Atria Dawn：当 AI 开始参与研发自己的下一代，人类还剩什么角色？

核心摘要：这篇论文（arXiv:2609.15818）表面上是发布一个智能体模型 Atria Dawn Preview——基于 744B MoE 基础模型，用一条"可验证经验流水线"（Verifiable Experience Pipeline）把工具调用、环境交互和外部可验证结果串起来做训练，在 16 个基准上拿下 5 个第一。但说实话，模型本身反而不是最吸引我的部分。真正值钱的是后半篇：作者把自己研发这个模型的真实过程当成案例，分析了 56 名参与者的 769 条任务记录，回答了一个越来越难回避的问题——当 AI 开始参与研发 AI，人和 AI 的分工到底变成了什么样？数据给出的答案挺反直觉：AI 提出了大部分方法，但 85% 以上的最终决定权仍在人手里；约三分之一已完成的 AI 辅助任务，被参与者评定为"没有 AI 根本不会去做"。稀缺的不再是执行力，是判断力。这篇论文一半是技术报告，一半是难得的人机协作实证研究，后者我认为更值得细读。

论文信息 - 标题：Atria Dawn: The Dawn of Agentic Superintelligence — On the Evolving Roles of Human–AI Collaboration - 作者：Honglin Guo、Tao Gui、Yicheng Chen 等（署名作者超过百人，首页机构标识包括中科院自动化所、中科院软件所、中国人民大学、上海人工智能实验室等） - 链接：https://arxiv.org/abs/2609.15818 （2026 年 9 月 14 日提交，23 页，10 图） - 代码：https://github.com/atria-asi/Atria-Dawn-Preview

🎯 为什么这篇论文值得聊

你有没有注意到一个变化：今年（2026）发布的前沿模型，越来越少强调"我在 MMLU 上又涨了几分"，而是越来越多地展示"我能独立完成一件真实的工作"——写一个能跑的操作系统、生成一份带数据分析的行业报告、操作 CAD 软件画一个发动机。

Atria Dawn Preview 就是冲着这个方向去的。它的定位很直白：面向科学研究和工程工作流的基础智能体模型，目标是拓展真实世界里智能体的生产力边界。

但真正让我觉得"这篇得写"的，是作者做了一件很少有团队敢做的事：他们把自己研发模型的过程打开给人看。56 名研发参与者、769 条任务记录、逐日的智能体日志，全部拿来做量化分析。这相当于一个 AI 实验室把自己"人和 AI 怎么协作"的家底翻出来给你研究。我在之前做项目的时候一直好奇这个配比到底是多少——人出主意还是 AI 出主意？人改稿还是 AI 改稿？这篇论文第一次给了有样本量的答案。

🧠 模型本体：可验证经验流水线

一句话讲清核心思路

训练智能体最头疼的问题是：模型在环境里折腾了一大圈，哪些经验是真的有用的？Atria Dawn 的回答是——只保留能被外部证据验证的经验。任务、轨迹、产物、验证证据，四个环节必须完整链接，缺一环就扔掉。

图5：AI 研发中人机角色的演变

图5：论文对人机关系演变的划分——(a) AI 作为研究对象，人类主导全程；(b) AI 作为任务级执行者，在人类设计的工作流里干活；(c) AI 作为项目级同事，朝着人类设定的目标自主规划迭代；(d) 下一个阶段是什么？递归自我改进之后人类扮演什么角色，这是个开放问题。这张图基本是全文的纲。

技术细节

模型基于一个 744B 参数的 MoE 基础模型构建（论文引用 Z.ai 2026，即 GLM 系基础模型）。训练流水线的运转方式：

  1. 任务连接真实执行环境。每个训练任务都挂到真实环境里——模型观察状态、调用工具、产出中间产物（代码、文件、报告），再根据环境反馈调整动作。不是静态的 SFT 语料，是活的交互轨迹。
  2. 结果由外部信号验证。验证方式五花八门：可执行测试、实验指标、文件状态、几何结构检查、来源证据、人类定义的标准。关键是这些信号都在模型之外，模型自己说了不算。
  3. 轨迹筛选。不完整的、自相矛盾的、重复的、行为无效的样本全部剔除。留下来的每条经验都带着完整的"任务 → 轨迹 → 产物 → 验证证据"链条。
  4. 失败分析驱动迭代。反复出现的失败模式（工具选择无效、验证不完整、证据缺失、恢复失败）被用来指导后续的任务构建和环境优化。失败的运行只要结果能被独立确认，也会留下来当诊断案例。

说实话，这个思路本身不算横空出世——可验证奖励（RLVR）这两年已经是推理模型训练的标配，把 verifier 从数学/代码扩展到通用环境也是大家都在做的事。但 Atria Dawn 把它推得更远：验证信号的种类扩展到了文件系统状态、CAD 几何结构、来源证据这类"脏活累活"的环境，这是工程量很大的事。我的判断是，这更像一次大规模、高完成度的工程整合，而不是某个单点算法突破——但能把整合做到这个程度，本身就是壁垒。

能力案例：不只是跑分

论文展示的几个产物案例挺能说明这条流水线练出了什么。

图2a：全球天气预报可视化界面

图2a：智能体生成的全球天气预报可视化界面。中间是交互式地球，左上是训练日志面板（45,000 步训练 loss 稳定下降、预测误差同步收敛），右侧是 T2m、U10、Z500、T850 四个气象变量的真值与预测对比。注意底部那行小字——这是智能体完整走完"训练一个天气预测模型 + 搭建可视化前端"这条长工作流后的产出。

图2b：MiniOS 重启后的状态与自动运行记录

图2b：MiniOS 的 QEMU 串口记录。上半段是重启前：写入持久化数据、写一个打印 42 的程序、设置开机自动运行；下半段是重启后：系统自动运行该程序输出 42，且之前写入的数据还在。这个案例秀的是跨会话的状态持久化能力——智能体写的操作系统真的能"记住东西"。

图3a：四缸发动机装配体

图3a：智能体生成的四缸发动机 CAD 装配体（前视图）。左侧聊天记录值得一看——智能体在中文对话里主动报告了两处既有干涉问题（主轴承孔中心 z 坐标写错、连杆大头孔 SUBTRACT 顺序错误），给出干涉量数值，然后问用户"要我一并修掉吗？"这种主动发现问题的行为，比建模本身更能体现智能体性。

图3b：机器人关节组件

图3b：机器人关节驱动模组的组件视图。左侧是用户给的 20 项零件 BOM 表（行星架、太阳轮、内齿圈、摩擦盘……），要求"每个零件都做到工业级的细致"。需要说明，论文自己也强调了：这些图展示的是几何形状和组件结构，不构成机械或制造层面的验证。

图4：生成报告中的分析内容

图4：智能体生成报告里的两类分析内容。(a) 清洁能源选址的基础评分——俄勒冈 71.6、纽约 68.4、加州 67.8 领先；(b) 三家芯片公司的投资强度对比——英特尔 CapEx 占营收 45.1%，而英伟达只有 2.5%，研发投入则是英特尔 31.2% 对英伟达 9.9%。这些是生成文档内嵌的分析，不是模型评测指标。

📊 实验：16 个基准，5 个第一

主实验对比了 6 个前沿模型：DeepSeek V4 Pro 0813、KIMI K3、Qwen 3.8 Max、GLM 5.3、GPT 5.6 sol、Claude Opus 5。

图1：主要基准性能对比

图1：Atria Dawn Preview 与六个对比模型在 8 个代表性基准上的柱状图对比（蓝色为 Atria Dawn）。可以看到它在 AutomationBench 和 CyberGym 上领先幅度明显，但在 SWE-Bench Pro、GDPval 上与 Claude Opus 5 差距不小。

基准 Atria Dawn 最强对比模型 对比最高分 位置
AutomationBench 53.8 Qwen 3.8 Max 49.7 🥇 第一
BFCL v4 77.0 GLM 5.3 74.1 🥇 第一
CyberGym 86.5 GLM 5.3 84.5 🥇 第一
DeepSearchQA 96.0 KIMI K3 95.9 🥇 第一
BrowseComp 92.5 GPT 5.6 sol 92.2 🥇 第一
Workspace-Bench-Lite 68.2 Claude Opus 5 70.1 第二
SkillsBench 66.4 Qwen 3.8 Max 66.7 第二
Workspace-Bench 65.0 Claude Opus 5 65.8 第二
MLE-bench Lite 86.2 GPT 5.6 sol 88.9 中游
WideSearch 81.9 GPT 5.6 sol 83.3 领先梯队
DeepResearch Bench II 51.1 Claude Opus 5 54.1 中游
SWE-bench Pro 59.6 Claude Opus 5 74.7 中游
τ³-Bench Banking 41.2 Qwen 3.8 Max 55.2 较弱
Terminal-Bench 2.1 78.3 Claude Opus 5 90.2 较弱
GDPval 1583 Claude Opus 5 1768 较弱
JobBench 50.3 Claude Opus 5 68.0 较弱

表1：16 个基准完整结果（分数越高越好，GDPval 为 Elo 式评分）。加粗为该行最高分。

怎么读这张表？我有几个观察。

拿下第一的 5 个基准有个共同点：AutomationBench、BFCL v4、CyberGym、DeepSearchQA、BrowseComp 都是"工具密集型"任务——函数调用、深度搜索、浏览、自动化操作。这和可验证经验流水线的训练取向完全对得上，说明训练确实在它瞄准的方向上起效了。AutomationBench 领先第二名 4.1 分，这个幅度在智能体基准上不算小。

但短板同样明显，而且同样有规律。输给 Claude Opus 5 较多的几项——Terminal-Bench 2.1（差 11.9 分）、GDPval（差 185 分）、SWE-bench Pro（差 15.1 分）、JobBench（差 17.7 分）——集中在长程终端操作、真实工作任务、软件工程这类需要长链条自主执行的场景。你想想看，这恰恰说明"工具调用强"和"长程工程能力强"是两回事。论文对这点倒是坦诚，没有藏着掖着。

还有一个要泼冷水的地方：16 个基准里 5 个第一、3 个第二，"与前沿智能体竞争力相当"这个表述是准确的，但如果只看到处流传的"5 个 SOTA"宣传，你会误以为它全面领先。并不是。Claude Opus 5 在更重的工程类任务上仍然明显更强。

🔬 重头戏：769 条任务记录里的人机协作真相

模型部分到此为止。下面这部分才是我认为这篇论文 23 页里最值钱的 8 页。

作者把 Atria Dawn 的真实研发过程做成了研究对象：56 名参与者、769 条任务记录，覆盖工具与基础设施、评测、分析报告、训练 rollout、任务生成、数据收集、外部调研、协调沟通等类别。在有明确 AI 使用记录的 739 条任务里，713 条（96.5%）用了 AI。这已经不是"试点"，是全面渗透。

智能体自主性在四周内翻倍

图6：每次人类提示对应的智能体行动数

图6：2026 年 8 月 7 日到 9 月 4 日，同一批 22 名参与者"每次人类提示对应的智能体行动数"的变化。蓝点是日度中位数，从 11.0 涨到 28.5，不到一个月翻了 1.6 倍。阴影是四分位距——注意阴影在同步变宽，说明这个转变在参与者之间很不均衡，有人已经把 AI 当主力，有人还在浅用。

这个趋势比绝对值更有意思。同样的团队、同样的工具，四周之内人说话的次数相对智能体干活的次数少了一半多。这不是模型换了版本，是人在快速学会放手。

三分之一的任务"没有 AI 根本不会存在"

图7：无 AI 所需工作量估计

图7：按任务类别统计的"无 AI 所需时间"热力图。最右列 ∞ 是被评定为"没有 AI 则不可行"的任务占比。全体任务里这个比例是 33.2%；任务生成类 35.3%，协调沟通类甚至达到 40.0%。

455 个已完成的 AI 辅助任务里，151 个（33.2%）被参与者自己评定为没有 AI 就不可行。而且这些任务来自 56 人中的 27 人——不是几个重度用户的个别现象，是大约半数团队都碰到了。

这个数让我愣了一下。我们平时讨论 AI 提效，潜意识里把 AI 当成"压缩工时"的工具——原来 8 小时的活现在 2 小时干完。但这张图说的是另一回事：有三分之一的工作，在旧世界里根本不会被人尝试。可行任务的边界本身被推开了。这是从"效率工具"到"能力扩展"的质变，论文里这个区分做得很干净。

谁出主意，谁拍板

图8：研究决策中的人机角色分布

图8：决策责任的分布。目标与范围：76.5% 由人类提出并选定；方法与参数：55.4% 是"AI 提出、人类选择"，AI 自主决定的只有 9.2%；验收标准：人类主导 82% 左右。最右一根柱子最惊人——在"无 AI 不可行"的 151 个任务里，95.4% 的最终目标仍是人类选定的。

汇总数据：567 个报告的方法决策中，AI 提出了 64.6%，但人类最终选择了 85.5%。

这是全文我最喜欢的一组数字。"AI 提出、人类选择"成了主流模式——变化的是谁生成选项，不变的是谁做选择。说实话这和我自己的体感完全一致：现在用智能体干活，大部分时间是它在给我列方案、写实现、做修订，我在做的是说"这个方向不对"、"要那个版本"、"这里重新来"。人从一个"干活的人"变成了"审稿人 + 方向感来源"。

卡住的时候怎么办

图9：遇到困难后工作如何恢复

图9：588 个记录了困难的任务的恢复方式。76.0% 靠人类帮助推进，其中补上下文/澄清需求 35.2%（207 例）、诊断问题/换方法 34.7%（204 例），而人类直接接管只有 0.7%（4 例）。智能体自行恢复 23.0%，彻底卡死仅 1.0%。

这里有个很有意思的对比：人类帮忙的方式里，"补上下文 + 诊断换方法"合计约 70%，直接接管干活只有 0.7%。论文算了一笔账——人类的帮助"改变智能体所知"的可能性，是"改变谁来干活"的约 18 倍。

你想想看这意味着什么：在成熟的人机协作里，人的价值几乎全在"信息差"上——你知道需求的真实意图、知道上次为什么失败、知道哪条路是死胡同。这些上下文喂给智能体，它自己就能跑出来。人根本不需要碰键盘。

AI 的产出去了哪

图10：输出处置与修订

图10：上半部分——627 个任务中 AI 主要输出的去向：56.5% 经实质性修订后采用，28.1% 原样采用，仅 1.0% 未被采用；下半部分——354 个实质性修订里，75.4% 由 AI 根据人类反馈完成，人类直接编辑只有 19.2%。

两个数值得记住：95.9% 的 AI 输出以某种形式进入了最终交付物；而修订工作本身，四分之三也是 AI 干的（在人的反馈驱动下）。

到这一步，整个图景就完整了：人类定目标、补上下文、做选择；智能体生成选项、写几乎所有的代码和文本、完成大部分修订。论文的结论一句话——稀缺投入是判断，不是执行。

🤔 我的判断

这篇论文我打算分两半评价。

模型那一半，是可验证经验训练路线的一次扎实的规模化展示。744B MoE、覆盖十几种验证信号的经验流水线、16 个基准 5 个第一，工程完成度很高。但要说方法论上有什么别人没想到的东西？谈不上。可验证奖励 + 环境交互 + 轨迹筛选，这套组合的每个零件都有出处，Atria Dawn 的贡献在于把它们拧成了一个能在 CAD、天气建模、操作系统这种硬核环境里出活的系统。工具调用类任务的优势和终端/工程类任务的短板，都在情理之中。

实证研究那一半，我认为是真正有长期价值的部分。市面上关于"AI 会不会取代研究员"的讨论几乎全是立场先行，而这篇论文拿出了带样本量的行为数据：33.2% 的任务无 AI 不可行、64.6% 的方法由 AI 提出、85.5% 的选择由人做出、0.7% 的接管率。这几组数字画出来的图景比任何社论都清楚——取代没有发生，分工重构发生了。

当然也要泼两盆冷水。第一，这些数据来自"研发 AI 的 AI 团队"，这群人对工具的熟悉度和信任度远超普通用户，结论外推到一般知识工作要打折。第二，769 条任务里相当一部分是围绕造这个模型本身的，存在自证嫌疑——"我们用 AI 造出了这个 AI"的故事里，乐观偏差很难完全排除。论文自己在开放式挑战一节也承认：任务性能的提升不等于研究能力的提升，智能体之间共享先验会导致相关性盲点，经验跨任务的积累目前仍主要发生在人类研究者身上。

还有一个立场我觉得值得单独拎出来：论文明确反对把人类的安全守护权限像其他权限一样逐步授予 AI，原话是 "The answer is clearly no"，并警告人类不应沦为只能说 "yes" 的橡皮图章审批者。在一个自家产品就是冲着"自主性"去的论文里看到这段话，多少增加了前面那些数据的可信度。

如果你也在搭智能体系统，这篇论文至少给了两个可以直接用的工程启发：一是训练数据筛选时把"验证证据链完整性"作为硬门槛，比单纯堆轨迹数量靠谱；二是做人机协作产品设计时，把资源优先砸在"让人高效地补上下文、做选择"上，而不是砸在"让人能随时接管"上——数据显示前者才是高频刚需。

至于图5 里那个虚线框 (d)——递归自我改进之后人干什么？论文没给答案，只给了方向：自主性可以涨，问责的锚必须留在人这边。这个问题接下来几年只会越来越真实。

觉得有启发的话，欢迎点赞、在看、转发。跟进最新AI前沿，关注我