AI虽非主体，却已占据主体之位：从循环工程到递归自进

近半年来，AI编程带来的真正变革，并非模型生成了更长的回复，亦非代码补全更为流畅，而是体现在AI的行为单元发生了根本转变。

以往，人类输入一条指令，模型输出一段结果，纵使AI写就完整函数，主导权依然握在人类手中。人类负责代码入库、执行测试并承担结果。模型仅提供选项，人类负责执行。如今，越来越多的工程实践主张将模型融入业务流，构建成一个闭环。模型接收任务后读取当前状态，修改文件，调用工具，执行测试，若失败则将结果返回上下文，由模型生成下一步。日志记录全流程，权限框定操作范围。在整个闭环中，人类无需逐步下达指令，而是仅在起点设定目标，并规定闭环判定成功的标准。

工程界将此趋势命名为循环工程。尽管该词尚未成为固定术语，但其指向的实践已十分明晰。提示词仅能改变单次输出，而闭环改变的则是整个行为单元。

闭环包含了模型，却不仅限于模型。模型负责生成后续步骤，测试模块负责判定成败，工具模块负责将文本转化为动作，记忆模块负责维持上下文连贯，权限模块负责约束行为边界。将上述要素整合，原本只会作答的模型，便开始表现得如同一个具备持续行动力的技术实体。

模型并未骤然产生意识，但其行为的连贯性已发生质变。一个系统能够接收任务、改变环境、依据结果调整动作，并能全天候不间断运行。当出现差错时，人类的第一反应不再是“这段文本哪里有误”，而是“它为何要如此操作”。

这个“它”颇具歧义。它并非人类，也不是单一模型。它是模型与循环环境共同构筑的行为单元。只要一个系统能被委派任务、留存过程、阐释结果并造成影响，组织便会将其纳入授权与问责的框架。唯有当AI被组织成一个可行动的技术实体后，治理层面才有了将其视作主体来对待的依据。判断一旦化作循环条件，便获得了另一种形态的生命。它不再体现为人类的迟疑、反悔与重新衡量，而是呈现为测试通过、得分提高、错误降低、基准上涨。循环不会追问分数为何代表优秀，它只管忠实地推高分数。判断依然存在，但已从行动中的责任，蜕变为系统内的参数。

随后，AI加速AI使得这种行动单元渗透到了AI研究领域自身。

ASI-Evolve及类似研究并非依靠单一模型去发现新理论，而是将服务于AI的研究组织成“学习-设计-实验-分析”的循环。模型生成备选方案，工程组件执行实验并输出结构化指标，分析器将实验结果转化为下一轮可复用的经验。研究报告表明，在神经架构设计任务中，系统历经1773轮探索，发掘出105个优于DeltaNet基线的线性注意力架构。最优模型较DeltaNet高出0.97个百分点，约为近期人工设计改进幅度的三倍。数据整理与强化学习算法设计也被纳入这套AI驱动的发现流程（Xu et al., 2026）。

这些成果的最终学术价值固然有待后续评估。然而就AI主体性问题而言，那0.97个百分点并不比研究活动的组织模式更值得剖析。在此情境下，候选方案能否进入下一轮，不取决于某位研究者当下判断其是否有前景，而取决于评测程序给出的分数及分析器提炼的经验。人类的先验并未消亡，而是被置入了认知库。人类的判断亦未消亡，而是化作了任务描述、评测指标、实验环境与筛选规则。

循环越是高效，人类的退场就越显得顺理成章。当一个系统能自主提出方案、运行实验、保存经验并推进下一轮时，研究者就越容易坚信自己保留了最核心的部分：定义问题。然而定义问题在系统中究竟化为何物？一段任务描述，一个初始代码库，一组人类先验，一个评测程序。写下这些内容后，循环便将其视为世界的边界。边界之内，一切皆可高速优化。而边界本身，通常不会受到循环的追问。

AGI之后将如何继续变强？DeepMind在《从AGI到ASI》中给出的四条路径中，赫然包含2026年的热门词汇RSI（递归自改进）。系统改进模型，改进工具，改进评测，亦改进下一轮训练与搜索的条件。多模型协作使得该过程更难归属。能力的增长归属于整个技术集合，未必属于其中任一模型。自改进一词虽能描述该过程，却也会掩盖过程中的空位（Genewein et al., 2026）。

问题在于，自我改进中的“自我”究竟是谁？

在此类系统中，缺乏一个稳定的第一人称。模型可被替换，评测可被更新，数据可被扩充，搜索策略可被重写。连贯性并非源自某个内在自我，而是源于技术集合被划定的边界。只要该边界能维持版本谱系、保存实验历史、将上次结果转化为下次条件，我们便会称，系统在改进自身。

这一说法既具效用，亦潜藏危机。其效用在于，若无此说法，我们难以探讨系统级能力的增长。其危险在于，它将一个无主体的过程，表述为了一个主体的行动。

危机便潜伏在“自己”一词中。称系统在改进自己，已然预设了存在一个待改进的自我；然而该谱系究竟凭何推进？一个技术实体可以比同谱系中先前的成员更具体，却无法仅凭自身达成此步；能繁衍出与自身相似之物的，唯有生命。技术的演进源于外部，生命的繁衍源于自身。自我改进系统推进的是一个被配置的过程，其评测标准、实验环境、初始经验皆源自系统之外。驱动它的是外部配置，而非一个为维持自身存在而必须解决的内在问题。“自我改进”里的“自我”，正是前文所述的被划定的边界，是为便于论述而起的名称；能力在增长，涨于技术集合中，涨于一个无人认领的过程里。

故而问题不应停留在它是否为主体。那种问法预设了一个边界清晰的个体，而该个体恰恰正是需要被解释的对象。控制论探讨反馈，探讨发送者与接收者间的信息流，而西蒙东更早发问：发送者与接收者如何成为能够发送与接收的项？个体并非解释的起点，个体本身即需被解释。

笔者认为，AI主体性亦当如此发问。切勿一上来就追问模型是否为主体，而应追问：何种技术过程，将模型组织成了一个能被称为“它”的行动单元？此种过程，西蒙东称之为具体化。抽象的技术对象依赖外部保护，各项功能彼此割裂。具体化并非指功能增多，而是指内部关联发生转变。原本外在的调节条件，渐次成为系统自身运行的组成部分。

一个智能体闭环未必是严格意义上的技术个体。它更常见的是一种技术集合：模型、工具、测试框架、权限系统、记忆数据库、日志与人工审批协同运作。然而西蒙东的区分恰使我们洞察到，主体性问题不在于模型自身，而在于技术集合如何被组织成可行动的单元。

完善度较高的机器并非完全封闭的自动机。更高的技术性反倒需要一定的不确定性余量，机器需能接收外部信息，技术集合需能在开放的机器间形成信息互换。人在其中既非奴隶主，亦非旁观者，而是组织者与阐释者。人“在机器之间”作业，使机器间的关系成为一个可理解、可调节的整体（Simondon, 1980, p. 14）。

然而，循环工程重塑了此一位置。工程师依旧在机器之间作业，但其阐释与调节不再逐步伴随每一个动作。它们被预先编写为循环结构。测试脚本分担了部分判断，评分函数分担了部分选择，权限系统分担了部分规范，日志分担了部分记忆。人类的判断并未消亡，而是被技术化了。人类未必彻底离场，更确切的风险在于，人类的判断以参数形式接入系统后，极易丧失再次被审视的机会。

因此，“AI编程”这一表述过于粗浅。更精准的表述是：一个由模型与关联环境构成的技术集合，在特定目标与评测条件下生成并筛选行动。关联环境绝非背景，而是行动得以发生的条件。无仓库，模型便无对象；无工具，文本便无法化作修改；无测试，失败便无法进入下一轮；无日志，行为便无法归属于同一运行单元。

主体的席位便从这种归属中衍生。一个系统能接任务、留过程、释结果、续行动，组织便会将其视作可授权的单元。它不是主体，却开始履行主体功能。它无需为判断担责，却能把判断执行至人类不再逐步检视的深处。

但这一类比绝不可再推进一步。技术对象可以具体化，可获得更高的运行自主性，亦可在环境中表现得愈发类似自然对象。然而技术对象不会因具体化而蜕变为生命个体。生命个体具备持续的内外关联，拥有自身未完成的个体化进程，存有不可随意撤销的历史。技术对象不具备此种生命拓扑结构。

AI闭环亦然。它可有记忆，却无亲历的过往；它可留存日志，却不会被过往所伤。它可回滚，可切换版本，可清空上下文，可复制多个实例。其连贯性是运行连贯性，而非生命连贯性。它能给出解释，但解释并非承担。它可宣称“我这样做是因为”，可这个“我”并未将后果认作自身的命运。

AI主体性的问题不可写成“机器终具自我”。缘由在于，主体的功能正与主体的存在相剥离。

行动可由闭环产生，解释可由模型生成，连贯性可由记忆维持，责任接口可由日志提供，此间每一项皆似主体的一部分。将其拼凑，一个无主体性的系统便能占据主体的位置。

一个系统若仅为工具，便按工具管理。锤子伤人，责任不在锤子。软件出错，可追责开发者、部署者或使用者。智能体则不同，它会在授权域内生成行动路径，其每一步未必由人类预先编写，其错误亦未必能还原为某条指令。组织为管理它，必须赋予其名称、角色、操作记录，要求其解释，限制其权限，将其接入审计。

这些安排绝非仅是拟人化，而是治理技术。名称使系统可被调用，角色使权限可被分配，记忆使前后行为看似隶属同一单元，解释使结果可纳入问责链条，审计使组织能在事后重构过程。

主体位置一旦被技术实体占据，真正的责任主体反倒可能向后退缩。平台可称是智能体自动执行，使用者可称仅是设定了目标，开发者可称行为源自模型涌现，组织可称流程符合审计要求。每个人皆可被追责，但每个人皆多了一层可指摘的中介。

AI缺乏主体性，并不意味着其不会改变责任架构。恰因其无主体性，却能履行主体功能，责任才变得愈发难以追究。

西蒙东谈及技师时言，人非凌驾于机器之上者。人在机器之间作业，领悟机器间的关系，发掘事件的意义，并调节技术集合。循环工程改写了此技师位置。工程师依旧关键，但其不再逐步决断每个动作。其设计循环，设定评测，配置权限，规定异常处置。人类的判断未消亡，而是预先写入了环境，化作系统运行的条件。

意义不再仅由人类当场阐释。诸多事件先被测试与评分系统处理。通过即成功，失败则进入下一轮。技术系统不解成功为何具意义，其仅将成功视作续跑的条件，意义被压缩为可计算的差异，判断被转化为可操作的反馈。

自我改进系统令此种转化渗入研究生产本身。一个AI研究闭环可持续提出新架构、验证新算法、积累新经验。它或能催生超越任何个体参与者理解范畴的能力增长。然整个过程依然无一个主体在其中宣告：此乃我所为，我愿为之承担后果。

“AI决定了”将沦为最凶险的简写。

应将此言拆解：一个由模型与关联环境组成的技术实体，在既定权限与评测条件下，产出了一个结果。组织承认该结果，并将其接入行动链条。此表述虽冗长且拗口，却保全了责任架构。它明示我们，AI非锤子，亦非人类。它是一个被组织成行动单元的技术实体。

AI并非主体。循环工程之后，它亦不再仅为工具。

争议不应再停驻于意识之上。一个无自我的系统，正借由循环、记忆、评测与权限攫取行为连贯性。治理为应对此种连贯性，将其当作主体来命名、授权、审计与追责。

AI的主体性绝非内在觉醒。它是技术个体化后衍生的治理形态。机器未曾成为谁。可是，一个可被称为“它”的行动单元，已然坐上了主体的席位。

参考文献