递归自我改进进入工程视野：AI参与下一代AI研发的现状与应对

从科幻走向工程：什么是递归自我改进

1965年，数学家I.J. Good提出了一个经典设想：如果一台机器比人更擅长设计机器，那么它就可以不断设计出更聪明的版本，形成自我强化的反馈回路。这套理论后来成为智能爆炸概念的源头。

今天讨论的递归自我改进（RSI），焦点已经从AI能否自己改代码、调参数，转向一个更现实的问题：AI能否真正进入研发下一代AI的整套流程，并让这套流程本身越来越快。

2026年10月发表的论文《What if automating AI R&D triggers an intelligence explosion?》汇集了22位作者，包括Geoffrey Hinton、Yoshua Bengio、Andrew Barto、Jakub Pachocki等，系统讨论了这一问题。

关键数据：AI在研发中的渗透速度

论文引用了头部实验室的内部数据，描绘出AI在研发环节渗透速度的变化轨迹：

AI生成的获批代码占比，2025年1月仅为低个位数百分比，到2026年5月已超过80%。AI在仅接受高层次人类监督下自主完成的研发工作比例，2026年3月约为1%，到同年8月已升至26%，半年内翻了二十多倍。截至2026年9月，OpenAI内部AI系统已可以经常完成原本人类员工需要数天的研发任务。

更关键的变化在于AI能独立处理的任务长度在持续增长。AI研发不只是写代码，还包括提出研究假设、设计实验、实现实验、分析结果、定位失败原因、调整路线。这些环节中，任何单项被自动化只能算AI辅助研究；真正敏感的节点是它们开始被串成一条长链，由一个AI系统长时间连续推进。

有效研发劳动力：当研究员可以被复制

论文引入了一个核心概念：有效研发劳动力（effective R&D workforce）。其逻辑在于AI研究员与人类研究员存在一项根本差异，即前者可以复制。

培养一名顶尖人类研究员需要五年博士训练加上多年科研积累，而AI研究员只需启动一个新实例。它可以24小时工作，可以成千上万个实例并行，一旦底层模型升级，整支AI研发团队也能同步获得新能力。

论文估算，如果AI达到顶级人类AI研究员水平，且推理成本与当前前沿模型相当，一家领先AI公司的现有算力理论上可以支撑数百万名顶级人类研究员等价的AI研发劳动力。今天的前沿AI实验室团队规模仅为数千人量级，两者差距达几个数量级。

不过需要避免一个常见误解：100万AI研究员不会自动带来1000倍研发速度。科研天然存在边际收益递减，10个人研究一个问题可能比1个人快很多，但100万人同时研究一个问题很可能产生大量重复工作和资源争抢。

论文真正试图计算的是另一件事：新增AI研发劳动力带来的收益能否跑赢科研本身越来越难。论文引用了一项对三个AI研究子领域历史数据的研究，得到研究回报r的中心估计约为1.2—1.9。假设类似回报能够维持，且短期内没有新的算力、数据瓶颈突然卡死整个系统，模型得到的结果是：AI技术进步速度可能在大约1.5年内提高10倍。换算下来，今天需要一年完成的进步，未来可能只需要约5周。

现实约束：智能爆炸并未闭环

论文明确指出，当前证据还不足以证明智能爆炸已经发生。AI研发自动化与智能爆炸之间隔着多道现实门槛：

算力约束方面，AI研究员可以复制，GPU不能凭空复制。如果大量关键实验都需要运行大型模型，再多Agent也可能