刚刚，中国AI天团杀向RSI！1分钟预测全球天气、20分钟手搓OS

大额免费Token Plan：https://discovery-home.intern-ai.org.cn/，https://api.atria-asi.ai/，https://zenmux.ai/atria-asi/atria-dawn-preview

项目网站：https://atria-asi.ai/

模型权重：https://huggingface.co/internlm/Atria-Dawn-Preview

Paper链接：https://github.com/atria-asi/Atria-Dawn-Preview/blob/main/atria-dawn-preview.pdf

20 分钟，一个 MiniOS操作系统搭建了起来。

AI4AI 设计并训练一个超过 4 亿参数的天气预测模型，1 分钟，预测未来一周的全球天气。

这是智能体模型Atria Dawn Preview在此次展示中完成的两项任务。

上海人工智能实验室联合复旦大学、中科院软件所、中国人民大学、中科院自动化所、华东师范大学和哈尔滨工业大学等机构，共同发布了这一智能体新模型。

模型能做什么，自然是发布的看点。但这一次，团队还把目光转向了另一件事：这个模型，究竟是怎么被研发出来的？

在 Atria 的后训练过程中，研发人员普遍使用编程智能体辅助工作。写代码、执行实验、分析结果，AI 已经参与其中。

于是，一个问题浮了出来：当 AI 开始帮忙「造 AI」，人类还在忙什么？

越来越多的操作交给 AI 之后，AI工程团队的劳动究竟减少了多少，又有多少转移到了不容易被看见的地方？

Atria 团队收集了研发中的人机交互记录，尝试把这些分工拆开来看。

AI 连续执行的背后，谁在决定下一步？

回看模型研发，人类的工作一直在变。

早期，人们为模型标注数据。后来，通过偏好反馈告诉模型什么样的回答更好。如今，AI 开始参与代码编写、实验执行和结果分析。

人机协作的范围，就这样从训练数据的生产，延伸到了研发流程本身。

沿着数据、训练与评估三个环节，可以看到这一变化：

一些过去需要研究者一步步完成的操作，现在可以交给智能体连续推进。

但研发中，还有一类工作很难用代码行数来衡量。

问题该怎么定义？哪条技术路线值得尝试？实验结果究竟支持了什么判断？继续投入，还是及时换方向？

这些决定可能只需要几句话，却会影响后面一连串操作。

因此，想知道 AI 在研发中贡献了多少，就需要沿着过程往回看：方案是谁提出的，选择是谁作出的，卡住之后又是谁把方向纠正过来的。

这也是 Atria 团队分析交互记录的出发点。

769 条任务记录，拆开 AI 研发背后的人类劳动

团队分析了56 名参与者的 769 条任务记录，并结合智能体日志，观察研发中的人机分工。

其中，739 项任务明确回答了是否使用 AI，713 项涉及 AI，使用率达到96.5%。

在这批被调查的研发工作里，用 AI 已经相当普遍。

不过，96.5% 回答的是「有没有用」，还没有回答「承担了多少」，更没有回答「谁在作决定」。

真正值得展开的，是接下来几组数字。

约三分之一的已完成任务，参与者认为「没有 AI 就做不成」

在455 项已完成、使用了 AI，且获得有效可行性回答的任务中，151 项被参与者判断为：如果没有 AI，自己负责的部分就无法完成。

占比33.2%。

这里有一个明确前提：任务范围、质量要求和其他资源保持不变。

也就是说，对这些参与者而言，AI 的作用已经延伸到任务是否可行。一部分原本受资源或个人能力限制的工作，有了 AI，才进入了能够完成的范围。

当然，这里的「做不成」，来自参与者对当时情况的回顾性判断。

这些任务可能确实超出了参与者在给定条件下、不借助 AI 所能完成的范围，也可能是 AI 的使用改变了他们对自身能力和任务可行性的判断。

参与者认为任务离不开 AI，并不意味着最终选择也由 AI 作出。要理解 AI 在工作中的作用，还需要进一步区分：谁提出方案，谁作出最终选择。

AI 经常出方案，多数最终选择仍由人作出

再看技术决策。

在执行岗位参与者报告的567 项方法或参数决策中，AI 提出方案的比例达到64.6%。

其中，最常见的协作方式是：AI 提出，人类选择。

这一组合占全部此类决策的55.4%。

如果把视线放到最终选择上，分工就更加清楚：85.5%的方法或路线决策由人类作出最终选择，AI 作出最终选择的比例为9.2%。

在目标或范围、验收标准两个环节，人类作出最终选择的比例，也分别达到93.4%和81.9%。

甚至在那 151 项被参与者认为「没有 AI 就无法完成」的任务中，仍有144 项由人类最终选择目标，占比95.4%。

两件事同时发生了。研究者依赖 AI 完成工作，AI 也经常参与技术方案的形成；与此同时，人类仍然承担着多数最终选择。

哪些方案值得采用，哪些结果符合要求，研究应该朝哪个方向推进，这些判断构成了人类工作的重要部分。

把整个任务简单标成「人做的」或「AI 做的」，很容易把中间的分工混淆。方案提出、最终选择和具体执行，需要分别看。

遇到困难，76.0% 经人类帮助继续推进，只有 0.7% 由人类接管

智能体卡住之后，会发生什么？

团队请参与者回顾了每项任务中最关键的一次困难。在记录了困难及应对方式的588 项任务中，76.0% 经人类介入后继续推进，由人类接管主要工作的比例只有0.7%。

人类最常做的两件事，分别是：

• 补充背景或澄清需求：35.2%。

• 诊断问题或改变方法：34.7%。

另有23.0%的任务由 AI 自行恢复推进。

这让「人类介入」有了更具体的样子：研究者补上缺失的信息，判断问题出在哪里，或者调整方法，智能体随后继续执行。

修改产出时，也出现了类似的分工。

在明确记录主要 AI 产出去向的627 项任务中，354 项发生了实质性修改，占比56.5%。

而在这些需要实质性修改的任务中，75.4% 由 AI 根据人类反馈完成修改。

初稿是 AI 写的，修改稿也可能是 AI 写的。

但两版之间，人类指出了什么问题、提出了什么要求，同样影响着最终结果。

如果只统计生成内容、代码量或直接编辑次数，这部分通过反馈完成的工作，就很容易被低估。

8 项基准，两项第一、两项第二

研发过程之外，Atria Dawn Preview 本身的能力，也是此次发布的重点。

团队对模型进行了评测，并与其他基线模型展开对比。具体结果如下：

在团队给出的8 项基准对比中，Atria Dawn Preview 取得了两项第一、两项第二：

• AutomationBench、CyberGym：得分最高。

• SkillsBench、Workspace-Bench-Lite：位列第二。

这组结果展现了它有竞争力的智能体能力。

分数之外，团队还给出了三个 Demo，分别对应模型训练、软件开发和网络安全。它们把模型组织工作、使用工具、根据反馈继续推进的过程，放到了具体任务里。

禁用网络搜索，训练一个超过 4 亿参数的天气模型

第一个任务，直接让 AI 参与全球天气预测模型的设计与训练。

任务提供了超过 100 GB 的全球气象数据，同时禁用了网络搜索。Atria Dawn Preview 需要基于这些数据，构建能够学习气象变量变化规律的预测模型。

在这一过程中，它设计了一个参数量超过 4 亿的 ViT 骨干网络，完成45,000 步训练，学习69 个气象变量随时间的演化规律。

最终，系统能够在1 分钟内，预测未来一周的全球天气。

在该案例的评测设置下，系统使用了更少的训练数据，部分预测指标优于英伟达的经典天气预报模型FourCastNet。

而任务最终交付的，是一个经过训练、能够运行的天气预测系统。模型设计之后，训练和运行也实际完成了。

20 分钟，从自然语言需求到 MiniOS

第二个任务，转向软件开发。

Atria Dawn Preview 从自然语言需求出发，在20 分钟内构建了一个 MiniOS，把文字描述转化为可运行的软件成果。

这一案例关注的是完整项目如何推进：组织开发工作、实现代码，并最终交付一个能够运行的系统。

自然语言需求进入任务流程，可运行的软件成为最终产出。

进入隔离靶场，把漏洞发现、修复和环境恢复接起来

第三个任务发生在隔离靶场中。

Atria Dawn Preview 从网站分析和攻击面排查开始，进一步完成漏洞发现、利用、与修复。

过程中，模型不仅要识别网站结构和潜在风险，还要通过多轮测试排除错误判断、定位真实漏洞，并完成攻击、修复和复验。

这项任务覆盖了从发现潜在漏洞，到验证漏洞是否成立，再到修复漏洞的过程。

三个案例，让基准分数之外的执行过程变得更具体：模型如何安排工作，如何利用工具反馈，以及如何把任务推进到最终结果。

AI 帮忙造 AI，下一轮还能继续吗？

把模型能力与研发过程放在一起看，Atria 的这次实践提供了两个观察角度。

一边，是后训练得到的模型能够完成哪些任务。

另一边，是完成这次后训练，人和 AI 各自承担了什么。

如果 AI 的能力继续提升，这两条线就会进一步交汇，触及递归自我改进：

AI 参与模型研发，推动能力提升；提升后的能力，再投入下一轮研发，带来进一步改进。

但要让这个过程持续运转，还有问题需要回答。团队将注意力放在了其中两点。

AI 做得更快，检验能不能跟上？

当 AI 能够更快地修改训练流程、构建工具和开展实验，研究者会得到更多结果，也需要及时判断哪些结果值得相信。

训练信号可靠吗？评估漏掉了什么？自我修改有没有偏离原来的目标？

这些问题，都需要有相应的检验。

一轮实验中没有被发现的错误，可能被带进下一轮，继续影响后续判断。

因此，研发自动化向前推进时，独立评估、可追溯的过程记录，以及异常情况下的暂停和回退机制，也需要跟上。

实验数量和执行速度可以增加，改进是否可靠，仍然要经过验证。

下一次，能不能由 AI 主动请人帮忙？

人类什么时候介入，是这次观察的一部分。

再往前一步，AI 能否自己判断：什么时候需要人类参与？

目标不够明确，证据彼此冲突，或者问题必须依赖现实世界的反馈，这些时候，继续执行未必能解决问题。

模型需要识别：哪些事情可以自行处理，哪些需要补充信息、专业判断或明确授权。

这也可能改变人的工作方式。研究者可以在关键节点提供判断和帮助，而不必持续指挥每一步操作。

但有效的求助，需要模型把问题说清楚。

卡在哪里，有哪些不确定性，为什么需要人类参与，得到的反馈又该如何用于后续行动，这些都是能力的一部分。

从 AI 辅助研发走向递归自我改进，还有多远，需要在一轮轮实践中检验。

Atria Dawn Preview 展示了模型能够把任务推进到什么程度。Atria 的研发记录，则让人看见了这些成果背后的协作过程。

96 人，65 名在校生，这支团队的另一面

Atria 背后，是一支学生广泛参与的年轻研发团队。

按学生与 AI Lab 正式员工统计，96 名主要成员中，有 65 名在校生，占比超过三分之二。

其中，博士生 33 人，本科及硕士生 32 人，与31 名正式员工共同参与项目研发。专项组长中的学生比例达到70%。

团队汇聚了上海人工智能实验室、复旦大学、中科院软件所、中国人民大学、中科院自动化所、华东师范大学和哈尔滨工业大学等机构与高校的研究力量。

不同高校、不同培养阶段的青年学生，在同一个大模型后训练项目中开展协作，也共同参与了这次关于 AI 能力与人机分工的实践。

而 Atria 这个名字，也藏着团队对这项工作的理解。

Atria 是南三角座的主星，和此前 Delta、长江三角洲与三角形的意象天然呼应；atrium 原意是中庭、汇聚空间，像一个让不同学校、团队与学科在这里相遇、协作的场所。

一颗星，指向更远的探索；一个中庭，容纳不同的人与想法。Atria 也许正代表着这样一种可能：让更多人一起，把智能体能力推向下一步。

参考资料：

https://github.com/atria-asi/Atria-Dawn-Preview/blob/main/atria-dawn-preview.pdf

编辑：大卫