28.5T→100T：智谱被曝光的"AI自己养自己"计划，跟你我有什么关系

"让AI自己改进自己"——第一次刷到这七个字的时候，你的第一反应是兴奋，还是心里咯噔一下？

这两种反应都很正常。兴奋的是开发者：模型变强的速度可能不再受人手限制。咯噔的是大多数人：连造AI这件事都要交给AI了，那我手里的活儿还稳吗？

为了搞清楚这事到底是科幻还是日程表，我这两天把智谱GLM-5.5相关的曝光资料和首席科学家唐杰近半个月的公开分享翻了一遍。结论先说：这不是科幻，但也远没到吓人的地步。

曝光材料里到底有什么

11月上旬，多名媒体和AI社区账号陆续拼出了GLM-5.5的研发轮廓。线索最早来自一名智谱研究实习生的公开个人资料，里面直接写着"下一代基座模型GLM-5.5"，以及编程后训练、量化金融训练环境、代码沙箱等工作内容。开源编程工具OpenCode的数据页面里，也悄悄出现过一个叫glm-5.5-flash的模型条目。11月2日，X平台上有人发现，涉及内部32B、122B、256B三档模型的后训练公开记录已被移除——删记录这个动作本身，反而让大家更确信这事在推进。

真正让知乎吵起来的，是流出资料里的两个目标：

**一是"100% RSI"。**RSI即递归自我改进，指AI改进自身、且改进后的AI能更好地改进自身。智谱的路径写得很具体：先从编程智能体做闭环，再向医疗Agent扩展，同时探索让编程智能体生成自己的训练数据。

**二是100T Token的数据目标。**唐杰近期披露，过往GLM的数据家底是网页1万亿页、文档20亿份、书籍5000万本、代码5亿个仓库、视频100亿条、音频3亿小时；GLM-5用了28.5T Token，下一阶段目标是100T——约3.5倍。

这不是PPT畅想。智谱已经跑过小型闭环：唐杰团队提出的HarnessPro，让Agent回看自己的执行记录、分析失败与浪费、再自动修改运行框架，单任务成本降了26.1%；GLM-5.3还驱动过一个Infra Agent，参与GLM-5.3-Flash推理基础设施的设计、调试与优化——模型反过来改进承载自己运行的系统。

大洋彼岸也在同频。11月3日，Anthropic在招股补充文件的风险提示里罕见承认：公司已用AI开发新模型，且可能很快触达自己定义的RSI标准。而李飞飞和Jeff Dean在斯坦福HAI大会的闭幕对谈里则给硅谷泼了冷水：自动调参不等于RSI，别把概念炒过了头。

两个数字背后的真问题

把资料读完，我发现最值得普通人注意的，不是"AI要觉醒了"，而是两个特别朴素的约束。

**第一个约束：人类的好数据快不够用了。**曝光材料自己承认，高质量公开文本供给不足30T Token，而目标是100T。缺口怎么补？只能让AI生成数据喂AI。这才是"100% RSI"的真实动机——不是造物主的野心，是数据墙逼出来的工程路线。理解了这一点，你就不会把它读成科幻恐怖片。

**第二个约束：AI怎么知道自己变好了？**唐杰10月31日提出"规模化正确性"，又把系统识别"一次修改是否带来真实提升"的能力称为"自净化"。换句话说，自我改进的瓶颈不在生成，在验证。这一条对普通人是直接可用的：你用AI写方案、改代码、做报表，决定质量上限的从来不是模型多强，而是你有没有能力判断它这次输出是变好了还是变糊了。会验证的人，才吃得到AI加速的红利——大厂如此，个人也如此。

顺带一提，还有个成本细节特别接地气：智谱曾考虑做每秒约1000 Token的超快版本，但那个配置下一台机器只能服务一个用户，最后只能降速换并发。看，再前沿的技术，最后也要向"用得起"低头。

这张"黑话翻译表"，值得你留下来

对咱们普通人，我的建议就一句：不用追着GLM-5.5的爆料焦虑，但可以现在就把"和AI协作+自己把关"这个循环练熟——等下一代模型真来了，你要换的只是引擎，方向盘早就在你手里。

平时我在 spark1.cn（AI家园）的工具库 /tools/ 里维护了一份持续更新的AI工具清单，从写作到编程都有免费入口，适合零基础先把循环跑起来。