AI教父辛顿：AI造AI递归改进，智能爆炸前夜

时间来到了2026年, 人工智能已经能够独立地进行研发方面的工作了, 其开展的速率比大家此前所猜测的情况要更加快速。其中最令人产生不安全感的内容并不是人工智能这个整体变得强大了, 而是它在变强的这一过程速度本身处于加速上升的状态。

AI研发进入自动化流水线

在2026年3月的时候, Anthropic披露了一则消息, 他们表示Claude在高层监督之下, 已经能够自主完成大约1%的那个内部AI研发任务, 到了9月份的时候, OpenAI的内部数据显示, 那个AI系统经常会去把原本需要人类员工花费很多天时间去完成的研发工作给搞定。

Anthropic方面亲自表示, 目前Claude在所有类型的工作任务里都还没有达成彻底的无人类干预状态。不过发展的方向是明显的, 它从百分之一这样的极低比例开始逐步提升的速度, 比在二零二四年所做出的预测要快了整整十倍的幅度。

不是写代码 是整条链

真正的敏感节点在于代码编写, 这一点其实并不是最核心的。更关键的部分是把提出假设、设计实验、实现过程、分析结果、定位失败的原因以及调整路线这样一系列环节串联成一条完整的长链。

仅仅将其中单个步骤进行自动化处理，这只能算作是一种辅助性的工作。只有把这些步骤全部串联起来, 才能算得上是更接近于真正意义上的研究人员。

根据2026年下半年的情况，至少有三家前沿实验室的内部测试结果已经显示出来。这些结果表明, AI系统现在已经具备了一种新能力。这种能力是可以在单次运行过程中, 连续执行三个以上的研发环节。

如果在执行中遇到失败情况, 系统能够自行调整参数并重新进行运算。这一现象与过去存在明显的差异。在过去, 类似的工作流程必须依靠人类的介入才能完成。

反馈回路开始形成

这里的逻辑是非常明白的, 那就是人工智能去研发下一代的人工智能技术, 下一代的技术会变得更强, 然后又会反过来参与下一轮的进化过程。关于研发能力这一块内容, 它本身就开始推动自身这个成长的速度了, 一旦这种循环的模式被成功地运行起来之后, 反馈的周期就会变得越来越短。

过去模型迭代是依靠人类团队一年推一两个版本的, 未来是由AI同时跑多条研发线的, 一个季度的产出可能超过过去一整年的, 所以这是结构性变化。

AI研究员可以复制

培养一名顶尖的, 人类研究员得要五年那个博士学位加数年积累。AI研究员就直接再开一个实例就行。论文估算出来, 就说按当前, 推理成本来说。一家领先AI公司现有一些算力啊可以支撑数百万名顶级研究员等价的那些AI劳动力在里头工作。

现在前沿实验室的研究团队, 规模才只有几千人而已。和那些大型团队相比的话, 这中间相差了好几个数量级呢。更加关键的情况是, 一旦底层的模型进行了升级操作之后, 所有正在运行的实例同时就会获得新的能力表现。这种变化是完全不需要通过重新培训这种方式来实现的。

GPU不能凭空复制

即使有100万AI研究员, 也肯定不会自动地带来1000倍的速度提升。训练一个前沿模型这一过程, 仍然需要耗费好几个月的时间来完成。从芯片制造到数据中心的建设这些环节，都受限于物理上必须经过的时间。哪怕使用了再多的Agent进行工作, 它们也得老老实实排着队, 去等待算力的分配和使用机会。

当前, 高质量的自然数据已经变得越来越难以满足那些持续扩展的需求了。至于在未来的时候到底是依靠合成的数据来继续提供训练信号, 还是继续依靠环境交互来提供训练信号, 这个事儿目前还是没有确定的结论。当科研这件事情不断往前走的时候, 下一个可能出现的突破点所花费的成本可能会变得更加昂贵。

从科幻变成现实问题

论文里提供的这些证据, 还不足以证明那个叫作智能爆炸的事情一定会发生, 不过现有的那些证据也已经是够用了, 因为这个事情已经变成了需要人们提前去做准备的一个现实的问题。

根据模型的预测结果来看, 如果人工智能的研发工作能够全面实现自动化, 并且一直保持着现在这种效率上的发展趋势的话, 那么劳动力的数量就能够在几个月的时间到几年的时间里面扩大到以前的那一百倍。

人类是在第一次非常认真地产生了一个意识, 这个意识是认为AI的最猛的一次Scaling, 它的重点可能并不是发生在模型本身上面的那个地方, 而是发生在了研究AI这件事情上面去的过程里, 也就是这个加速的来源本身它还在一个被加速的过程之中。

要是说明年的时候人工智能研发劳动力再翻一倍, 你会不会觉得你所在那个行业的核心壁垒还能撑得住? 欢迎大家去到评论区里面聊聊看, 如果你觉得这个内容有启发的话, 那就点个赞转发给同行。