“AI 正在造 AI，却越造越吃力。”
当前，AI 行业对“递归自我改进”（Recursive Self-Improvement，简称 RSI）抱以极高期待。OpenAI、Anthropic 及阿里巴巴等头部机构纷纷展示 AI 辅助研发的进展，业界普遍认为“智能爆炸”近在咫尺：一旦 AI 学会自我改进，能力或将呈指数级跃升，直冲超级人工智能（ASI）。
然而，前微软合伙人、科技投资人 Ramez Naam 基于头部机构真实研发数据与经济学模型提出冷峻观点：AI 确实在增强自身，但收益正逐轮递减。当前 AI 自我改进回路的实际强度，仅为触发“智能爆炸”理论阈值的 10% 到 20%；若要实现自我维持的加速进化，效能需再提升 5 至 10 倍。在巨额过程损耗面前，现有系统连维持匀速进步已显吃力。
Naam 从以下五个维度深度剖析这一结论：
界定边界：剥离“自主性”与“智能爆炸”的强绑定，明确当前处于“AI 辅助提效 + 改进较弱模型”阶段；
宏观视角：指数级资源投入对撞指数级研发壁垒，现实产出仅勉强维持线性匀速；
微观实证：AI 缺乏科研直觉，脱离人类主导后独立攻坚极限仅约 15 分钟；
战术分析：测试时计算、智能体集群与扩大模型规模三条捷径，均难逃收益递减铁律；
量化终局：证实进化回路距起飞门槛仍有 5 到 10 倍的效能鸿沟。
RSI 盲区：自主不等于智能爆炸
在“自我进化”的讨论中，RSI 的边界常被模糊。Naam 将 RSI 精细拆解为五个相互交叠的类型：
AI 辅助研究员：研究由人主导，AI 提升效率（已普遍出现）；
AI 改进较弱的模型：AI 独立训练或改进能力不如自身的模型（已出现）；
AI 自主改进自身：AI 能自主迭代同级模型，但“人+AI”组合仍强于纯 AI（尚无明确证据）；
AI 完全自主改进自身：人类无法再为研究贡献价值（尚未出现）；
快速起飞：AI 克服“收益递减”，回报滚雪球式增长（尚未出现）。
这五类并非必须逐级完成。决定智能爆炸的关键并非 AI 的自主程度，而是收益能否不减反增。若无法突破收益递减规律，即便 AI 完全独立，每前进一步也将比上一步更费力。换言之，AI 能自主，未必能加速智能进化。
宏观账：赌指数爆发，砸出线性回报
从宏观大盘看，行业面临严重的“投入产出比错位”。
按“智能爆炸”设想，AI 深度参与研发应使进步曲线陡峭化。但现实显示：行业投入成百上千倍的资源，仅勉强“保住”了原有的匀速。
Epoch AI 编制的 Epoch 能力指数（ECI）显示，2024年1月至2026年9月，前沿模型能力每年稳定上涨约16分——速度虽快，但毫无飙升迹象。
此前 Anthropic 内部 AECI 指数曾显示能力陡然上扬，引发“冲向智能爆炸”的担忧。但 Naam 指出，那仅是技术跃进带来的阶跃式跳升，长期整体增速并未加快。
平静曲线背后，是急剧膨胀的成本。自2023年2月以来，算力、资金、人才、电力等核心投入陡增，而模型能力产出依然平缓：
算力暴涨：全球 AI 芯片算力（折合英伟达 H100）三年多增长约 127 倍；
财务上限：美国 GDP 的 3% 正流向 AI 基础设施，投入已超出巨头利润覆盖范围，愈发依赖 AI 收入增长。
研发端的真实转化率极低。OpenAI 《研究加速报告》揭示了惊人的“过程损耗”：
资源消耗：研究员人均消耗 token 激增 124 倍；
代码产出：工程师人均代码量增加约 7 倍；
实验数量：人均实验次数为2025年平均水平的1.6倍（+60%），该指标更接近有用研究产出。
实验增多并不等于进步加速。依据指数为 0.2 的幂律推算，60% 的实验增量最终可能仅换来 10% 左右的研发提速。
根本原因在于“前沿创新正变得越来越贵、越来越难”，受多重规律制约：
摘苹果模型：AI 能快速解决基础问题，但突破性创新思路随难度增加而稀疏；
Eroom 反摩尔定律：类似制药业，软件与 AI 研发基础难度上升，成本倍增；
Karpathy 工程实证：AI 智能体自主写代码实验中，92%的收益在前44轮被榨干，随后陷入低效盲搜。
Anthropic 数据同样印证了这一错位：使用 AI 后员工个人生产力约为原来的 4 倍，但要让整体进步速度翻倍，生产力需达到不用 AI 时的约 40 倍。从 4 倍到 40 倍，横亘着十倍的技术阻力墙。
这表明，AI 带来的是线性效率提升，而前沿科研难度却是指数级扩大。Anthropic 强调“维持”一词，意指大量使用 AI 仅是为了在当前高阻力环境下保持进步速度不倒退。
微观账：AI 独立研究深陷“15 分钟魔咒”
脱离人类专家“掌舵”，AI 独立单干能撑多久？这是实现完全自主自我改进的核心前提。
近期 OpenAI 模型在纳维–斯托克斯方程证明上的成功，展示了 AI 在数学等“高度可验证”领域的狭义超级智能。但这容易让人产生错觉，误以为 AI 能轻松接管充满方向模糊性的前沿架构研发。
行业跑分与真实数据存在巨大鸿沟：
乐观评估：METR 评估 Claude Mythos Preview 可独立完成 3 小时编程任务；Epoch 预测 GPT-5.6 Sol 可达 4 小时。
预测的 4-11 小时与实测的 15 分钟相差 16 到 44 倍。究其原因：
首先，专门衡量 AI 研发能力的基准测试陷入停滞。如 CoBench 测试中，最新模型表现提升微乎其微。其次，此类测试多考察“排查 Bug”等修补工作，而非“发明新架构”的破局能力。
更深层短板在于，AI 欠缺顶尖科学家的“科研直觉与判断力”。Anthropic 坦言，模型在开放式研究中偏爱保守假设。Naam 推测，由于训练数据中渐进式样本远多于突破性成果，AI 难以学会颠覆式思维跃迁。
三条加速捷径，全撞上收益递减
面对困境，业内尝试三条加速路径，但均受收益递减制约：
1. 加大测试时计算（Test-time Compute）
通过增加推理阶段算力弥补直觉不足。但测试时计算遵循对数增长曲线：算力翻倍，成本翻倍，成功率仅微弱提升，性价比极低。
2. 组建智能体集群（Agent Swarm）
通过“人海战术”分摊任务。牛津学者 Toby Ord 提出“平方根法则”：100 个智能体提速 10 倍，但成本涨 10 倍。且存在“想法雷同”困境，增加 AI 分身带来的新思路边际效益迅速下降。
尽管集群在漏洞挖掘等战术场景有价值，但无法用于发明划时代底层架构。Noam Brown 指出，多智能体方法在复杂数学证明中的贡献不到 10%，关键仍在于底层模型强度。
3. 强化学习与规模扩张
用更强模型做研究。虽然强化学习在可验证领域效果显著，但随着稠密模型变大，生成每个 Token 的计算资源直线上升，同样无法逃脱收益递减。
终账：真实鸿沟约 5 到 10 倍
递归自我改进（RSI）引发现实“智能爆炸”的数学门槛在哪里？
Cunningham 等人的经济学模型指出，核心指标为“AI 能力每提高 1 个 ECI 分，研究效率能提高多少”：
理论起飞门槛：约为 15% 至 19%。达到此数值，自我改进收益才能推动下一轮加速。
当前估算：依据 Anthropic 调查估算约为 9%，已低于门槛。
Naam 认为 9% 仍过于乐观。基于 OpenAI 底层实验数据重算发现，扣除 token 与算力堆砌水分后，纯模型能力带来的效率增益仅在 2% 到 3%。
2% 到 3% 的现实对比 15% 到 19% 的门槛，意味着回路强度仅为门槛的五分之一到十分之一。
尽管有多维复合模型试图通过软件、硬件、经济回路互相输血来破局，但 Naam 指出其高估了全自动软件研究的产出，且忽略了物理落地的时间差。因此，“智能爆炸”目前仍属理论可能。
尾声：闭环，不等于起飞
Naam 认为，移除人类并不能消除 AI 研发固有的收益递减。回路闭合不等于能够起飞。未来改写局势的可能路径包括：
外部输血：依靠更快的芯片、更大数据中心和持续资本投入推动 AI 发展；
回路质变：通过更好的训练数据、记忆与研究判断力，或 Transformer 级突破实现质变；
多回路合力：软件、硬件、经济三条回路互相输血，但需警惕对软件回路的高估。
Naam 并非唱衰者，他相信 AI 将在特定领域远超人类，但怀疑通往全面超级智能的“快速起飞”。无论奇点何时到来，证据表明：目前的 AI 自我进化之路，比预想中更为艰难。
资料来源：
https://www.noahpinion.blog/p/wheres-the-intelligence-explosion
https://x.com/tanayj/status/2104004090007302287
https://www.alibabacloud.com/en/press-room/alibaba-unveils-roadmap-on-full-stack-ai-strategy
声明：本文为 AI 前线编译，不代表平台观点，也不构成投资建议，未经许可禁止转载。
