智谱悄悄跑通了「AI 修自己的发动机」：GLM-5.3 带出的 Infra Agent，在 10 万卡集群上给自己提了 3 倍速

9 月 17 日，智谱披露了一个听起来很科幻、但其实已经落地的工程实践：用 GLM-5.3 驱动的 Infra Agent，参与搭建和调优 GLM-5.3 自己的推理服务，跑在超过 10 万张国产芯片的集群上，不到两周，端到端吞吐提到了初始基线的约 3 倍。

翻译一下：AI 不只在前台帮你写文案、写代码，它已经进到机房里，帮自己的「发动机」做设计、调试和优化了。团队把正确性测试、执行 Trace、微基准纳入迭代，形成可客观验证的稠密反馈，专门用来定位算子精度与并发瓶颈。唐杰说，距离真正的递归自我改进还很远，但「模型优化系统、系统服务模型」的最小闭环，已经出现。

这个闭环为什么重要？过去训练一个大模型，靠的是成千上万名工程师调系统、调算子、压瓶颈。现在，一部分「怎么让系统跑得更快」的活，开始交给模型自己干，人只保留目标设定和最终验收。效率不是线性提升，是指数级杠杆——同样的卡，产出更多智能，等于变相「省」出了算力。

但风险判断仍必须握在人手里。唐杰强调，目标与验收还在人手中，风险判断仍须人把关。这句话很关键——「AI 修自己的发动机」不等于「AI 自己决定往哪开」，方向盘还在人这边，只是扳手换了更聪明的手。上海 AI 实验室的实测也印证了这一点：56 名研发人员 769 条任务里，AI 辅助使用率 96.5%，但 85.5% 的技术路线、93.4% 的研究目标仍由人类决策。

对行业来说，这意味着大模型竞争的战场又往后移了一层：不只是比谁模型强，更比谁的「自优化系统」更成熟。谁能让自己越跑越快，谁就能在算力和成本上拉开身位。智谱之外，书生 · 星河、Apex Intelligence 等也在押注递归自我改进和自进化基础模型，资本正从「堆参数」转向「会自己长本事」的架构。

这一步离「通用人工智能」还远，但它让我们提前看到了一种可能：未来的 AI 工厂，或许能一边接单、一边把自己产线升级改造。前提是，人始终握着验收的那把尺。技术乐观，但边界清醒，才是这件事最稳妥的打开方式。

「让 AI 优化 AI 自己」这步，你觉得是福音还是隐患？说说你的担心。