一家名為Core Automation的新興AI公司近日引發行業關注。這家成立僅數月的初創企業，憑借其創始團隊背景和技術路線迅速成為焦點——其核心成員包括前OpenAI研究副總裁Jerry Tworek，以及來自Anthropic、Google DeepMind等頂尖實驗室的多位資深研究員。
Tworek在OpenAI任職近七年，主導了o1、o3兩代推理模型的開發，并深度參與GPT-4后訓練及GPT-5部署工作。今年1月離職時，他在內部信中坦言，希望探索"在OpenAI體系內難以實現的研究方向"。這種轉向在幾周后播客訪談中更為明確——他直言OpenAI在模型競爭中落后于Gemini 3，根源在于頭部企業同時面臨三重壓力：追求模型性能、承擔巨額GPU成本、維持用戶增長，導致對高風險研究的投入意愿降低。
Core Automation的技術路線與此形成鮮明對比。公司官網聲明指出，單純擴大模型規模、數據量或采用靜態部署的"現有配方"已觸及瓶頸。其核心目標分為兩層：技術層面探索替代Transformer的新架構與持續學習算法，組織層面構建全球自動化程度最高的AI實驗室。這種雙重突破的野心，體現在其首個重點項目Ceres上——該模型試圖通過100倍減少訓練數據量，實現運行中持續更新權重，徹底改變當前每隔數月重新訓練的范式。
持續學習（continual learning）領域長期存在"災難性遺忘"難題：模型學習新任務時容易丟失舊知識。現有解決方案依賴定期重新訓練，不僅成本高昂，且每次更新都會部分犧牲先前能力。若Core Automation的技術突破成功，在機器人控制、工業自動化等需要長期適應具體環境的場景中，將顯著降低訓練成本與響應延遲。這種潛力使其融資計劃甫一曝光便引發震動——成立數周即啟動5億至10億美元融資，估值超50億美元。
公司當前團隊規模僅十余人，與OpenAI、DeepMind數千人的研發團隊形成巨大反差。這種"小團隊對抗巨頭"的策略，建立在極端自動化流程之上：通過AI代理系統自動生成研究假設、編寫代碼、運行實驗、撰寫論文甚至完成同行評審。盡管學界已有類似探索，但現有成果僅能處理簡單機器學習問題，距離前沿模型訓練尚有差距。Core Automation宣稱要突破這一界限，其官網將這套循環系統同時定義為產品邏輯與組織原則——用自動化釋放人力，聚焦更具野心的研究，再通過研究成果反哺自動化能力。
這種技術路線選擇并非孤例。近期涌現的多個新實驗室均試圖突破Scaling Law框架：Mira Murati創立的Thinking Machines Lab聚焦多模態智能體可靠性，Ilya Sutskever的Safe Superintelligence押注安全優先的超級智能，Yann LeCun的AMI Labs則主攻世界模型。盡管技術方向各異，但共同點在于：創始團隊均擁有主導前沿項目的經驗，融資規模與估值直接對標頭部實驗室，且都需在數年內證明其技術路線的不可替代性——要么推出能與GPT、Gemini競爭的模型，要么創造巨頭無法復制的核心技術。
對于Core Automation而言，時間壓力尤為顯著。其探索的持續學習與自動化研究領域，恰是谷歌、OpenAI等巨頭公開布局的方向，只是尚未取得規模化突破。資本市場對這類"技術叛逃者"展現的慷慨，本質是對前沿研究溢出效應的押注——當頂級研究員脫離大廠體系，其積累的行業認知與技術判斷力，可能催生顛覆性創新。但這種信任需要快速兌現：融資材料中提及的"自復制工廠""生物機器"等遠期愿景尚顯遙遠，近期目標已足夠艱巨——在算力與人才成本持續攀升的背景下，證明小團隊通過極端自動化，同樣能參與AI軍備競賽。
