AI外科医生：无需训练，直接修改神经网络
TREE NEWS 报道， 麻省理工学院计算机科学与人工智能实验室（CSAIL）的研究团队展示了一项名为「权重空间编程」的技术：让一个强大的语言模型直接编辑另一个模型的权重，从而提升其性能——全程无需训练、无需数据、无需梯度下降。实验中，OpenAI的GPT-6 Astra对开源模型Qwen3.5-0.8B进行了「手术」，仅用20小时就将其在MATH-500基准上的数学得分从7.9%提升至48.1%。
精准手术：0.016%的参数改动
Astra获得了数学练习题、可读写模型权重的Python环境以及有限次数的推理调用权限。它诊断出模型第15层和第19层存在导致重复输出的「数值方向」，并从64个输出列中减去该方向，仅修改了131,072个权重，占总参数的0.016%。效果立竿见影：数学成绩提升6倍，GSM8K从13.8%升至67.1%，指令遵循从21.0%升至62.3%。
研究团队强调，Astra并未注入新的数学能力，而是移除了阻碍模型发挥已有能力的障碍。在重复输出问题较少的Gemma 3 270M模型上，同样的方法几乎没有效果，印证了这一结论。
不止于数学：读写神经「基因组」
该技术的潜力远不止算术。Astra仅通过检查权重，就能识别出四个架构相同的Atari游戏策略网络分别对应哪个游戏。它还能从零开始「写」出一个Breakout游戏网络，得分517.4，远超经过5亿步PPO训练的网络的25.3分。在另一个测试中，它仅修改了3.5%的权重，就修复了一个卡在坡道上的自动驾驶控制器，在1024次测试中全部成功。
这些实验表明，大语言模型不仅能理解权重数值所代表的行为，还能直接操纵权重，实现传统训练算法难以达到的效果。
对加密与去中心化AI的影响
对于加密生态而言，这一突破意义重大。依赖开源模型的去中心化AI网络可以借此实现快速、低成本的模型修复和定制，无需昂贵的重新训练。链上AI代理未来或许能审计或修改自身权重，尽管研究人员明确表示并未展示递归自我改进。通过权重检查验证模型完整性，也可能增强去中心化推理市场的安全性。
然而，该技术目前并非万能。它仅在0.8B参数的小模型上成功，在Gemma 3上失败。整个过程耗时20小时，需要大量试错，且尚无独立团队复现。与传统微调相比的成本优势也未经验证。
未来展望
MIT团队的Omar Khattab等人认为，权重空间编程有望成为生成式AI的「一等公民模态」，与文本、图像、音频并列。如果得到验证，未来AI系统将能原生地理解和优化其他AI系统——这既带来了激动人心的可能性，也引发了严重的安全担忧。当AI开始改造AI，工具与创造者之间的界限变得模糊，稳健的监管需求愈发迫切。
