跳转至

Dhaval Adjodah & Owen He（MakerMaker.AI 联合创始人）

来源：a16z / MakerMaker.AI（2026-10-12）

专做递归自我改进（RSI）的创业公司 MakerMaker.AI 的两位联合创始人。本库的唯一收录来源是 a16z 2026-10-12 那期（Martin Casado 主持），⚠️ 公司当时尚未公开发表任何 RSI 结果——节目里对"什么时候能听到更多"的答复只有两个词："很快。"（[00:31:22]）

  • Dhaval Adjodah：自述 "我把自己看作某种物理学家"——学物理，之后在 MIT Media Lab 做强化学习方向的 PhD（[00:01:00]）。他在本库里的声音是控制论 / 微分方程式的：分子-分母框架、"闭环不等于起飞"、普朗克极限、以及公司内部那套测量纪律（bleederboard、Viceroy of Variance）。
  • Owen He：自述先学数学，上了一门形式语言与逻辑的课，看到如何构造定理证明器，于是"想造一台替我证定理的机器"，由此进入 AI；PhD 做持续学习（continual learning）与元学习（meta-learning），之后在 DeepMind 做了几年研究科学家（[00:01:00]）。他在本库里的声音是元学习 / 形式化框架式的：optimizer-optimizee 判别式、"统一框架 vs 集邮"、智能是多维向量 + Amdahl 定律。
  • ⚠️ 第三位被点名但未出场的人：Dhaval 开场说"和 Owen 还有 Grace 一起做"（[00:01:00]）。⚠️ 节目简介只列了两位联合创始人，本库不推定 Grace 的角色。
  • ⚠️ 说话人认定说明：来源转录稿无姓名标签、只有 >> 换人标记。两人的身份由自述确认（Dhaval 点名 Owen 所以不是 Owen；Owen 自报 "My name is Owen"），但两人之间的逐句归属由本库按论述语域 + 轮次边界判断，属编辑判断；视频页对边界不清处统一写"创始人一方"。详见 视频页开头的认定依据。

立场与关注点

来源：a16z / MakerMaker.AI（2026-10-12）

把 RSI 还原成一个判别式

来源：a16z / MakerMaker.AI（2026-10-12）

  • ⚠️ 他们认为 RSI 是个被过载的词，而区分它的办法只有一个问题：优化者（optimizer）是谁，被优化者（optimizee）是谁（视频页 [00:02:00]）。人借 AI 工具去改进 AI = 自催化（autocatalysis），因为"想法和改进仍然来自人脑"；RSI = 把两者互换，agent 的大脑（那个 LLM）本身成为被优化的对象，由此得到"认知改进对自身的再投资"（[00:04:01]）。
  • ⚠️ 这条与 Martin Casado 在 2026-09-18 给出的术语标准是同一条（"他们说 RSI，讲的其实是自催化，而其中只有约 1% 真的是 RSI"）。⚠️ 本库认为这一期的特殊之处在于：被盘问的一方不但接受了这个区分，还主动把判据提得更高——把人力与实验心力也要进分母（[00:10:04]）。
  • ⚠️ 控制论上的理由：自催化没有闭环——"你改进了什么，那里还是有个缺口，人必须进来"；而闭环的区别在于边际收益"保持恒定、或者随时间变大"（[00:04:01]–[00:05:01]）。

分子 / 分母框架（本库认为这是他们最可迁移的贡献）

来源：a16z / MakerMaker.AI（2026-10-12）

  • 把"能力提升速率"写成 分子（性能）/ 分母（成本或难度），并指出分母天然上行（能力越高，下一步越难）（视频页 [00:05:01]）。
  • ⚠️ 三种情形：分子固定 → 平台化（历史上所有技术跃迁，蒸汽机那类）；分子与能力一次相关 → 恒定速率的改进（"这可以算 RSI 的一个层级"）；分子与能力的更高次幂相关 → 指数起飞（[00:06:01]）。
  • ⚠️ 而他们自己给出的那条声明是本库该跟踪的（[00:22:14]）：问"分母固定甚至下降、分子继续涨，可能吗"，答 "不只是可能。我认为它正在发生。"；被问是否是信念时答 "它不是信念。它是经验测量。" ⚠️ 本库记为自述、无数据、未发表。

闭环 ≠ 起飞（本库最该从他们这里借走的一条克制）

来源：a16z / MakerMaker.AI（2026-10-12）

  • ⚠️ "人们一看到圈加箭头，就说起飞"——但这是非线性控制系统，"要知道到底会发生什么是非常困难的"（视频页 [00:06:01]–[00:07:01]）。
  • ⚠️ 没有解析解："写下那个微分方程是可能的，但你仍然必须经验地测量那个指数"；"我们连深度学习的学习理论都没有……我们手上最接近的是 scaling law，而那些是经验定律"（[00:08:01]）。
  • ⚠️ 起飞的物理天花板：到某点会撞上普朗克常数 / 长度 / 能量 / 时间，所以会渐近；上界的粗算是"宇宙里 10 的 80 次方个粒子 × 光速"（[00:23:14]，⚠️ 口述粗算，本库不作为严格论证）。
  • ⚠️ 而更实际的一条是度量问题：用基准准确率看，上界是 100%，所以永远看不到指数改进——"如果我们没有正确的指标，我们怎么可能知道某个东西已经起飞了？"（[00:24:15]）与 Vals AI 的 RSI 指数 构成同一问题的两端。

人类是系统里的一类 agent

来源：a16z / MakerMaker.AI（2026-10-12）

  • ⚠️ 他们明确反对"用 AI 替换人"这条默认路线（视频页 [00:08:01]、[00:21:13]）："人们对我们的 RSI 路线有一个误解，是以为整个系统必须完全自动、完全数字化"；他们的数学基础是一个多智能体系统，人类研究者和工程师是这些 agent 的一个特例，整个公司被看作"人类作为一种与 AI agent 共栖的 agent"。
  • 配套的设计原则：⚠️ "任何你不去优化的东西，later 都会变成你的瓶颈。"（[00:09:02]）

做在哪一层：从 prompt 到芯片，而且必须协同优化

来源：a16z / MakerMaker.AI（2026-10-12）

  • ⚠️ 层级枚举：prompt、harness、weights，一路下到芯片；"我们的目标是优化栈的所有层级"（视频页 [00:16:10]）。
  • ⚠️ 反对只做一层的理由是机制性的："weights 和 harness 不是孤立的组件，它们彼此有影响"（[00:16:10]）。
  • 自述的推进顺序：先 harness（因为在意分母、要资本高效）→ 再 weights；"你拿到更多收益，但你仍然必须做 harness 那边的事"；猜测需要"对系统很多不同部分做大量协同优化"（[00:17:11]）。
  • ⚠️ 这条与 Ali Ghodsi 的实测数字 互为印证：同模型同版本，换 harness 成本差近 2 倍（a16z 09-18 [00:54:20]）。

为什么选推理，以及"是 agent 在决定优化什么"

来源：a16z / MakerMaker.AI（2026-10-12）

  • 选题标准本身递归：挑尽可能贴近 AI 本身、且能同时改进分子与分母的领域；推理是其中之一（视频页 [00:17:11]–[00:18:11]）。
  • ⚠️ 商业定位很直白："我们是一家创业公司，不是研究实验室"——"现在全世界每个人都想自己服务自己的模型"，想尽可能高效地服务最新的开源权重模型，"所以这在当下是一个经济上极其重要的问题"（[00:18:11]）。
  • ⚠️ 最该记的一条产品形态（[00:19:12]–[00:20:12]）：系统里有多个 LLM，而用哪个 LLM 做哪件事"也并不总是由我们决定，我们让模型自己选"；"今天真的不是我们在决定要优化什么，是我们的 agent"。问是否有一个写着"改进你自己"的主提示词，答 ⚠️ "但连那个主提示词也一直在被改进。" 并补了结构："有那个做改进的东西，但你还必须有那个知道要改进什么的东西，这两个都是动态问题，而且强耦合。"

在噪声里判断结果真假（本库认为这是他们最有操作价值的部分）

来源：a16z / MakerMaker.AI（2026-10-12）

  • ⚠️ 他们对同行结果的复现经验："很多声称在做 RSI 的论文，当我们在自己的内部基础设施里测它时，发现它们不工作"——复杂、内省出来的酷想法能发好论文，但在规模上、在基准上、在真实经济问题上不 scale；"那个更简单、能把环闭上的东西，才是能 scale 的东西"（[00:13:07]）。
  • ⚠️ 他们为什么还没发布："因为我们如此周密，我们在完全确定正确之前不会把东西放出来"；而每隔几个月有人发 RSI 相关成果，"我们去看它、试着复现它，然后意识到：哦，这是噪声，这是 cherry picking"（[00:24:15]）。
  • 三条具体机制：
  • ⚠️ bleederboard：不是记分数的 leaderboard，而是记每个人跑实验的成本，任何人任何一天都能看谁排在高位（[00:11:05]）。
  • ⚠️ Viceroy of Variance（方差总督）：一位工程师的全职工作就是"去摧毁我们拿到的结果、找出哪里不对"；还配了发现坏方差时"眼里射出红色激光"的 Slack emoji（[00:25:15]）。
  • ⚠️ "quality time"，他们明确说没找到替代品：跑几百个实验、盯着它、培养直觉，分辨什么是方差、什么是"往下两层的奖励黑客——那个造出那个 agent 的 agent 造出的那个 agent，黑了点什么"（[00:26:15]）。
  • ⚠️ 他们承认退化行为：会振荡（"变好、变坏、再变好"——"绝对会"）；agent 根本上超级随机；⚠️ 甚至有来自硬件的怪噪声——"它们都是 B200，但在物理层面有略微不同的行为，而你能看到其中一部分在高层被复现出来"（[00:26:15]–[00:27:16]）。

哪些领域不会被 RSI 加速

来源：a16z / MakerMaker.AI（2026-10-12）

  • ⚠️ "智能不是一个单一标量，它更像一个多维向量"——有些方向起飞，有些方向平台化；决定性因素是"里面最慢的那个组件"（视频页 [00:27:16]）。
  • ⚠️ 然后直接套 Amdahl 定律：数字部分可以快一千倍一百万倍，但如果它只占总时间 20%，你只拿到 20% 加速（[00:28:18]）。
  • ⚠️ 据此给出的分界，本库建议当作第一道筛子：需要移动原子、与物理世界交互的领域仍被卡住——药物发现要湿实验室 + 临床试验，每个新想法要过几个月的评估；"所以那些领域大概不会像编程或数学那样被加速——后者有非常快而且便宜的评估"（[00:28:18]）。

"威斯康星那家浇花水管公司"：对整个领域选题的异见

来源：a16z / MakerMaker.AI（2026-10-12）

  • ⚠️ 公司内部的段子："RSI 的秘密藏在威斯康星州某家浇花水管公司里"（视频页 [00:29:19]）。
  • 论证用相对论/GPS 搭：如果没有相对论，设计 GPS 的工程师只能经验地凑一个时间修正项（fudge factor），还会说"显然不是时空在收缩"；而后来人们才发现那就是时空在收缩（[00:30:21]）。
  • ⚠️ 落点是对领域选题的判断："现在的 RSI 被想成'让我们去解所有这些超级难的、时髦的问题'。但我们认为，真正的挑战大概存在于那些还没有被应用到的空间里。"（视频页 [00:30:21]）⚠️ 本库把它与 Ali Ghodsi 的 ontology 诊断（"模型已经足够聪明了，它们缺的是组织内部的 context"）并列为同一条假设的两个来源：难度不在前沿，在前沿没有去的地方。

呼应与分歧

来源：a16z / MakerMaker.AI（2026-10-12）

  • 与 Martin Casado：⚠️ 术语上完全一致（自催化 ≠ RSI），但 Casado 在本期始终守住"分母"这一侧的怀疑——"除以这些公司实际融到的资本，那就不再是这样了"、"那肯定是分母不是分子，你想看到的是对 GPT-5 做这件事，而我们没看到"（视频页 [00:09:02]、[00:12:06]）。⚠️ 而他指出的那个空缺至今无人回答：没有人给过"把这件事提升 X 需要多少净新增能量"的边界（视频页 [00:28:18]）。
  • 与 Ali Ghodsi 的四条判据：⚠️ 两套框架高度兼容但口径不同。Ghodsi 要下一个模型超线性地更省 GPU、更省时间、更准、且可反复；本期这套把它压成一个比值（分子/分母），⚠️ 而本期的声明恰好正面回应了 Ghodsi 的第 1、2 条（"分母在降、分子在涨，正在发生"）——只是没有数据。本库把这记为一条待兑现的对接。
  • 与 Richard Socher：两家都是专为 RSI 创业的一方，⚠️ 但本期更保守：Socher 那期给的是第一批可查的战果，本期明确说还没发布、并把"复现别人结果发现是噪声"作为理由。
  • 与 Ryan Greenblatt / John Schulman 等人的 "bits 从哪来"：⚠️ 本期几乎没有碰 bits 这条线——他们的论证完全在成本会计与控制论层面。本库记为互补而非冲突：bits 之争问的是"分子的上限在哪"，本期问的是"分子分母的比值长什么样"。
  • 与 Andrej Karpathy：⚠️ 本期把 nanoGPT 速通 当作"分母能被持续改进"的现成存在性证明（同一块 GPU、同样的数据，从多卡数周到单卡数小时，成本降到百美元级，"很多是 auto research 的结果"，视频页 [00:11:05]）。⚠️ 而 Casado 当场把它限定为"只是分母"。本库两条并记。

收录来源

日期 视频 主要内容
2026-10-12 "它不是一种信念，它是经验测量"：RSI 的分子/分母框架（a16z，Martin Casado 主持） optimizer/optimizee 判别式、分子/分母框架、闭环 ≠ 起飞、人类作为一类 agent、除以融资额的追问、bleederboard、nanoGPT 作为分母证明、"业界守得最严的秘密"、为什么多数 RSI 论文不 scale、统一框架 vs 集邮、栈的层级与协同优化、为什么选推理、是 agent 在决定优化什么 + 主提示词也在被改进、"它不是信念，它是经验测量"、Viceroy of Variance / quality time / 两块 B200 的物理噪声、智能是多维向量 + Amdahl 定律、威斯康星的浇花水管公司