引子：从AGI到RSI，硅谷的图腾切换
2026年8月初，「硅谷巴菲特」Chamath Palihapitiya在社交平台X上抛出了一份被多家媒体广为传播的「AI奇点路线图」：人类构建AGI → AGI擅长做AI研究 → 它设计出更聪明的AI → 那个AI再设计更聪明的AI → 循环不断重复且加速。同期在UC伯克利的一场峰会上，Google DeepMind首席战略官Jasjeet Sekhon给出了一组更具冲击力的判断：当下全球科技巨头史无前例的资本开支，本质上都在押注三个字母——RSI（Recursive Self-Improvement，递归自我改进）。
本文将围绕这条主线，依次拆解RSI的定义与原理、硅谷的资金逻辑、三家头部实验室的最新样本，以及与之伴生的安全风险与时间线预测。
一、什么是RSI：原理与门槛
1. 概念分层
- 弱意义RSI：AI辅助人类做AI研发，例如自动调参、生成训练代码、优化推理内核。Sekhon认为这已经发生。
- 强意义RSI：一个AI模型能完全独立地重新设计自己的底层架构，甚至从零造出一个新世代模型，整个过程不需要人类科学家介入。Sekhon及DeepMind研究员给出的定义明确指向这一层。
2. 为什么重要
按照Chamath的说法，一旦RSI真正实现，「所有AI模型的边际成本都将趋近于0」。Sekhon则将其描述为「21世纪最大的科学押注」：今天的算力投入是「线性支出」，而RSI让投入具备复利属性——这一代AI帮你更快造出下一代，下一代再帮你造下下一代。
类比：Sekhon在峰会上用工业革命类比——人类曾用第一代蒸汽机造出更强的蒸汽机。但他也承认，今天的AI距离真正意义上的RSI仍有距离。
3. 推断与边界
需要区分事实与推断的是：上述复利逻辑是建立在「RSI终将实现」这一前提之上的假设。一旦RSI未如预期实现，这笔账将变成不断折旧的固定资产成本（数据来源：新智元整理自峰会发言）。
二、2000亿美元的赌局：「AI气穴」是什么
1. 资金规模
根据新智元报道引述的峰会数据，谷歌仅2025年一年在AI数据中心、芯片和基础设施上的总资本开支就达到约1950亿–2050亿美元，且仍在增加。该数字超过阿波罗登月和曼哈顿工程的量级，Sekhon称其为「人类文明有史以来最大的一场科学押注」（来源原文用语）。
2. 「AI气穴」（air pocket）的含义
这个词借自航空术语，形容飞机在飞行中遭遇气压骤降而猛地下坠。在AI语境中，Sekhon用它描述一种资本与收入的错位：
- 数据中心已建好、芯片已上架、电力已接入；
- 但能兑现这笔投入的RSI或AI变现路径，尚未如期出现。
- 投资人在此期间持有的是「空中楼阁」式的预期。
华尔街的早期信号：在Sekhon之前，华尔街已用air pocket形容类似局面——资本开支跑在收入前面。新智元援引分析指出，从财报看，当前AI软件或云服务的收入增速，暂时覆盖不了上述量级的资本支出。
3. 为什么还要继续赌
Sekhon给出的逻辑是「赢家通吃」：一旦RSI落地，率先掌握RSI的公司将拥有接近零边际成本的生产力，对所有竞争对手形成「降维打击」。从这一框架推断，押注失败的成本是巨额折旧，而押注成功的回报是近乎垄断的算力与智力资源——理性策略是「做空它显然不明智」。
⚠️ 上述「赢家通吃」推论来自Sekhon发言中表述的赌徒逻辑，并非已发生的事实。
三、三家实验室的样本：弱RSI已经在，强RSI尚未到
案例1：Google DeepMind的AlphaEvolve
- 做什么：用AI来优化算法。
- 已披露的成绩（来源原文）：
- 把Gemini训练里的一个关键内核提速约23%，整体训练时间下降约1%；
- 改过的电路设计被写进下一代TPU芯片；
- 已被Google基础设施作为常规工具使用，例如某项缓存策略2天完成此前需数月的工作。
- 意义：这是「AI帮着造芯片、造更快的AI」在工业级系统里落地的现实证据。
案例2：Anthropic的九智能体实验
- 设置：9个Claude智能体被放进一个限定的对齐研究任务，自行提假设、跑实验、交换发现。
- 对比数据（来源原文）：
- 2位人类研究员干一周，追回约**23%**的性能差距；
- 9个智能体累计约800小时、花费约1.8万美元，追回约97%。
- 重要反证（同一报告）：当把这套「最有效方法」搬到Claude真实的生产训练环境里，没有带来统计上显著的改进。
- 解读：限定任务中的加速 ≠ 重构AI本身的能力。两者之间仍存在一道鸿沟。
案例3：OpenAI的GPT-5.6 Sol
- 披露内容（来源原文，2026年7月）：
- 经Codex自主改写生产环境GPU内核，端到端推理成本下降约20%；
- 给推测解码模型跑了几百次架构实验，token生成效率提升超过15%；
- 首次在发布材料中公布名为「RSI Index」的自我改进评测指标。
- 官方克制表述：OpenAI在系统卡中表示，GPT-5.6 Sol尚未达到其自定义的「High」自我改进门槛；它能解决一部分真实研究问题，但尚不能可靠地设计并执行完整的后训练方案。
小结
三家样本放在一起可以画出一条相对清晰的现状线：
| 维度 | 当前事实 | 推断与限制 |
|---|---|---|
| AI辅助AI研发 | 已经在工业系统中发生 | 仍是弱RSI |
| AI独立做限定研究 | Anthropic案例显示成本与效率优势 | 迁移到生产训练未见统计显著改进 |
| AI重写自身底层架构 | OpenAI GPT-5.6 Sol具备部分能力 | OpenAI自评未达「High」门槛 |
| 真正RSI闭环 | 尚未实现 | 距「AI独立设计并部署更强继任者」仍有距离 |
四、风险一：网络安全的不对称失衡
新近加入Meta「超级智能」部门的伯克利CS教授Dawn Song与Sekhon在峰会上共同强调了攻防失衡问题。核心观点：
- 短期内AI的发展「更有利于攻击者」——攻击者只要找到一个漏洞就成功，防守者必须防御所有可能的攻击。
- 场景化的担忧：当恶意行为者用智能AI智能体给开源代码库投毒、扫描利用人类程序员留下的漏洞时，能源电网、医院系统、金融网络等关键基础设施在超级AI面前可能极为脆弱。
事实 vs 推断：Dawn Song给出的是风险框架与场景描述，并非已发生的事件。新智元原文亦未引用具体攻击案例。
五、风险二：生物安全的「自然语言即武器」
Sekhon在峰会上提出一个被多家媒体标注为「极其可怕」的场景：今天的世界已经接近这样一个状态——任何一个人，只靠自然语言与模型对话，就能设计出一种致命病毒或蛋白。
应对建议（Sekhon提出）：
- 未来社会应像今天追踪制造炸药的化肥一样，对所有「具有生物相关性的材料」实行严格的许可、监控与追踪；
- 谷歌正尝试把用于识别AI生成内容的SynthID水印技术迁移到生物学领域，用于扫描为药企合成的DNA序列，排查其中是否存在由AI偷偷生成的、致命风险的「恶意代码」。
⚠️ 这些是提议中的应对方向，不是已部署的系统。
六、倒计时：各方时间线
| 人物/机构 | 给出的时间线 | 性质 |
|---|---|---|
| Chamath Palihapitiya | 未来18个月RSI将快速提升AI能力 | 投资人预测 |
| Jasjeet Sekhon（DeepMind） | 真正的RSI「很可能在未来几年内出现」 | 战略官判断 |
| Oriol Vinyals（DeepMind研究副总裁） | 2027或2028 | 研究负责人预测 |
| Wojciect Zaremba（OpenAI联创） | 2027或2028 | 研究负责人预测 |
需要指出：上述时间线是个人或机构在峰会上的口头判断，并非已确立的技术路线图。
七、实践建议：如何理性看待这场赌局
基于上述事实与公开论据，以下建议属于基于来源材料的合理推断，而非具体可执行的方案：
- 区分「已发生」与「被押注」。AlphaEvolve写进TPU、GPT-5.6 Sol重写GPU内核，这些是事实；RSI闭环是押注。财报中要把这两者分开评估。
- 关注「限定任务」与「生产环境」的鸿沟。Anthropic的案例提示我们：实验环境的高分未必能迁移到真实训练流程。
- 把RSI Index这类新指标当作信号而非结论。OpenAI首次公布自我改进评测，意味着行业开始尝试量化「AI改进AI」的能力，但该指标的口径尚不成熟。
- 风险端要看攻防比，而非绝对能力。即便AI绝对能力未达AGI，攻击面的扩张速度也可能先于防御能力形成实际威胁。
- 生物安全需要制度而非技术单点。仅靠水印或DNA扫描不足以构成防线，需要类比炸药前体的全链条许可与追踪机制。
八、结论
- 事实层面：弱RSI已经在工业系统中发生，三家头部实验室给出了可验证的样本；强RSI尚未实现，OpenAI自评GPT-5.6 Sol未达「High」门槛。
- 推断层面：硅谷巨头把赌注押在「RSI会让资本投入具备复利属性」上，这一逻辑成立的前提是RSI终将实现。
- 风险层面：网络安全与生物安全的攻防失衡被峰会参与者视为最现实的短期威胁，而非「AI突然变聪明」。
- 时间层面：从18个月到2028年，不同角色的预测窗口不一，但整体方向一致——RSI的倒计时已经摆在桌面上。
蒸汽机造出了更好的蒸汽机，人类迎来工业革命。今天的AI是否将复刻这一剧本，仍取决于「气穴」期内，资本与研发节奏能否对齐。