ADAPTION LABS
反规模主义者的赌注

Adaption Labs 由 Sara Hooker 和 Sudip Roy 于 2025 年在旧金山创立。Hooker 是 AI 研究圈里最知名的"反规模论者"之一——她 2020 年的论文《The Hardware Lottery》论证了 AI 研究结果严重依赖"哪些想法碰巧适配现有 GPU 架构"，是一篇被广泛引用的批判性作品。她此前在 Google Brain / DeepMind 多年，后加入 Cohere 出任 AI 研究副总裁并领导 Cohere Labs，2025 年离职创业。Roy 此前是 Cohere 推理计算方向负责人，两人在 Cohere 的合作经历，形成了 Adaption 的核心命题：训练效率问题比参数规模问题更根本。

Hooker 2025 年 10 月在 TechCrunch 上的公开表态很直接："AI 行业正在经历一个'清算时刻'——进步将不再来自堆更大的模型，而是来自能够更廉价、更快速地适应特定任务的系统。"

公司围绕三大技术支柱展开：Adaptive Data（AI 系统实时推断并生成自己需要的训练数据，而非依赖大型静态语料库）、Adaptive Intelligence（根据任务难度自动调整计算量）、Adaptive Interfaces（从用户实际交互中持续学习）。核心技术路线是 gradient-free 学习——让模型在运行时实时适应新信息，而不需要完整的反向传播重训练。

2026 年 2 月，Adaption 完成 5000 万美元种子轮融资，由 Emergence Capital 领投，Mozilla Ventures、Fifty Years 跟投，投后估值达到 10 亿美元。三个月后的 2026 年 5 月 13 日，公司发布首个公开产品 AutoScientist——一个自动化微调研究循环系统，同时优化训练数据与模型配置，自动执行"数据选择 → 模型调整 → 评估 → 迭代"的端到端循环，不依赖人工研究人员手工调参。

官方公布的性能数据：AutoScientist 选出的配置，在 Adaption 自建的评估基准上，胜率从 48% 提升至 64%，相当于 35% 的相对提升，对比对象是 Adaption 自家研究人员手工选择的配置。

在 AutoScientist 之前，公司已于 2025 年底推出 Adaptive Data 产品——让 AI 系统动态生成自己需要的训练数据，而非从大型静态语料库中选取，直接回应"data wall"（高质量训练数据枯竭）问题，可以理解为测试时训练（test-time training）在数据层面的实现。

Adaption 面对的第一个张力来自它自己公布的数字。AutoScientist 声称的 35% 胜率提升，衡量基准是 Adaption 自己设计的评估集，没有第三方独立验证。技术评论圈已经提出质疑（HackerNews，2026.05）："这不就是在自己设计的游戏里赢了自己？"——这不否定技术本身，但意味着这个数字目前还无法与行业公开 benchmark 交叉验证。

第二个张力更耐人寻味：Hooker 自己的成名作《Hardware Lottery》论证的是"AI 研究受制于硬件架构锁定"，而 Adaption Labs 目前仍在英伟达 GPU 上运行。gradient-free 学习理论上的计算效率优势，在当前 H100/H200 架构下是否真的成立，尚无公开基准验证——这是创始人的学术遗产与商业实现路径之间一处尚未言明的落差。

更宏观的问题是时机：Adaption 的 anti-scaling 命题恰好出现在 GPT-5、Claude 4 等模型证明规模化仍能持续带来能力跃升的窗口期。$50M 种子轮能拿到 $1B 估值，说明资本市场对"更聪明地训练"这个叙事已有相当接受度，但这个命题能否被验证还是被证伪，很大程度上要看未来 12–18 个月内规模化路线是否真的触及收益递减。