梦瑶 发自 凹非寺 量子位 | 公众号 QbitAI 当AI开始参与研发下一代AI，人类可能已经站到「智能爆炸」前夜。 亏贼！最近超超超超火的递归自我改进（RSI），连AI教父 辛顿 都亲自下场了？？ 咱诺贝尔物理学奖、图灵奖得主Hinton的 首篇RSI的论文 ，上来就研究一个相当炸裂的问题： 如果AI开始大规模参与造下一代AI。 然后，下一代AI再回来继续加速研发。 这么一轮轮滚下去...会不会直接跑出一条智能爆炸曲线啊？ 论文名叫 《What if automating AI R&D triggers an intelligence explosion?》 。 参与撰写论文的作者也堪称AI学界全明星阵容： 22位作者里，包括两位AI教父Geoffrey Hinton、Yoshua Bengio，强化学习先驱Andrew Barto，OpenAI首席科学家Jakub Pachocki等一众研究者。 这么多AI大牛凑在一起，讨论的正是AI领域最古老科幻的「智能爆炸」问题，论文核心观点咱先来一睹为快—— 一旦AI能完整参与 造下一代AI ，递归自我改进就可能真正闭环。 AI研发自动化一旦越过某个临界点，几年才能完成的AI进步，有可能被压缩到 几个月 ，甚至更短。 未来AI实验室的研发规模，理论上可能从几千人直接跳到数 百万 研究员。 今天一年完成的AI进步，极端情况下，未来可能只需要约 5周 智能爆炸未必需要AI先变成超级智能，只要AI研发的 自动化效率 足够高，反馈循环就可能先启动。 所以…辛顿…老爷子…大牛们…到底围绕RSI都说了点啥…急… AI已经开始真正进入「造下一代AI」的流水线 智能爆炸 这个词，其实蛮古早了。 早在1965年的时候，数学家I.J. Good就设想过一种超智能机器。 如果一台机器已经比人更擅长设计机器，那么它可以继续设计一个更聪明的版本。 新的版本继续参与下一轮改进，一轮接一轮，最后形成一个自我强化的反馈回路。 Good当年的核心判断其实很简单—— 如果「改进机器」这件事本身，也能被机器做得越来越好，能力增长就可能反过来继续加速能力增长。 这套设想后来成了「智能爆炸」最经典的理论源头，和今年大火的递归自我改进（RSI），其实也算一脉相承。 只不过到了今天，RSI讨论的重点已经悄悄变了。 大家关心的已经不只是一台AI能不能自己改代码、调参数，而是一个更现实的问题： AI能不能真正进入研发下一代AI的整套流程，并且让这套研发流程本身越来越快？ 而辛顿等人在这篇论文里给出的一个关键判断，恰恰就是： AI开始真正进入AI研发流水线了，而且速度快得有点离谱。。。 之所以这么说，是因为论文引用了Anthropic等头部实验室的一批内部数据。 2025年1月，AI生成的获批代码还只有低个位数比例。 才过了一年，到了2026年5月，这一比例已经超过 80% 。 变化更大的，是AI「自主」完成研发工作的比例。 2026年3月，Claude能够在仅接受高层次人类监督的情况下自主完成约1%的研发工作。 到同年8月，这个数字已经升到了 26% 。 换句话说，半年左右，直接翻了二十多倍。 当然了，这个数字不能理解成Claude已经自动完成Anthropic四分之一的全部研究。 它主要衡量的是在高层人类监督下，可以由AI自主承担的内部AI R&D工作比例。 Anthropic自己也强调，目前Claude还没有在哪一类被测AI研发工作上达到完全无人监督的水平，但不管咋说，趋势已经很明显了。 论文还提到，截至2026年9月，OpenAI内部的AI系统已经可以经常完成原本人类员工需要数天完成的研发任务。 这里一个很关键的变化是 AI能独立处理的任务长度，一直在增长 。 真正决定AI能不能像研究员一样工作，关键并不只是某个benchmark分数有多高。 更重要的是，它能不能把几十个步骤连续串起来，在几个小时、几天，甚至更长时间里持续推进同一个研究目标。 论文综合benchmark趋势和实验室内部进展，认为 未来几年，AI有可能自动化大部分AI研发工作，甚至完成全部自动化。 写代码只是AI研发的一部分，这里的完整AI R&D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，再重新开始。 这些环节里，任何单独一项被自动化，都只能算AI辅助研究，真正敏感的节点，是它们开始被串成一条长链。 一旦这些步骤能够被一个AI系统长时间串起来，它承担的角色就开始越来越接近真正的研究员。 好巧不巧的是，AI研发恰好又特别适合这种自动化。。。 AI大量发生在数字环境里，代码能直接执行，实验结果可以快速返回，模型能力还能通过benchmark、loss、reward等指标立即验证。 相比化学、生物或者制造业，AI研发少了很多必须等待现