2026年8月，上海交大人工智能学院的一间实验室里，工程师盯着屏幕上滚动的训练日志，一时分不清是兴奋还是不安。日志显示，一批又一批的训练样本在凌晨两点被自动生成、自动验证、自动入库——整个过程里，没有一位研究员站起来改过一个参数。这些样本不是工程师写的，也不是从网上爬的。它们出自模型自己。这支由上海交大人工智能学院、深势科技和上海算法创新研究院组成的"无尽前沿团队"，刚刚发布了BigBang-V1——一个参数规模35B、推理时只激活约3B参数的基座模型。而它最特别的地方在于：后训练阶段的数据，100%由AI自主合成，全程无需人类逐题参与。一个听起来有点循环意味的设定：让AI参与创造下一代AI，用AI生成的数据去训练AI。硅谷最贵的一个词，被中国团队先跑通了这个思路在硅谷有个专门的名字，叫Recursive Self-Improving——递归自我改进。它描述的是一种状态：AI自己出题、自己解题、自己给自己打分，然后把这些经验反哺回下一次迭代。这个概念今年在硅谷火得发烫。有顶级研究者在离开大厂后创办了新公司，主业就是探索AI自动化科学研究；连AlphaGo的缔造者之一也加入了同一条赛道。越来越多顶级研究者开始形成一种共识：与其继续等待人类手工标注更贵更稀缺的数据，不如让AI自己当自己的老师。但共识归共识，真正能把它落到模型上的人很少。难就难在"验证"这一环——AI出完题、解完题，谁来保证答案是对的？如果验证这关不过，AI只会用合成数据在错误的方向上越走越远，学界称之为"模型坍缩"。无尽前沿团队给出的解法，是把出题、解题、验证三道工序全部交给AI，但验证环节严格绑定"可验证的前沿任务"——那些答案可以被客观判定对错、证据链条完整可追溯的科学问题。正是这条路，让35B的BigBang跑赢了堆参数的大家伙。一个会自我纠错的"科研学徒"