长期以来，AI研究者一直期待AI系统能比人类更高效地自我改进。如今，一家名为Adaption的新锐实验室正将这一愿景推向现实。本周三，Adaption正式推出AutoScientist产品，这是一款通过自动化微调帮助模型快速习得特定能力的AI工具，标志着AI训练范式的一次重要跃迁。

AutoScientist的核心创新在于它能够同时优化数据和模型本身。据联合创始人兼CEO Sara Hooker（此前曾任Cohere AI研究副总裁）介绍，该系统“协同优化数据和模型，并学习掌握任何能力的最佳方式”。这意味着AI训练不再完全依赖人类专家的手工调参，而是让模型在训练过程中自主探索最优路径。Hooker表示：“这让我们终于能够在大型实验室之外成功进行前沿AI训练。”

AutoScientist建立在Adaption已有的数据产品Adaptive Data之上。Adaptive Data旨在帮助用户持续构建高质量数据集，而AutoScientist则将这些不断优化的数据集转化为持续进化的AI模型。Hooker强调：“我们的理念是整个AI栈应当完全可适配，能够根据任何任务实时优化。”这种动态优化的思路，使得模型不再局限于静态训练，而是能够像科学家一样根据反馈不断调整策略。

从性能表现来看，Adaption宣称AutoScientist已将不同模型的胜率提升超过一倍。不过，由于该系统专为特定任务定制，传统的通用基准测试（如SWE-Bench或ARC-AGI）并不适用。这意味着用户需要在实际场景中验证其效果。为了打消疑虑，Adaption决定在发布后提供30天免费试用，让用户零成本体验其能力。

Hooker将AutoScientist与代码生成工具相提并论：“就像代码生成解锁了大量任务一样，AutoScientist将在不同前沿领域释放大量创新。”这种类比并非空谈：代码生成让开发者从重复劳动中解放，而AutoScientist则可能让AI研究者从繁琐的调优工作中解脱，将精力集中在更高层次的设计与探索上。

从技术角度看，AutoScientist的自动化微调机制解决了当前AI训练中的两大痛点：一是数据质量与模型性能的脱节，二是人工调优的高成本与低效率。通过将数据优化与模型训练闭环，系统能够自动发现数据中的冗余与缺失，并动态调整训练策略。这种“自我训练”的能力，使得AI模型在特定领域（如医疗诊断、金融风控、科学模拟等）能够更快收敛到更优解。

尽管AutoScientist目前仍处于早期阶段，但其免费策略和明确的技术路线图已引发行业关注。随着更多开发者试用并反馈，Adaption有望收集到大量实际用例数据，进一步优化算法。对于AI社区而言，AutoScientist的出现不仅是一款新工具的发布，更预示着一个新趋势：AI训练正从“人工驱动”走向“算法驱动”，而模型自我改进的梦想正在加速成为现实。