2026年8月，中国AI领域迎来一个被业内称为“NeoLab时刻”的里程碑。团队EverMind在同一天发布三篇论文，系统性地展示了全栈自进化的技术路线。这三篇论文分别从算法、架构和系统三个层面，完整勾勒出AI模型自主进化、持续迭代的技术蓝图。消息发布后，多个海外顶尖实验室迅速跟进，NeoLab浪潮呈狂飙之势。
事件概览
8月8日，EverMind团队在预印本平台和官方渠道同步公开了三篇论文。这三篇论文中，第一篇聚焦于算法层面的自进化策略，提出了一种无需人工干预的模型参数动态调整机制；第二篇在架构层面设计了一种可扩展、可重组的神经网络结构，使得模型能够根据任务复杂度自动增减模块；第三篇则在系统层面实现了训练、推理、评估的闭环自动化，将整个开发流程压缩为单个指令。三篇论文合在一起，构成了从底层算法到上层系统的完整自进化方案。
EverMind团队表示，这是“全栈自进化”概念首次被完整实现。此前，业界对自进化的讨论多停留在理论或局部突破，而EverMind的论文首次以可验证的实验数据证明，AI系统可以在脱离人类调参的情况下，自主完成从训练到部署的全流程优化。
核心信息
算法层：动态参数进化
第一篇论文的核心在于提出了一种名为“参数漂移校正”的算法。该算法允许模型在训练过程中持续采集自身性能指标，并依据这些指标自动调整学习率、权重衰减等超参数，而无需依赖外部搜索策略。实验表明，该算法在多个CV和NLP基准任务上，性能提升幅度达到5%至12%，且训练周期缩短约30%。
架构层：可重组神经网络
第二篇论文介绍了“神经模块化架构”。不同于传统固定结构的网络，该架构将模型拆分为若干独立但可组合的模块。每个模块可以独立训练、替换或删除，且模块间的连接方式也能由模型自身根据任务特性进行演化。这种设计使得模型在面对新任务时，无需重新训练整个网络，仅需重组部分模块即可达到接近从头训练的效果，大幅降低了迁移学习成本。
系统层：全流程自动化
第三篇论文更偏重工程实现。它描述了一个名为“AutoEvolve”的系统框架，将数据预处理、模型训练、超参数调优、验证、部署等环节全部纳入自动化闭环。该框架内部集成了强化学习智能体，能够根据当前模型状态和资源约束，动态分配计算资源，并决定何时停止训练、何时启动新迭代。在测试中，AutoEvolve实现了一个完全无人干预的“训练—评估—再训练”循环，持续优化直至收敛。
影响与观察
EverMind的三篇论文发布后，迅速在AI社区引发讨论。海外方面，OpenAI、DeepMind、Anthropic等团队均在社交媒体上表示关注，其中部分团队已开始尝试复现论文中的方法。值得注意的是，NeoLab这一概念在此前已零星出现，但EverMind的成果使得NeoLab从概念走向了实质性落地。所谓NeoLab，即“新实验室”的缩写，特指那些以AI自主进化、自动化研究为核心范式的新型研发机构。与传统实验室依赖人类科学家主导实验不同，NeoLab的核心理念是让AI系统本身成为研究主体，通过持续自进化来探索算法和架构的边界。
目前，国内已有超过10家AI初创公司宣布启动NeoLab计划，海外则有至少5家顶级大学实验室跟进。这股浪潮的驱动力在于：随着模型规模持续增长，传统人工调参和试错式研发的效率瓶颈日益凸显。全栈自进化提供了一条可能的路径——让AI承担起自身的优化任务，从而释放人类研究者的创造力。
当然，NeoLab浪潮也面临挑战。首先是可解释性问题：当模型自主调整参数和结构后，人类如何理解其决策逻辑？其次是安全性：自进化系统可能在优化过程中产生不可预知的副作用。EverMind在论文中展示了部分可解释性模块，但距离完全透明仍有差距。此外，这套方案对计算资源的要求较高，小型团队可能难以承担。
结语
三篇论文，一个方向。EverMind的答卷为NeoLab浪潮写下了一个掷地有声的开篇。全栈自进化是否真能成为AI研发的未来范式，还需要更多实验和时间的检验。但可以确定的是，当AI开始学会自己“进化”自己，AI领域的研究范式正在发生深刻的转变。中国团队在这波浪潮中率先交卷，既是一种实力证明，也开启了一场全球竞赛。接下来的发展，值得持续关注。
信息来源：量子位，查看原始信息。本文由 AI ONLINE 基于公开资料整理，信息可能随时间变化，请以官方发布为准。