AI开始造AI了：十几小时造出一个气象大模型，研发提速52倍意味着什么

过去造一个专业AI模型，一个团队要忙上大半年。现在，这个周期被压缩到了十几个小时。

据央视新闻近日报道，上海人工智能实验室一支由”00后”学生组成的科研小组，用”模型研发模型”的新范式，仅用十余小时就完成了一个参数量超4亿的天气预报大模型开发。这个模型能学习69个气象变量随时间的演化规律，1分钟内预测未来一周的全球天气。

同一条报道里还藏着两个更劲爆的数字：国外某头部大模型公司公布的内部实验显示，训练小型AI的研发加速倍率，已经从2025年5月的3倍，飙到了2026年4月的52倍。上海人工智能实验室的调研则显示，在模型自进化项目中，90%的工作由AI参与完成。

大模型行业正在进入一个新阶段：AI不仅被人用，还开始被人”雇佣”去造下一个AI。

十几小时是怎么做到的

拆开这个气象模型项目，工作流大致是这样的：

这就是”AI造AI”的典型分工：人从写代码的角色退到了定标准、做验收的角色。传统流程里最耗人的架构设计、超参搜索、训练监控环节，被智能体接管了。

上海人工智能实验室把这套东西称作”大模型自进化”。研发范式从人手搓代码，变成了多智能体分工协作。非AI专业人员也能借助这套流程快速完成专业模型的开发，技术门槛大幅降低。

国外头部公司的内部数据值得细看：训练小型AI的研发加速倍率，一年不到的时间里从3倍涨到52倍，曲线几乎是垂直的。

这说明”AI研发AI”的能力在以远超摩尔定律的速度增长。2025年中，AI帮你研发还只是”提速一点”；到了2026年中，同样一个研发任务，AI参与的产出效率已经是纯人工的几十倍。

对行业的影响至少有三层：

小模型赛道爆发。既然AI能快速、低成本造出专用小模型，企业就没必要事事调用千亿参数通用大模型。为天气预报、代码审查、客服质检这类垂直场景定制模型，成本会持续下探。
研发人力结构变化。算法工程师的核心工作从”设计模型”转向”设计研发智能体的工作流、审核产出”。会管AI团队的人，比会手写模型的人更稀缺。
科研民主化。气象、材料、生物这些领域的科研团队，不需要养一支庞大的AI工程团队，也能用自进化流程做出自己的专业模型。

“AI造AI”并不是中国独有的叙事。

OpenAI在2025年就提出过让模型参与自身研发的路线，Anthropic的内部报告也提到其代码库90%以上的合并改动由Claude完成。谷歌DeepMind的AlphaEvolve用进化算法让Gemini优化算法代码，在某些计算任务上改进了矩阵乘法这类几十年没动过的底层实现。

上海实验室的案例把这条路线的门槛压到了新低：一支学生团队，十几小时，一个能用的专业大模型。这在全球范围内都算是激进的速度。

还有一个细节容易被忽略：”00后”学生成了主操作者。这批研究者成长于AI工具完备的环境，他们的工作方式天然是”指挥模型干活”，很少逐行手写实现细节。这批人接棒后，AI主导研发的比例只会更高。

热潮之下也有几个问题没解决。

质量归谁负责。 AI能在十几小时里搭出网络、跑完训练，但模型预报偏差的责任仍然落在人类团队头上。自动化程度越高，人工验收的难度越高——你很难在几小时里复核AI几十小时做出来的东西。

误差会不会累积。 用模型造模型，如果上游的设计缺陷没被发现，下游的训练会把它放大。目前的自进化项目大多有人在环，纯无人化的全自动研发还没有被证明稳定。

算力账单仍在涨。 研发时间压缩了，训练消耗没少。45000步训练背后的算力开销，仍然只有少数机构负担得起。

这条新闻对个人开发者其实是利好。

自进化流程把”造模型”的门槛拉低了，意味着个人和小团队也能参与垂直模型的开发。动手路径可以很具体：

模型造模型的时代刚开头。谁先学会指挥一支AI研发队伍，谁就先拿到下一代工具的定价权。