# Self-Play for LLMs, AI for Biology, Formal Verification, and More \| YC Paper Club

- Channel: [Y Combinator](https://www.youtube.com/channel/UCcefcZRL2oaA_uBNeo5UOWg)
- Published: 2026-06-12
- Source video: [Watch on YouTube](https://youtube.com/watch?v=3rWSvrFahIY)
- Read on ReadTube: https://www.read.tube/p/videos/3rWSvrFahIY
- Language: Simplified Chinese

## Summary

**五篇论文指向人工智能新方向**

这场分享围绕五篇论文展开，集中展示了人工智能研究正在向生物、持续学习、流式检索、形式化验证和代理式编程五个方向快速演进。主讲人共同强调了一个核心趋势：靠更大规模的数据、计算和自动化反馈机制，模型正在在更多真实任务中逼近甚至替代人工设计。

这场活动以“更应用、更落地”为主线，串联了五个前沿主题。第一部分讨论生物人工智能，重点介绍蛋白质语言模型如何像大语言模型一样呈现出明显的规模效应：只用氨基酸序列做训练，就能从中学到结构、功能和可解释特征，甚至在不依赖多序列比对的情况下接近结构专用模型的效果。演讲者强调，这说明“苦涩的教训”在生物领域同样成立，尤其是当数据规模从数千万扩大到数十亿后，模型的能力和可迁移性会显著提升。

第二部分讨论自博弈式后训练，核心问题是如何让模型自动生成新的强化学习任务并不断提升能力。传统做法在一批任务上会很快进入平台期，而论文提出把模型同时作为“出题者”和“解题者”，再引入“引导器”约束任务不要退化成无意义的复杂题，从而让自生成任务更贴近有效学习信号。结果表明，这种方法能用更小的模型和更多计算逼近更大模型的表现，但距离真正“无限成长”仍有差距。

第三部分聚焦流式检索增强生成，面对语音助手对低延迟的强需求，论文尝试在用户说话的过程中提前触发检索，而不是等整句结束后再检索。主讲人指出，关键研究问题不是单纯做检索，而是判断“说到哪一部分时信息已经足够”，以便在准确率基本不变的前提下显著降低延迟，这对真实语音产品很重要。

第四部分转向数学与程序的形式化验证，介绍了 Lean 以及相关生态如何把“可验证智能”变成现实。演讲者认为，Lean 不只是定理证明器，也是一个可编程、可编译、可自动化的统一系统，适合把代码、数学证明和神经网络性质都纳入严格验证框架。随着大模型与 Lean 结合，研究者正在从“会写代码”走向“会证明代码正确”。

第五部分则从工程实践出发，分享了在智能体辅助编程时代如何重构软件开发流程。演讲者把编程类比成实时战略游戏：需要并行调度多个任务、持续看地图、快速纠错、利用音效和颜色做状态提示，并让智能体尽可能自主推进到可合并的结果。其核心方法包括多工作区并行、默认运行在云端、减少人工阻塞、强化知识库和可追踪状态，以及接受“够好即可”的满意化策略。整体上，这场分享传递的信号非常一致：人工智能正在从静态模型竞争，转向以规模、反馈、验证和代理协作为核心的新阶段。