硅谷上千亿美元AI基建投入底层逻辑是押注RSI递归自我改进。行业已落地弱RSI——AI辅助人类做AI研发Google DeepMind的AlphaEvolve、OpenAI的GPT-5.6 Sol均有可验证案例。但强RSI——AI独立完成从架构设计到新模型研发的完整闭环——尚未实现。巨头持续投入的核心动机一旦强RSI闭环成型AI研发进入复利增长阶段率先突破的企业将形成垄断级优势。但风险同样明确海量资本开支先行落地技术兑现和商业化收益的时间持续延后资本将长期承担硬件折旧压力。网络安全和生物安全的攻防失衡被业内视为比AGI本身更迫近的现实威胁。一、RSI概念分层弱RSI已发生 AI作为研发工具辅助人类。覆盖自动调参、生成训练代码、优化芯片内核、小规模架构实验等场景。全程依赖人类设定目标和验证结果。强RSI未实现 AI独立完成模型研发全流程自主重构底层架构、从零研发下一代模型形成“AI造AI”的自我迭代闭环。这套叙事逻辑的经典类比是工业革命蒸汽机造出性能更强的蒸汽机。对应到AI领域线性算力投入转化为复利式智能增长新模型研发的边际智力成本趋近于零。关键前提 复利叙事成立的基础是强RSI最终能够实现。若长期无法突破技术瓶颈前期基建投入将变成持续折旧的沉没成本。二、资金规模与“AI气穴”全球主要科技巨头在AI基础设施上的年度总投入已接近2000亿美元量级。Sekhon在峰会上将其与曼哈顿工程、阿波罗登月计划相提并论称其为“人类文明有史以来最大的一场科学押注”。“AI气穴”Air Pocket的含义这个词借自航空术语指飞机在空中突遇气压骤降而下坠。在AI语境中它描述的是硬件层面已完成部署数据中心、TPU/GPU集群、供电系统就位但支撑这笔投入的两大支点——强RSI技术突破、可持续的商业化收益——尚未如期兑现。从已披露的财报来看当前AI云服务和AI软件的收入增速尚未显示出能覆盖上述量级资本支出的曲线。为什么巨头仍在加注押注失败代价是巨额硬件折旧押注成功掌握自我改进AI的企业获得碾压性生产力优势。在“赢家通吃”的行业判断下持续加注被巨头视为理性选择。需要说明 这是Sekhon在峰会中表述的博弈逻辑是推断不是已发生的事实。三、三家实验室的实证进展Google DeepMindAlphaEvolve已落地成果优化Gemini训练中的一个关键内核模块提速约23%对整体训练时间贡献约1%的下降优化后的电路方案被写入下一代TPU芯片一次缓存策略优化将原本数月的工作压缩至2天完成。能力边界 仅能完成局部模块优化无法独立设计完整大模型。属于弱RSI的工业化落地案例。Anthropic9智能体对齐实验实验设置 9个Claude智能体进入限定的对齐研究任务自行提假设、跑实验、交换发现。数据对比2位人类研究员工作一周追回约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 将实验中最有效的方法迁移到Claude真实生产训练环境后未产生统计上显著的性能改进。解读 封闭实验环境下的AI科研加速不等于能直接应用于大模型工业化训练。两者之间存在显著鸿沟。OpenAIGPT-5.6 Sol已披露成果Codex自主改写生产环境GPU内核端到端推理成本下降约20%完成数百次架构实验token生成效率提升超过15%首次公布“RSI Index”自我改进评测指标。官方克制表述 系统卡中明确GPT-5.6 Sol尚未达到其自定义的“High”自我改进门槛。它能解决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。现状定位 已实现局部自我优化但距离强RSI闭环仍有距离。四、风险攻防失衡伯克利峰会上伯克利CS教授Dawn Song已加入Meta“超级智能”部门与Sekhon共同强调了这一问题。核心判断 短期内AI的发展更有利于攻击者。攻击者找到一个漏洞即成功防御者必须封堵所有可能的攻击路径。场景AI智能体可批量给开源代码库投毒、自动挖掘程序漏洞电网、医疗机构、金融系统等关键基础设施暴露于更高风险。生物安全Sekhon提出的场景当前任何人通过自然语言与模型对话即可获取蛋白设计、病原体相关研发思路。应对方向均为提议阶段未部署参考爆炸物前体化学品管控对生物合成原料、DNA序列建立全链条许可与追踪机制谷歌尝试将SynthID水印技术拓展至生物学领域用于检测人工合成DNA序列中的异常。需要说明 以上为风险框架和应对提议并非已发生的事件或已部署的系统。五、业内时间线判断Chamath Palihapitiya硅谷投资人未来18个月RSI能力将快速提升。Jasjeet SekhonDeepMind首席战略官强RSI“很可能在未来几年内出现”。Oriol VinyalsDeepMind研究副总裁2027或2028年。Wojciech ZarembaOpenAI联合创始人2027或2028年。以上均为个人口头判断非技术路线图。六、三家实验室进展对比Google DeepMind / AlphaEvolve已落地优化Gemini训练关键内核模块提速23%优化方案写入下一代TPU缓存优化将数月工作压缩至2天。边界仅局部优化无法独立设计完整大模型。弱RSI工业化落地。Anthropic / 9智能体对齐实验已落地封闭实验中9个智能体用1.8万美元成本追回97%性能差距人类2人一周追回23%。边界迁移到生产训练环境后无统计显著改进。实验≠工业化。OpenAI / GPT-5.6 Sol已落地自主改写GPU内核推理成本降20%数百次架构实验token效率升15%首次公布RSI Index。边界自评未达“High”自我改进门槛无法独立完成后训练方案。局部优化非闭环。七、评估框架区分“已发生”与“被押注”AI优化芯片、推理内核——已发生的事实。AI自主造出更强AI——被押注的预期。评估企业时不应混为一谈。警惕实验室幻觉Anthropic案例提供了参照封闭实验的高分不等于生产环境有效。任何RSI进展都应接受这一检验。RSI Index是信号不是结论OpenAI首次公布自我改进评测指标代表行业开始尝试量化。但指标口径尚不成熟仅可作为跟踪信号。风险优先看攻防差而非绝对能力即使模型能力远未达AGI水准AI工具仍会放大网络攻击和生物研发风险。安全挑战可能比超级智能更早到来。生物安全需要制度不止技术DNA水印、序列检测只是辅助防线。长期有效管控需配套跨国监管规则和原料准入制度。结语事实层面 弱RSI已在工业系统中发生三家头部实验室给出了可验证样本。强RSI尚未实现OpenAI自评未达“High”门槛。押注层面 硅谷巨头数千亿美元投入的底层叙事建立在“强RSI终将落地、让资本产生复利”这一假设之上。假设若失效巨额硬件投入将变为沉重负担。风险层面 相比科幻叙事中的超级智能失控网络安全和生物安全的攻防失衡是更现实的短期挑战。蒸汽机造出了更好的蒸汽机人类迎来工业革命。AI能否复刻这一路径取决于“气穴”周期内资本节奏与技术研发能否对齐。这笔2000亿美元的赌局终将由持续涌现的技术事实完成验证或证伪。
硅谷上千亿美元AI基建投入底层逻辑是押注RSI递归自我改进。行业已落地弱RSI——AI辅助人类做AI研发Google DeepMind的AlphaEvolve、OpenAI的GPT-5.6 Sol均有可验证案例。但强RSI——AI独立完成从架构设计到新模型研发的完整闭环——尚未实现。巨头持续投入的核心动机一旦强RSI闭环成型AI研发进入复利增长阶段率先突破的企业将形成垄断级优势。但风险同样明确海量资本开支先行落地技术兑现和商业化收益的时间持续延后资本将长期承担硬件折旧压力。网络安全和生物安全的攻防失衡被业内视为比AGI本身更迫近的现实威胁。一、RSI概念分层弱RSI已发生 AI作为研发工具辅助人类。覆盖自动调参、生成训练代码、优化芯片内核、小规模架构实验等场景。全程依赖人类设定目标和验证结果。强RSI未实现 AI独立完成模型研发全流程自主重构底层架构、从零研发下一代模型形成“AI造AI”的自我迭代闭环。这套叙事逻辑的经典类比是工业革命蒸汽机造出性能更强的蒸汽机。对应到AI领域线性算力投入转化为复利式智能增长新模型研发的边际智力成本趋近于零。关键前提 复利叙事成立的基础是强RSI最终能够实现。若长期无法突破技术瓶颈前期基建投入将变成持续折旧的沉没成本。二、资金规模与“AI气穴”全球主要科技巨头在AI基础设施上的年度总投入已接近2000亿美元量级。Sekhon在峰会上将其与曼哈顿工程、阿波罗登月计划相提并论称其为“人类文明有史以来最大的一场科学押注”。“AI气穴”Air Pocket的含义这个词借自航空术语指飞机在空中突遇气压骤降而下坠。在AI语境中它描述的是硬件层面已完成部署数据中心、TPU/GPU集群、供电系统就位但支撑这笔投入的两大支点——强RSI技术突破、可持续的商业化收益——尚未如期兑现。从已披露的财报来看当前AI云服务和AI软件的收入增速尚未显示出能覆盖上述量级资本支出的曲线。为什么巨头仍在加注押注失败代价是巨额硬件折旧押注成功掌握自我改进AI的企业获得碾压性生产力优势。在“赢家通吃”的行业判断下持续加注被巨头视为理性选择。需要说明 这是Sekhon在峰会中表述的博弈逻辑是推断不是已发生的事实。三、三家实验室的实证进展Google DeepMindAlphaEvolve已落地成果优化Gemini训练中的一个关键内核模块提速约23%对整体训练时间贡献约1%的下降优化后的电路方案被写入下一代TPU芯片一次缓存策略优化将原本数月的工作压缩至2天完成。能力边界 仅能完成局部模块优化无法独立设计完整大模型。属于弱RSI的工业化落地案例。Anthropic9智能体对齐实验实验设置 9个Claude智能体进入限定的对齐研究任务自行提假设、跑实验、交换发现。数据对比2位人类研究员工作一周追回约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 将实验中最有效的方法迁移到Claude真实生产训练环境后未产生统计上显著的性能改进。解读 封闭实验环境下的AI科研加速不等于能直接应用于大模型工业化训练。两者之间存在显著鸿沟。OpenAIGPT-5.6 Sol已披露成果Codex自主改写生产环境GPU内核端到端推理成本下降约20%完成数百次架构实验token生成效率提升超过15%首次公布“RSI Index”自我改进评测指标。官方克制表述 系统卡中明确GPT-5.6 Sol尚未达到其自定义的“High”自我改进门槛。它能解决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。现状定位 已实现局部自我优化但距离强RSI闭环仍有距离。四、风险攻防失衡伯克利峰会上伯克利CS教授Dawn Song已加入Meta“超级智能”部门与Sekhon共同强调了这一问题。核心判断 短期内AI的发展更有利于攻击者。攻击者找到一个漏洞即成功防御者必须封堵所有可能的攻击路径。场景AI智能体可批量给开源代码库投毒、自动挖掘程序漏洞电网、医疗机构、金融系统等关键基础设施暴露于更高风险。生物安全Sekhon提出的场景当前任何人通过自然语言与模型对话即可获取蛋白设计、病原体相关研发思路。应对方向均为提议阶段未部署参考爆炸物前体化学品管控对生物合成原料、DNA序列建立全链条许可与追踪机制谷歌尝试将SynthID水印技术拓展至生物学领域用于检测人工合成DNA序列中的异常。需要说明 以上为风险框架和应对提议并非已发生的事件或已部署的系统。五、业内时间线判断Chamath Palihapitiya硅谷投资人未来18个月RSI能力将快速提升。Jasjeet SekhonDeepMind首席战略官强RSI“很可能在未来几年内出现”。Oriol VinyalsDeepMind研究副总裁2027或2028年。Wojciech ZarembaOpenAI联合创始人2027或2028年。以上均为个人口头判断非技术路线图。六、三家实验室进展对比Google DeepMind / AlphaEvolve已落地优化Gemini训练关键内核模块提速23%优化方案写入下一代TPU缓存优化将数月工作压缩至2天。边界仅局部优化无法独立设计完整大模型。弱RSI工业化落地。Anthropic / 9智能体对齐实验已落地封闭实验中9个智能体用1.8万美元成本追回97%性能差距人类2人一周追回23%。边界迁移到生产训练环境后无统计显著改进。实验≠工业化。OpenAI / GPT-5.6 Sol已落地自主改写GPU内核推理成本降20%数百次架构实验token效率升15%首次公布RSI Index。边界自评未达“High”自我改进门槛无法独立完成后训练方案。局部优化非闭环。七、评估框架区分“已发生”与“被押注”AI优化芯片、推理内核——已发生的事实。AI自主造出更强AI——被押注的预期。评估企业时不应混为一谈。警惕实验室幻觉Anthropic案例提供了参照封闭实验的高分不等于生产环境有效。任何RSI进展都应接受这一检验。RSI Index是信号不是结论OpenAI首次公布自我改进评测指标代表行业开始尝试量化。但指标口径尚不成熟仅可作为跟踪信号。风险优先看攻防差而非绝对能力即使模型能力远未达AGI水准AI工具仍会放大网络攻击和生物研发风险。安全挑战可能比超级智能更早到来。生物安全需要制度不止技术DNA水印、序列检测只是辅助防线。长期有效管控需配套跨国监管规则和原料准入制度。结语事实层面 弱RSI已在工业系统中发生三家头部实验室给出了可验证样本。强RSI尚未实现OpenAI自评未达“High”门槛。押注层面 硅谷巨头数千亿美元投入的底层叙事建立在“强RSI终将落地、让资本产生复利”这一假设之上。假设若失效巨额硬件投入将变为沉重负担。风险层面 相比科幻叙事中的超级智能失控网络安全和生物安全的攻防失衡是更现实的短期挑战。蒸汽机造出了更好的蒸汽机人类迎来工业革命。AI能否复刻这一路径取决于“气穴”周期内资本节奏与技术研发能否对齐。这笔2000亿美元的赌局终将由持续涌现的技术事实完成验证或证伪。
)
