公司仍然有着最高的确定性。

NVIDIA @nvidia 宣布与 Safe Superintelligence 达成长期战略合作。SSI 是由前 OpenAI 首席科学家 Ilya Sutskever 共同创立的 AI research lab。 根据官方公告，SSI 将获得 NVIDIA 下一代 Vera Rubin 系统的访问权限，使其算力规模提升一个数量级。 Reuters 另援引知情人士报道称，NVIDIA 将向 SSI 进行 50 亿美元股权投资。不过双方官方并未披露具体财务条款。 SSI 目前仍是一家高度保密的研究公司，重点不是推出商业 AI 产品，而是研究 safe superintelligence。

Codex 科研必备 Skills 1. Scientific Agent Skills | 31.7k⭐ 科研 Skills 百宝箱，包含大量科学数据库、计算分析、科研写作和可视化工具。 比较适合生物信息、化学、材料、医学和科学计算等方向。 2. Nature Skills | 31.1k⭐ 最近中文科研圈讨论度比较高的一套，覆盖文献检索、论文阅读、写作润色、科研绘图、统计检查、模拟审稿、投稿返修和实验日志。 需要说明的是，它是社区开源项目，并不是Nature 期刊官方推出的工具。 3. ARIS | 13.8k⭐ 全称是 Auto-Research-In-Sleep。 偏 AI、ML 自动科研，可以辅助寻找 Idea、规划并执行代码实验、分析结果、交叉评审和撰写论文。 4. AI Research Skills Library | 11.1k⭐ 覆盖模型训练、微调、后训练、RAG、多模态、GPU、实验评估、部署和论文输出。 更适合 AI、计算机和算法研究方向。 5. ARS-Codex | 7.1k⭐ Academic Research Skills 的 Codex 原生版本。 适合搭建从研究问题、文献调研、实验设计，到论文写作、模拟审稿和投稿前检查的完整科研工作流。 6. Research-Paper-Writing-Skills | 5.5k⭐ 偏 AI、CV、NLP 和 ML 论文写作。 适合辅助梳理 Abstract、Introduction、Related Work、Method 和 Experiments 等章节。 7. PaperSpine | 4.4k⭐ 专门解决论文主线混乱、创新点不突出，以及实验结果不知道如何组织的问题。 它更重视研究动机、核心贡献与实验依据之间的对应关系，而不只是润色句子。 8. codex-claude-academic-skills | 2.2k⭐ 面向中文科研用户的三件套，覆盖论文阅读与写作、Python / MATLAB 科学计算，以及Word、PPT 和科研图表输出。 9. paper-craft-skills | 896⭐ 适合论文精读、方法流程图、组会 PPT 和科研解读内容制作。 可以把论文转化成方法图、视觉化幻灯片和深度解读材料。 10. PaperJury Codex | 202⭐ 投稿前的 AI Reviewer。 可以对论文进行审稿、裁定、修改和复查，重点检查 Claim 是否过强、实验是否支持结论，以及可能存在的投稿风险。

@aleabitoreddit 还是太牛了，一个纯血传奇的前Reddit WSB交易员，绑定推特创作者收益才发过两次工资，两次工资就已经有8014美金了。。。。。。 现在在推特上面美股内容最具有影响力的人之一了，这可能跟她以前干的事情有关，她以前是RISC-V基金会成员和人工智能研究科学家之一， 现在的她已经转型为人工智能和半导体供应链中“未知瓶颈”的敏锐猎手了，她的内容很有参考价值， 而且最牛的是她今年的战绩！可以说截至目前她投资的回报率约为+3,840%至+4,500%左右， 再看看前两年累计的回报率是+22,560%，这已经是超过了226倍！！！ 我看她经常公开预测$AXTI，$SOI和$AAOI等等这些股票，并且基本都实现了10倍以上的涨幅，被彭博社和路透社引用她写的内容都已经成为常态了。 @aleabitoreddit @aleabitoreddit is truly amazing. A former Reddit WSB trader with pure-blooded legendary status, she's only received two paychecks from her Twitter creator earnings, and those two paychecks already totaled $8,014... She's now one of the most influential people on Twitter regarding US stocks. This is likely related to her past work; she was a member of the RISC-V Foundation and an AI research scientist. Now, she's transformed into a keen hunter of "unknown bottlenecks" in the AI ​​and semiconductor supply chains. Her content is highly valuable. And what's most impressive is her performance this year! It's estimated that her investment return rate so far is approximately +3,840% to +4,500%. Consider the cumulative return rate over the previous two years: +22,560%—that's over 226 times! I've noticed that she frequently makes public predictions about stocks like $AXTI, $SOI, and $AAOI, and these predictions have generally yielded gains of over 10 times. It's become commonplace for Bloomberg and Reuters to cite her writings