Token用量暴涨124倍，研发提速仅一成？前微软合伙人万字长文质疑RSI引发“智能爆炸”

“AI 正在造 AI，却越造越吃力。”

当下，整个 AI 行业正处于“递归自我改进”（Recursive Self-Improvement，简称 RSI）的极度亢奋中。最明显的信号是头部公司接连表态、晒出进展：OpenAI 研究科学家、o1 早期贡献者 Noam Brown 透露，让 AI 做 AI 研究已是 OpenAI 的头号优先级，甚至排在做出“好卖”的模型之前；Anthropic 九成以上的研发任务已有 AI 协作或主导；阿里巴巴在云栖大会上宣称，Qwen3.8-Max 在一个多月的全自动运行中完成 33 轮迭代，Artificial Analysis 评分从 40 提升至 45。

在许多人看来，英国数学家 I. J. Good 上世纪 60 年代设想的“智能爆炸”已近在咫尺：AI 一旦学会改进自己，每一代都会更快地造出更强的下一代，能力可能在几个月甚至几天内“快速起飞”，直冲超级人工智能（ASI）。

就在这股热潮中，前微软合伙人、科技投资人兼作家 Ramez Naam 发表重磅长文，给这场狂热算了一笔清醒的底账。

这位曾以“激进的技术乐观主义”闻名、早在 2011 年就准确预判清洁能源成本“断崖式下跌”的乐观派，如今抛出了一个让人无法忽视的冷酷结论。基于头部 AI 机构内部真实研发数据，结合“递归自我改进”经济学模型与科研幂律，他给出判断：

AI 确实在帮 AI 变强，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”所需理论阈值的 10% 到 20%；若要实现自我维持式的加速进化，这条回路必须再增强 5 到 10 倍。而在巨额过程损耗面前，眼下的系统连维持匀速进步都已十分吃力。

针对上述推演，Naam 从五个维度层层剥开：

• 先界定：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；
• 算宏观：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；
• 算微观：AI 匮乏科研直觉，脱离人类主导后独立攻坚的极限仅约 15 分钟；
• 盘战术：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；
• 终量化：借用经济学模型估算，证实进化回路距起飞门槛仍有 5 到 10 倍效能鸿沟。

以下是这篇长文的深度梳理与重构。

RSI 盲区：自主，不等于智能爆炸

在“自我进化”的喧嚣中，RSI 的边界常被模糊：从 AI 辅助提效，到 AI 自我进化乃至触发超越人类认知的“智能爆炸”，仿佛撤走人类研究员，AI 就能搭上无限加速的列车。

为了理清头绪，Naam 将 RSI 精细拆解为五个相互交叠的类型：

• AI 辅助研究员：研究仍由人主导，AI 提升人类效率（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己的模型（已出现）；
• AI 自主改进自身：AI 能自主迭代同级模型，但“人+AI”的组合依然强于纯 AI（尚无明确证据，阿里的宣称仍待验证）。
• AI 完全自主改进自身：人类已无法再为研究贡献价值（尚未出现）；
• 快速起飞：AI 自我改进成功克服了“收益递减”规律，回报越滚越大（尚未出现）。

五类未必需要逐级走完，真正决定智能爆炸的，不是 AI 有多自主，而是收益能否不减反增。 Naam 指出，只要无法突破收益递减的铁律，哪怕 AI 完全独立（第四类），每往前迈一步只会比上一步更费力。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

当我们将视线从概念拉向宏观大盘，首先迎面而来的是一场严重的“投入产出比错位”。

按照“智能爆炸”的设想，AI 越深地参与研发，模型能力的进步曲线就该越陡峭。但现实却陷入了奇特的僵局：行业砸下成百上千倍的资源，仅勉强“保住”了原有的匀速。

研究机构 Epoch AI 编制了 Epoch 能力指数（ECI），用以评估各家模型综合能力；将每个时间点已发布模型中的最高分连起来，便构成了公开的前沿曲线：按 2024 年 1 月到 2026 年 9 月的数据拟合，这条曲线每年稳定上涨约 16 分——速度极快，但毫无飙升迹象。

对此 Naam 给出两种解释：要么是 AI 带来的提效被日益加剧的科研难度对冲了，要么单纯是爆发时机未到。

在这期间，Anthropic 内部曾用自建的 AECI 指数追踪到能力陡然上扬，让部分学者示警“正全速冲向智能爆炸”；但 Naam 拆解后指出，那只是一次技术跃进带来的阶跃式跳升，上了一个台阶后，长期的整体增速并没有继续加快。

无波澜的直线背后，是急剧膨胀的代价。 在 Naam 梳理的图表中，自 2023 年 2 月以来，他列出的六类核心投入（包括数据规模、算力、资金资本、人才与电力等）全都在陡增，而模型能力的产出却依然是平缓的匀速：

• 算力暴涨：按 Epoch 估算，全球 AI 芯片算力（折合英伟达 H100）三年多里增长了约 127 倍（含推理芯片及期末预测值）；
  

• 财务上限：美国 GDP 的 3% 正流向 AI 基础设施，投入已超出云计算巨头用利润所能覆盖的范围，今后会越来越依赖 AI 收入的增长。

成百上千倍的资源砸进去，研发端的真实转化率有多低？OpenAI 公开的《研究加速报告》提供了一个直观的切面，为我们清晰地展现了 AI 研发过程中惊人的“过程损耗”：

• 资源消耗： 研究员人均消耗的 token 激增 124 倍。
  
• 代码产出： 在 AI 的疯狂输出下，工程师人均写出的代码多了约 7 倍。
• 实验数量：人均实验次数为 2025 年平均的 1.6 倍（+60%），这一指标比 token 和代码更接近有用研究产出。

更残酷的是，实验多了 60%，并不等于进步快了 60%。在绝大多数科学领域，实验越多，单次实验的有效收获就越少。Naam 按照指数为 0.2 的幂律（Power Law）进行了推算：60% 的实验增量，最终可能仅仅换来了一成（10%）左右的研发提速。

转化率如此惨淡的根本原因是“前沿创新正变得越来越贵、越来越难”。这主要受到宏观经济规律与工程实证的多重制约：

• 摘苹果模型（Cunningham 与 Shetty）： AI 可以极快地摘下树冠底部的低垂果子，但低处摘完后，同一个智能体再复制一份也没用，越往上爬，突破性创新思路越稀疏。
  
• Eroom 反摩尔定律： 犹如制药业中新药研发成本每 9 年翻一倍的规律，软件与 AI 研发同样面临基础难度上升的困境。
  

• Karpathy 的 89 次实验（工程实证）： 前特斯拉 AI 总监 Karpathy 让 AI 智能体自主写代码连续跑了 89 个实验（耗时约 7.5 小时），结果 92% 的总收益在第 44 轮前就被榨干，此后迅速陷入低效盲搜，证明自动化逃不过盲搜中的收益递减。

Anthropic 披露的数据，从另一个角度印证了这场“投入产出的严重错位”：其内部工程师的人均代码量达到了 2024 年的 8 倍（与 OpenAI 的 7 倍相近）。在 Claude Mythos Preview 的系统卡中，Anthropic 对 130 名技术人员的调查显示：使用 AI 后，员工的个人生产力约为不用 AI 时的 4 倍。

但 Anthropic 极其清醒地指出：生产力提升无法 1:1 转化为模型能力的进步。要让整体进步速度翻倍，所需提效还要再高一个数量级。按 Naam 的换算，这相当于员工生产力要达到不用 AI 时的约 40 倍。

从 4 倍到 40 倍，中间横亘着十倍的技术阻力墙。

至此，这笔账已经被算得极其透彻：AI 确实让工程师敲代码变快了，但这仅仅是线性的效率提升，而前沿模型面临的科研难度黑洞，却是指数级扩大的。

这恰好解释了 Anthropic 在 Mythos 5.1 系统卡中为何特意强调“维持”（maintain）一词：内部大量使用 AI，仅仅是维持当前进步速度不倒退，根本看不到大幅加速的迹象。整个行业耗费百倍算力，拼尽全力，也只是在阻力越来越大的跑步机上保持匀速。

微观账：AI 独立研究

深陷“15 分钟魔咒”

宏观账算的是资源投入与回报的失衡，微观账则要直面一个更核心的追问：脱离了人类专家的“掌舵”，AI 独立单干究竟能撑多久？

要实现完全自主的自我改进，进而迈向“智能爆炸”，其核心前提是 AI 必须能可靠地接管长周期的复杂研发任务。

表面上看，AI 似乎已经展现出了极强的科研潜力。近期，OpenAI 宣布其模型成功给出了纳维–斯托克斯方程（克雷数学研究所千禧年难题之一）存在性与光滑性问题的证明。在围棋、定理证明以及寻找猜想反例等严密的数学领域，AI 正在展现出某种“狭义超级智能（Narrow Superintelligence）”。

但这极易让人产生一种危险的错觉，误以为 AI 能同样轻松地接管前沿 AI 自身的架构研发。现实是，数学之所以成为 AI 的主场，是因为它属于“高度可验证（Highly Verifiable）”的闭环领域：训练数据可以无限生成，结果对错能靠系统近乎完美地自动判定，且不需要等物理世界或人类的反馈。

但前沿 AI 研发恰恰相反，它充满了方向的模糊性，极度依赖试错与方向抉择。在标准答案明确的数学题上当“超人”，不代表在充满未知迷雾的架构探索中也拥有“超人”的判断力。

这种“狭义智能”与“全面研发”之间的巨大鸿沟，在行业跑分与前沿 AI 机构内部真实数据的对比中，暴露得淋漓尽致。

• 跑分与预测的乐观评估： METR 评估指出，Claude Mythos Preview 能以 80% 成功率独立完成 3 小时编程任务；Epoch 推算 GPT-5.6 Sol 可达约 4 小时，《AI 2027》则预测 11 小时。
  

• 真实研究： OpenAI 的数据显示，人类 15 分钟内能完成的研究任务，模型在无人干预下的成功率只有 86%；若以 80% 成功率为底线，模型能完全独立完成的任务时间跨度仅有约 15 分钟。Anthropic 在九成有 AI 参与或主导的研发任务中，由 AI 完全自主完成的数量是零。

一边是跑分和预测里的 4 到 11 小时，一边是真实科研前线测出的 15 分钟，两者相差了惊人的 16 到 44 倍。

更值得深究的是，为什么 AI 独立研究只坚持了 15 分钟？

一方面，专门衡量 AI 研发能力的基准测试本身已经陷入了停滞。以 Anthropic 专为历史 AI 研发难题构建的 CoBench 测试为例，最新的 Opus 5.5 表现仅比上一代 Opus 5 高出 2.6 个百分点，几乎完全落在误差范围内。

另一方面，这类基准测试与真正的“前沿科研”之间存在着巨大的鸿沟。CoBench 考的仅仅是根据代码和日志“排查 Bug”这类修补工作，根本无法检验模型能否“发明新架构”。 排查 Bug 终究只是在既有框架内打补丁，而前沿研发需要的是“从无到有”的破局。

一旦进入未知的科研“无人区”，AI 就暴露出一个更难补齐的短板——AI 明显欠缺顶尖科学家才具备的“科研直觉与判断力（Taste）”。Anthropic 在 Opus 5.5 的系统卡中坦言，模型在开放式研究上极度偏爱保守假设，难以给出突破性假设。Naam 对此推测：在人类积累的海量训练数据中，渐进式工作的样本远多于突破性成果，被普通数据喂大的 AI，难以学会进行颠覆式的思维跃迁。

三条加速捷径，

全撞上收益递减

面对双重困境，业内寄希望于三条强行加速的捷径，但Naam 逐一检查后发现，三条路径都受收益递减（diminishing returns）的制约。

• 多想一会儿，即加大测试时计算（test-time compute）。

第一条路是挖掘推理阶段的潜力。既然模型直觉不够，那就让它在输出前多做推理。但 Naam 指出，测试时计算遵循的是对数增长曲线（Logarithmic Growth）：算力每翻一倍，成本翻倍，解题成功率却只沿着曲线向上微微抬升一小格。用巨大的财务代价换取微弱的边际提升，性价比极低。

• 多开分身，即组建智能体集群（agent swarm）。

单个模型撑不久，业内便试图通过“人海战术”来实现：让成百上千个 AI 组成智能体集群（Agent Swarms）来分摊任务。

对此，牛津学者 Toby Ord 提出了一个著名的“平方根法则（Square Root Law）”：

• 100 个智能体将 10 小时的任务压到 1 小时，提速 10 倍（100 的平方根）；
• 总耗时从 10 个‘智能体·时’变成 100 个，成本涨了 10 倍。

更麻烦的是“想法雷同（Idea Redundancy）”困境。一项对比大模型与 467 名人类创造力的研究发现：前 10 个 AI 回答还能凑出不错的集体多样性（相当于 8 到 10 个人），此后再增加 AI 分身，其带来的新思路呈明显下降，甚至需要两个 AI 的输出才能抵得上一个人的增量。

但集群并非毫无用处，安全研究者 Lisan al-Gaib 指出，在大规模并行的漏洞挖掘或网络攻防中，只要能把搜索空间分给海量智能体，即便效率不高、Token 账单极高，也具有极强的战术价值。

但这种暴力搜索只适合在已知范围内“地毯式踩雷”，无法用来发明像 Transformer 般划时代的底层架构。连人称“OpenAI 推理教父”的 Noam Brown 都明确表示，多智能体方法在纳维–斯托克斯方程证明中的贡献甚至不到 10%。关键仍是底层模型足够强。

• 造一个更强的模型，强化学习与规模扩张。

这是支持 RSI 最有力的论据：目前的 AI 不行，就用下一代更强的模型来做研究。OpenAI 破解千禧年数学题的杀手锏，正是在预训练上叠加了大规模强化学习（RL）。但在高度可验证领域威力惊人的同时，造更强的模型同样无法逃脱收益递减。随着稠密模型（Dense Models）越做越大，生成每个 Token 消耗的计算资源反而直线上升，投入越多、回报越少。

简而言之，无论选择哪一条加速捷径，都无法从根本上消除科研难度上升带来的收益递减。这些尝试终究无法触及智能爆炸的真正奇点。

终账：真实鸿沟约 5 到 10 倍

当把宏观、微观与战术阻力代入经济学模型，最终算出的结果撕开了智能爆炸的幻想。

那么，递归自我改进（RSI）要真正引发“智能爆炸”，数学上的起飞门槛究竟在哪里？

经济学者 Tom Cunningham 等人在论文《递归自我改进的经济学》中建立了一个量化模型，用一个核心指标衡量回路强度：AI 能力每提高 1 个 ECI 分，其研究效率能提高多少？

• 理论起飞门槛：约为 15% 至 19%（基于开源国际象棋引擎 Stockfish 历史数据修正）。达到此数值，每一轮自我改进的收益才刚好能推动下一轮自我加速。
• Cunningham 团队依据 Anthropic 对 130 名员工的调查，估算回路强度约为 9%，已经低于门槛。

但 Naam 认为 9% 依然过于乐观，于是便改用了 OpenAI 基础设施上实际记录的底层实验数据（8 月份研究员人均每月实验次数约为 2025 年平均水平的 1.6 倍，同期前沿模型 ECI 提升约 16 分）重算发现：

如果真是每分 9%，16 分累积下来效率应接近 4 倍，而不是 1.6 倍；扣除 token 与算力堆砌的水分后，Naam 把纯模型能力带来的效率增益定在 2% 到 3%。

2% 到 3% 的现实，对比 15% 到 19% 的门槛，意味着回路强度只有门槛的五分之一到十分之一。

面对如此巨大的量化鸿沟，行业内并非没有试图寻找破局之道的宏观推演。例如，Tom Davidson 等人构建了一个多维复合模型，将软件、硬件和经济三条反馈回路编织在一起——AI 帮忙设计芯片，芯片支撑更强的 AI，经济增长再为两者输血。

Naam 虽称赞这是见过最有说服力的模型，但也指出了两大关键缺口：

• 高估了全自动软件自研能产出的有用研究；
  
• 漏掉了从芯片设计到工厂落地漫长的物理时间差。

正因如此，在补上这道鸿沟之前，“智能爆炸”仍只是一种理论可能。

尾声：闭环，不等于起飞

投入越来越难维持指数增长，加速捷径处处打折，连算法的自我迭代也困在收益递减里。在 Naam 看来，把人类从研发回路中拿掉，根本消除不了 AI 研发固有的收益递减，也不会让创新想法变得更容易找到。AI 或许终将自主造出下一代，但每往前一步，仍需指数级增长的资源。回路闭合不等于能够起飞。

要改写这笔账，大致有三条可能路径：

• 外部输血：即便软件回路自己转不起来，更快的芯片、更大的数据中心和持续的资本投入，依然能凭硬实力把 AI 推向极高水平。如果投资增速未来放缓，或许反而更需要优秀的 AI 研究工具来补上缺口。
  
• 回路质变：更好的训练数据、记忆与研究判断力，或 Transformer 级突破，都可能让回路质变；少量更好的研究思路，可能比大量例行实验更重要。
  
• 多回路合力：软件、硬件、经济三条回路互相输血，或能冲破单条回路的递减。但 Naam 也提醒，这套模型是否高估了软件回路本身，仍是关键疑问；把完全自动化软件研究直接视为已达起飞阈值，是一次不小的跳跃。

其实，Naam 并非唱衰者。他相信 AI 会以任何传统技术都难以企及的速度进步，并在数学、编程、网络安全等高度可验证领域远超人类，他怀疑的只是通往全面超级智能的“快速起飞”。他也坦言自己可能看错，但更看重证据：收益若回升，他想知道；若继续缩水，他也想知道。

刊发此文的 Noah Smith 则不置可否：奇点是否到来，只能拭目以待；但无论 AI 会不会在 2027 年“爆炸”成神，2040 年的 AI 看上去都会像神。

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

文章来自于微信公众号 “AI前线”，作者 “AI前线”