AI教父警示：递归自我改进或引发“智能爆炸”，研发周期恐压缩至五周

【科技纵览】当人工智能开始深度介入下一代模型的构建，人类或许正伫立在“智能爆炸”的临界点。近期，备受关注的递归自我改进（RSI）概念再次引爆学界，甚至惊动了图灵奖得主、被誉为“AI教父”的杰弗里·辛顿（Geoffrey Hinton）。他领衔发表了一篇题为《如果自动化AI研发触发智能爆炸会怎样？》的重磅论文，探讨了一个极具颠覆性的命题：若AI大规模参与研发，且新一代AI反过来加速这一过程，这种循环是否会导致智能水平的指数级跃升？

这篇论文的阵容堪称豪华，除了辛顿，还包括另一位AI先驱约书亚·本吉奥（Yoshua Bengio）、强化学习泰斗安德鲁·巴托（Andrew Barto）以及OpenAI首席科学家雅各布·帕霍基（Jakub Pachocki）等22位顶尖学者。他们共同审视的核心在于，一旦AI能完整闭环地参与下一代AI的研发，所谓的“智能爆炸”可能不再遥不可及。理论推演显示，原本需要数年才能实现的突破，未来可能被压缩至数月乃至数周；实验室的研发规模也可能从几千人瞬间膨胀至数百万“虚拟研究员”。值得注意的是，这种爆发未必依赖超级智能的出现，只要自动化效率越过特定阈值，反馈回路便可能自行启动。

回溯历史，“智能爆炸”并非新概念。1965年，数学家I.J. Good曾设想，若机器设计机器的能力超越人类，便会形成自我强化的反馈环。如今，RSI的关注点已从单纯的代码生成，转向AI能否接管整个研发流程并加速该流程本身。辛顿团队指出，AI已实质性进入研发流水线，且速度惊人。数据显示，2025年1月，AI生成的获批代码占比仅为个位数；而到了2026年5月，这一比例飙升至80%以上。更关键的是自主性指标：2026年3月，Claude在高层监督下仅能自主完成约1%的研发任务，同年8月这一数字已增至26%。这意味着半年内自主能力提升超二十倍。尽管Anthropic强调目前尚无完全无人监督的案例，但趋势已然明朗。截至2026年9月，OpenAI内部系统已能频繁承担需人类耗时数天的任务，其核心突破在于能够串联数十个步骤，持续数小时乃至数天推进同一研究目标。

相较于化学或生物实验受限于物理世界的反馈延迟，AI研发主要发生在数字环境中，代码执行与结果验证几乎即时完成。这种特性使得由软件驱动的智能爆炸具备了工程可行性。算法、训练策略及Agent工作流一旦验证有效，便可迅速部署至下一轮迭代，从而缩短反馈周期。然而，真正的变量在于“有效研发劳动力”的可复制性。人类培养一名顶尖研究员需历经多年教育与经验积累，而AI只需增加算力实例即可实现规模化扩张。论文估算，若推理成本维持在当前水平，一家领先AI公司的算力足以支撑数百万名等效顶级研究员。这种同步升级的能力，彻底打破了人类科研的人才供给瓶颈。

当然，规模的扩张并不直接等同于速度的线性提升。科研存在边际收益递减规律，百万人同时攻关可能导致资源挤兑与创新瓶颈。因此，论文引入了“研究努力回报率”（r）这一关键变量。基于对三个AI子领域历史数据的分析，r的中心估计值约为1.2至1.9。假设全面自动化得以实现且回报维持稳定，模型预测AI技术进步速度可能在1.5年内提升10倍。换言之，当前一年的进步量，未来仅需约5周即可完成。此外，若仅维持现有软件效率改进趋势，自动化研发劳动力在数月至数年内亦可能扩大百倍。这种增长源于研究员数量与个体能力的双重提升，使得研究能力本身成为一种可快速迭代的“软件”。

尽管前景看似惊悚，但辛顿团队保持审慎，认为当前证据尚不足以证实智能爆炸已经发生。从自动化到爆炸式加速之间，仍存在多重现实壁垒。首先是算力约束，GPU等硬件无法像软件那样无限复制，大型模型的训练仍需数月时间，百万Agent也无法将物理时间压缩。其次是数据瓶颈，互联网天然高质量数据日益枯竭，合成数据与环境交互能否提供足够训练信号仍存疑。再者，实验本身的并行度有限，芯片制造与数据中心建设均需漫长周期。最后，随着易得算法被挖掘殆尽，后续突破的成本将急剧上升，若难度增速超过AI研发能力的提升，智能爆炸便难以成型。

综上所述，虽然智能爆炸尚未成为既定事实，但其已从科幻构想转变为亟待应对的现实议题。2026年的标志性意义，或许不在于某个模型分数的微小提升，而在于人类首次深刻意识到，AI最剧烈的Scaling效应，可能正发生在“研究AI”这一元过程之中。