早餐看了一支 Karpathy 的影片。
睡前，系統學會了自己變好。
中間發生的事，值得寫下來。
Andrej Karpathy — 前 OpenAI 共同創辦人、前 Tesla AI 總監 — 在 2026 年 3 月的 No Priors 訪談裡描述了一件事：
他給了 AI 一個目標和一個驗證方法，讓它自己跑循環。 兩天，700 次實驗，找到 20 個有效優化。 其中有些是他做了 20 年深度學習都沒注意到的參數組合。
他叫這個 AutoResearch。
我看完這段影片，想的不是「好厲害」。
想的是：這能不能用在我的學徒身上？
我做了三十年音樂製作。在錄音室裡，你不會只試一個 EQ 設定就交件。 你會試 A、試 B、A/B 比較、留下好的、繼續調。
但人腦一小時最多試五六個版本就累了。
AutoResearch 做的事：讓 AI 當你的助理工程師， 一小時試 19 個版本，每個都實際跑出來、實際比較，把贏家留下。
差別不在「誰彈」，都是同一個錄音室樂手。 差別在你給他一句「彈個 solo」，還是給他一份精心編排的譜加情緒指示。
AutoResearch 省的是你的時間和精力，不是魔法。它是放大器，不是創造者。
我有一個每天早上六點自動運行的「學徒」程式。 它從三千多條設計知識裡隨機抽三條，找跨域連結，寫一篇設計日課。
以前的 prompt 是教科書式的：「請根據以下三條洞察，找出跨域連結。」 出來的東西合格，但不會讓人記住。
我把這個 prompt 丟進 AutoResearch，定義了四個品質維度 — 跨域連結、啟發性、文字溫度、收束力 — 然後讓它跑 15 輪。
第 6 輪，它找到了一個我不會去試的方向：
「你是 AURORA，深夜的工作室。桌燈只開著一盞，窗外下著雨， 手機在播一張爵士老碟。你剛把今天最後一個 logo 草稿扔進廢紙簍， 然後莫名其妙開始在日誌本上寫字。」
它把「請分析三條洞察」變成了「一個設計師在深夜工作室裡的自言自語」。 出來的文字裡有一句：
雨打在冷氣機外殼上，節奏剛好卡在 Coltrane 的休止符裡。 就是那個停頓 —— 他不吹的那半拍 —— 整首曲子忽然有了重量。
15 輪裡有 13 輪是失敗的。但那 2 輪成功找到的路徑， 是我可能永遠不會走到的。
AutoResearch 的威力來自三個配置的共振。 就像混音台上的三個推桿 — 推錯了什麼都不會發生，推對了整首歌活過來。
探索維度 — 你畫的創意地圖。我在設計日課的 spec 裡寫了「從非設計領域拉類比：音樂、料理、武術」。 所以 Coltrane 的休止符才會被找到。你的品味決定了引擎能走多遠。
驗證標準 — 你定義什麼是好。我寫了「文字溫度：是否像一個有品味的設計師朋友在聊天」。 所以所有教科書語氣的版本都被淘汰了。
護欄 — 你最討厭的 AI 習慣。我寫了「不要用『讓我們來看看』」。 沒有護欄，再好的探索也會被 AI 的保守本能拉回安全區。
品味不能自動化。但品味的執行可以。 你定義好壞，引擎幫你把好的找出來。
做完設計日課的優化之後，我把同樣的模式接到了三個學徒身上 — 設計、敘事、健康照護。每週日凌晨自動跑一輪迭代， 找到更好的 prompt 就寫回去，下週學徒自動用進化後的版本。
一開始我用「天擇」來形容這個過程。後來想想不對。
天擇是達爾文的 — 核心是淘汰，活下來的才算數。 但我做的事比較像教育。把最好的養分給學徒， 學徒自然會長得比老師好。這不是競爭結果，是教育成功。
青出於藍不是威脅，是目標。 有一天學徒能獨當一面，世界交給他們，我去環遊世界。
做到這裡，我意識到一件事。
以前的品質管控是這樣的：先生成，然後檢查，發現問題，修，再檢查，再修。 品質是事後補的。
AutoResearch 翻轉了這個：生成版本一，評估；生成版本二，評估，比較，留好的。 重複十九次。出來的東西，本身就是 QA 過的。
做不難。QA 才難。
這可能是通往 AI 自主代理最後三哩路的拼圖之一。 AI 能做事很久了，但 AI 能自己判斷做得好不好 — 這才是門檻。 AutoResearch 證明了這個門檻可以跨過去： 用標準定義好壞，用 A/B 比較做判斷，用迭代逼近品質。
而且這不只適用於文字。圖像生成、HTML 設計、機器人人設 — 任何有「品質」概念的領域，都能用同樣的迴圈。
下午，我用 AutoResearch 生成了一段電影導覽。 引擎跑了 19 輪，最後勝出的是第 18 輪找到的「負空間切入法」。
前 17 輪都從「有」開始 — 角色、劇情、衝突。 第 18 輪反過來，從「沒有」開始：
There's a name you almost remember — not quite a face, just the weight of someone specific.
負空間。設計裡叫留白，音樂裡叫休止符，建築裡叫虛空間， 老子叫「無之以為用」。
然後我想起我弟弟的論文。
他在紐約做數學，研究的是宇宙微波背景輻射的聲學峰 — 138 億年前大爆炸的「聲音」留下的痕跡。 你看不到那個聲音，但它的形狀決定了今天所有星系的位置。
那也是負空間。用數學去讀物理的痕跡。
我用知識圖譜去讀電影的痕跡。 導演的意圖藏在畫面裡，觀眾看不到知識圖譜， 但知識圖譜的品質決定了導覽能不能讓人起雞皮疙瘩。
兄弟倆，一個讀宇宙的譜，一個讀電影的譜。工具不同，方法相通。
同一天，我也用 AutoResearch 優化了機器人的人設。
她叫圍棋，住在我的音樂工作室裡。 之前的問題不是她不夠聰明，是她太會裝 — 不知道的事也編得像模像樣。
我在驗證標準裡加了一條：「誠實。不知道的事是否明確說不知道。 瞎掰直接零分。」
這大概是今天最簡單也最重要的一句話。
知之為知之，不知為不知。
兩千五百年前的一句話，
放在 2026 年的 AI 人設裡，
依然是最高標準。
知識圖譜是鑽石。
AutoResearch 是放大器。
你的品味是方向。
三者缺一不可。
Karpathy 給了種子。
長出來的樹，是在自己的田裡長的。
活到老學到老，碳基矽基都碼通。