从联名警告到正式论文：RSI第一次被完整推演

9月28日，Hinton、Bengio等“AI教父”曾联名警告自我改进AI的监管窗口正在收窄；一周后的10月4日，这场讨论升级为一份更硬核的学术成果——Hinton的首篇递归自我改进（RSI）论文《What if automating AI R&D triggers an intelligence explosion?》发布，22位作者中包括两位图灵奖得主Geoffrey Hinton与Yoshua Bengio、强化学习先驱Andrew Barto，以及OpenAI首席科学家Jakub Pachocki。

论文回答的问题只有一个：当AI大规模参与“造下一代AI”，智能爆炸会不会真的到来？

实验室内部数据：AI已进入研发流水线

论文引用了Anthropic等头部实验室的内部数据：2025年1月，AI生成的获批代码占比还只有低个位数；到2026年5月已超过80%。2026年3月，Claude在高层人类监督下可自主完成约1%的内部AI研发工作，8月这一比例升至26%，半年放大二十多倍。截至2026年9月，OpenAI内部AI系统已能常态化完成人类员工需要数天才能做完的研发任务。

关键数字速览

· AI获批代码占比：2025年1月低个位数 → 2026年5月超80%（Anthropic）

· Claude自主完成内部AI研发比例：2026年3月约1% → 8月26%

· 研究投入回报r的中心估计：约1.2—1.9（三个AI研究子领域）

· 推演结果：全面自动化下AI进步速度约1.5年提高10倍，一年的进步或压缩至约5周

“软件驱动”的爆炸：研究员变成软件

论文将这条路径称为“软件驱动的智能爆炸”：与造芯片不同，算法、训练方法与Agent工作流一旦验证有效，可以立即部署进下一轮研发。更关键的是AI研究员可复制——引入“有效研发劳动力”概念后，作者估算一家领先AI公司的现有算力理论上可支撑数百万名顶级研究员等价的AI研发力量，而今天前沿实验室的研究团队只有几千人。

论文的基调却相当克制：现有证据远不足以证明智能爆炸已经发生，但它已足够让智能爆炸从科幻问题变成需要提前准备的现实问题。

四道硬墙：算力、数据、实验时间与收益递减

论文同时列出约束：GPU不能凭空复制，前沿训练动辄数月；高质量自然数据不会随AI研究员数量增长；实验窗口有限；科研难度本身在上涨。若“收益递减”跑赢AI研发能力，爆炸循环就起不来。

对企业的启示在于：自我改进回路的监测、审计与熔断能力，正在从“加分项”变成“必选项”。九天技术在九天天盾（Zenith-Safety）中为政企客户提供的AI研发管线审计与内容合规能力，正是应对这一趋势的工程化落地。

（信息综合自 量子位、Hinton个人X账号及论文原文、多家外媒 等公开报道）