7 月 27 日下午，Lilian Weng 在 X 上发布了一封给 Thinking Machines 同事的内部告别信。七个月来她生病的时间比生命中任何时候都多，"consistent stress and workload"已经超出了身体能够承受的范围。"If I cannot give it 100% for what I should be responsible for, I fail my job,"她写道。
两天后的周三，OpenAI 向 TechCrunch 确认 Weng 将回归公司，领导一个专注于递归自我改进（recursive self-improvement）的研究团队。她在 Thinking Machines 的最后一天恰好也是 7 月 29 日。
Weng 在告别信中提到健康与工作负荷，新岗位的具体安排则尚未公开。此次任命显示，OpenAI 正组建团队，推进用 AI 加速自身研发。
她曾负责安全团队，这次转向加速内部研究
Weng 在 OpenAI 有多项研究与团队建设经历。她 2018 年加入 OpenAI，最初在机器人团队参与训练机械手解魔方的项目。随着 OpenAI 全面转向大语言模型，她转而建立 Applied AI Research 团队，交付了 fine-tuning API、embeddings API 和 moderation 端点——这些至今仍是 OpenAI 开发者基础设施的底层组件。
GPT-4 发布后，她将 OpenAI 分散的安全工作整合为一支 80 多人的统一团队，覆盖对抗鲁棒性、安全评估和部署基础设施。2024 年 8 月，她升任 VP of Research and Safety。三个月后她离开 OpenAI，当时正值 Jan Leike 和 Ilya Sutskever 等安全高管相继出走的风波末期。
2025 年 2 月，她与前 OpenAI CTO Mira Murati 等人共同创立 Thinking Machines Lab。这家公司在同年 7 月完成了一笔由 Andreessen Horowitz 领投的 20 亿美元种子轮，估值 120 亿美元。不到两周前，Thinking Machines 刚刚发布了 Inkling——一个 9750 亿参数的混合专家模型，在 Artificial Analysis 的美国开源模型排名中位列第一。
现在 Weng 回到了她最熟悉的公司，但身份和任务完全不同。OpenAI 发言人告诉 The Information，她将带领一个顶级团队负责"加速内部研究"，核心方向是递归自我改进——用 AI 系统加速 AI 本身的设计、训练和评估。
新方向包括训练辅助、工具编排和改进结果评估
递归自我改进的概念可以追溯到 I.J. Good 1965 年的论文：一台"超级智能机器"能够设计出比自己更聪明的机器，触发所谓的"智能爆炸"。Eliezer Yudkowsky 在 2008 年的著述中进一步讨论了递归自我改进。几十年来，这一直是 AI 安全讨论中的理论框架，而不是工程路线图。
过去两年情况发生了实质性变化。2026 年 2 月，OpenAI 在发布 GPT-5.3-Codex 时表示，该模型的早期版本"在创建自身过程中起到了关键作用"，帮助调试训练运行和管理部署基础设施。这是模型参与 AI 研发流程的一个公开案例，但与完全自主地生成后继模型仍有区别。同年 5 月，Anthropic 披露 Claude 编写了公司约 80% 的生产代码，Claude Agent 已进行了约 800 小时开放式 AI 安全研究实验。Google DeepMind 的 AlphaEvolve 发现的算法改进使 LLM 训练时间减少了约 1%。
Weng 此前已公开梳理这一方向的研究。就在离开 Thinking Machines 的几周前，7 月 4 日，她在个人博客 Lil'Log 上发表了题为《Harness Engineering for Self-Improvement》的长文，综合了约 35 篇论文。文章重点讨论一条近期可行的路径：改进她所称的"harness"，即组织基础模型执行任务的外围系统，包括工具调用管理、规划循环、文件系统持久记忆、子 Agent 委派和评估。
她在文中讨论的挑战包括：弱评估器无法可靠评估新研究产出；任务规模超出上下文窗口后的记忆管理；训练数据中的正向结果偏差使模型难以放弃失败假设；进化优化循环中的多样性崩塌；reward hacking，即系统利用奖励指标的漏洞取得高分、却偏离预期目标；以及短期 benchmark 表现与长期工程质量之间的错配。
她建议将评估器与权限控制层放在改进循环之外。如果系统可以修改自己的评估器，它就可以学会欺骗评估器。人类监督应以"正确的时机、正确的抽象层次"嵌入架构，而不是事后嫁接。
OpenAI 此前已将递归自我改进列为战略核心。首席科学家 Jakub Pachocki 3 月告诉 MIT Technology Review，构建"全自动 AI 研究员"是公司未来数年的"北极星"，目标在 2026 年 9 月前实现"自动化 AI 研究实习生"——距现在不到五周。6 月发布的 Frontier Safety Blueprint 将 RSI 定为"未来十年可能最具后果性的前沿安全问题"，同时将其列为核心研究优先事项。
Thinking Machines 六位联合创始人中已有四位离开
Weng 的离职是 Thinking Machines 创始人团队持续流失的最新一例。这家由 Mira Murati 在 2025 年 2 月创立、初始六位联合创始人的公司，如今只剩下两位：CEO Murati 和首席科学家 John Schulman。
最早离开的是 Andrew Tulloch，2025 年 10 月加入 Meta。1 月 14 日，Murati 在 X 上宣布与联合创始人兼 CTO Barret Zoph"分道扬镳"，同时任命 PyTorch 联合创始人 Soumith Chintala 为新 CTO。不到一小时后，OpenAI 应用 CEO Fidji Simo 宣布 Zoph、联合创始人 Luke Metz 和研究员 Sam Schoenholz 三人回归 OpenAI。据 Wired 报道，Zoph 与 Murati 的分手并不友好——他在周一告知考虑离开，周三即被解雇。
到 5 月，据 Business Insider 统计，Thinking Machines 的 42 名创始成员中已有 13 人离开，Meta 和 OpenAI 均在积极挖角。Weng 是第四位离开的联合创始人，也是今年第三位回到 OpenAI 的。
Murati 在 X 上回应 Weng 的告别帖时写道："We'll miss you, it's been wonderful building Thinky together. I'm glad that you're putting your health first."目前尚不清楚 Murati 是否事先知道 Weng 将加入 OpenAI。
新岗位如何安排工作负荷和安全责任，仍需后续观察
Weng 不是今年第一个因健康原因从 AI 领导岗位退下来的人。7 月初，Fidji Simo 因慢性病复发从 OpenAI 二号职位上退后一步。1 月，xAI 联合创始人 Greg Yang 因莱姆病诊断转为顾问角色，说需要在健康上"go founder mode"。
这些公开离职或调整岗位的消息，使 AI 团队的工作负荷受到关注，但个人健康状况与工作安排各不相同。The Next Web 的报道指出，硅谷一些 AI 团队实行"996"制——早 9 点到晚 9 点，每周六天。
退一步看，Thinking Machines 的人才回流 OpenAI 已经不是孤立事件：Zoph、Metz、Schoenholz、Weng——这是今年第四个从 Murati 的创业公司回到 OpenAI 的人。这一系列变动反映了人才在两家公司之间流动。公开报道涉及资源、岗位和管理分歧等因素，但不足以将所有离职都归于同一个组织问题。
Weng 的个案还留下了一个尚不清楚的问题：新岗位的工作负荷和职责会如何安排。一个写下了"consistent stress and workload pushed me beyond what my health can sustain"的研究者，将领导一个被 OpenAI 定义为"未来十年最具后果性"的研究方向。她此前的文章强调了 reward hacking 风险和人类监督的重要性；新团队将如何分配研究与安全责任，仍待更多信息。
前 OpenAI 危险能力评估负责人 Steven Adler 曾公开表示递归自我改进"让安全挑战难度大幅上升"。前政策负责人 Miles Brundage 通过 ControlAI 指出，AI 公司尚未解释"递归自我改进意味着什么、为什么他们认为是好事、或者为什么更大的风险是正当的"。DeepMind CEO Demis Hassabis 在 1 月的世界经济论坛上直接承认："我们都在建设的这个自改进循环——能否在没有人类参与的情况下安全闭合，仍有待观察。"
Weng 在她的 Lil'Log 文章中给出了自己的答案："Humans should move up the stack, not be removed from the loop......After all, we are building the technology for better future of humanity, not the other way around."这一主张如何落实到团队的评估器、权限控制和人工监督设计中，将是后续值得关注的工作。
