训练一个大模型，传统路径离不开一件事：人工标注。给图片打框、给文本分类、给问答配对写答案——这些活又贵又慢，而且是整个AI产业链里最“反规模化”的一环。于是过去两年，一个听起来很自然的想法浮出水面：既然AI已经这么聪明了，能不能让它自己给自己出题、自己标注、自己训练自己？

答案是：能，但有前提。而且“自己出题”这件事，比想象中复杂得多。

自动标注已经跑通了，效果不差

先说已经落地的部分。自动标注并不是新鲜概念，但大模型让它上了一个台阶。2026年IEEE CAI会议的一篇论文展示了一套基于基础模型的多模态自动标注工具，在视觉和时间序列数据上，相比人工标注可以减少98.8%的标注工作量，同时保持语义一致性。在部分垂直领域，自动标注也已出现接近实用水平的尝试。

这些进展说明一件事：在有明确判断标准的任务上，AI替代人工标注在技术上已经可行。给一张图打框、判断一段文本的情感倾向、把一条语音转成文字——这些任务的“正确答案”有相对客观的依据，模型的表现可以逼近甚至在某些场景下超过普通标注员。

但“出题”比“答题”难得多

问题在于，标注和出题是两件事。标注是“给已有数据贴标签”，出题是“凭空造出一道有训练价值的题”。后者要求模型不仅要理解知识，还要判断什么样的题目能有效提升能力、难度是否合适、答案是否经得起推敲。

Self-Instruct是这条路上较早的尝试：用ChatGPT生成指令数据来训练其他模型。但它的缺陷也很明显——大量生成的指令质量不够，被直接丢弃，造成算力浪费。后续的改进方案SeDi-Instruct通过多样性过滤和迭代反馈，在降低成本36%的同时把模型准确率提升了5.2%。另一个方向是让模型“评判自己的判断”，Meta-Rewarding机制让Llama-3-8B-Instruct在AlpacaEval 2上的胜率从22.9%提升到39.4%，全程没有人类监督。

这些进展是真实的。但它们共同指向一个隐含条件：模型出题的质量，取决于它已有的判断力。一个本身就不够可靠的模型，出出来的题大概率也不够可靠。

投票投出来的“标准答案”，可能是错的

这里有一个容易被忽略的陷阱。

在自我进化的框架里，模型对同一个问题生成多个答案，然后取出现次数最多的那个作为“正确答案”。逻辑听起来合理：多数人的选择总不会太离谱。但一项针对视觉语言模型自我进化的研究做了人工核查，发现24%的多数投票标签是错的，18%的模型自我评判标签也是错的。更麻烦的是，这个问题会随着训练恶化：在研究者测试的自我进化系统中，伪标签准确率在训练过程中持续下滑。

这意味着什么？如果模型在某个知识点上本身就有偏差，多数投票只会把偏差固化下来，然后反复强化。越训练越自信，越自信越跑偏。这不是“自己出题自己进步”，是“自己出题自己挖坑”。

另一条被严肃讨论的风险是模型退化。当训练数据中合成数据的比例过高，模型可能逐渐丧失产生有用输出的能力。已有研究反复提示，合成数据需要与人类生成数据按比例混合使用，才能维持训练稳定性。换句话说，AI可以给自己出题，但不能只做自己的题。

所以，答案是什么

回到标题的问题。AI能给自己出题，但出出来的题需要有人把关，或者至少需要有人类数据兜底。

在工业场景里，这个逻辑其实已经被接受。自动标注工具被定位为“预处理环节”，先把大量无标签数据粗筛一遍，人工只负责复核和修正难例。模型生成的合成数据被要求与真实数据混合训练，而不是完全替代。这不是对AI能力的否定，而是对当前技术边界的诚实承认。

真正值得关注的不是“AI能不能完全自己训练自己”，而是人类标注的角色正在从“生产者”变成“审核者”。标注员不再需要一帧一帧画框、一条一条写答案，他们的工作变成了定义标准、检查AI的输出、处理AI拿不准的边界情况。这个转变已经在发生，它不轰动，但可能是这一轮AI效率革命里最实在的变化。

至于完全不需要人类的“自我进化”，目前来看，还停留在论文里的理想条件和精心设计的实验环境中。现实世界的噪声、偏差和长尾问题，暂时还没有哪个模型能靠自己完全消化。