# RSI真正值得关注的，不是超级智能，而是AI开始自己创造算力需求

**信源：近期一场围绕“RSI与FOOM”的AI前沿对谈，讨论涉及Google DeepMind战略负责人及AI安全研究者，主题涵盖递归自我改进、AI资本开支、网络安全、生物安全和AI治理。**

人工智能行业正在押注一件过去几乎没有任何产业曾经认真押注过的事情：**机器不仅可以提高人的生产率，还可能开始提高下一代机器的生产率。**

这就是Recursive Self-Improvement，递归自我改进，真正值得关注的地方。

按照这场对谈中的定义，今天距离严格意义上的RSI仍然有明显距离。现在的AI能够写代码、分析实验、调试模型、辅助算法研究，但人类仍然负责提出问题、判断结果和决定研究方向。

真正的临界点并不是模型在某个Benchmark上超过多少人类专家，而是**人类什么时候退出AI研发循环的关键路径。**

如果一个AI Agent能够自己提出假设、修改代码、运行训练、分析实验结果，在失败之后重新规划，并最终设计出能力更强的下一代系统，AI研发就第一次形成了一个可以持续运转的闭环。

这听起来仍然很遥远，但行业已经开始建设其中的零件。

过去两年的Coding Agent、长期记忆、工具调用、自动评估、Agent Harness和持续运行环境，从产品角度看是在提高程序员效率；从更长的技术路径看，它们同时也是在解决AI自主研发最基本的问题：模型不仅需要“聪明”，还必须能够长时间保持目标一致，在失败后恢复，并持续推进一个开放式项目。

这也是为什么RSI讨论与今天史无前例的AI资本开支紧密相关。

对谈中的一个表述尤其值得注意：人类似乎找到了一个将**能源转化为计算，再将计算转化为智能**的方法。只要这条转换关系仍然成立，公司就有理由继续建设更多数据中心。

今天的问题是，商业收入还不足以完全解释如此巨大的资本支出。这也是为什么嘉宾把当前AI基础设施建设称为一场巨大的“科学押注”。资本并不只是购买当前能够产生收入的算力，也是在购买未来模型能力继续增长的可能性。

RSI进一步改变了这个方程。

目前大部分AI算力需求最终还是来自人类：搜索、聊天、编程、企业软件调用和各种Agent任务。

但如果AI开始参与AI研发，机器本身就会逐渐变成算力消费者。

更多Compute产生更强AI，更强AI帮助设计更好的算法、Compiler和下一代模型，更快的研发周期又产生更强AI，而新的AI系统继续消耗更多Compute。

于是形成一个过去不存在的需求循环：

**Compute → Intelligence → AI研发生产率 → Better Intelligence → More Compute。**

这可能是RSI对AI基础设施最重要的产业含义。

市场现在经常讨论一个问题：模型越来越便宜，Token价格不断下降，是否意味着GPU需求最终也会下降？

这个逻辑忽略了Frontier不断前移。

今天昂贵的模型可能在一年后商品化，但资本投入的目标已经转向下一代模型。如果AI还能进一步压缩下一代模型的研发周期，那么模型商品化速度加快与基础设施投资继续增长，完全可以同时发生。

真正需要警惕的反而是对谈提出的另一个概念：**AI air pocket。**

如果资本开支持续高速增长，但应用端收入迟迟无法跟上，AI产业会出现投资与商业回报之间的时间错配。一旦能力增长也同时减速，市场就可能重新审视数千亿美元数据中心投入的回报率。

因此，未来AI资本周期真正需要观察的不是单独一条GPU出货曲线，而是三条曲线：

**Capability、CapEx和Monetization。**

只要能力曲线仍然快速上升，资本市场可能继续容忍收入滞后；但如果能力增长和商业化同时低于预期，基础设施投资的脆弱性就会明显增加。

这也是为什么这场RSI对谈花了大量时间讨论网络安全和生物安全。

Cyber已经展示出AI能力提升的另一面。更强的编程能力自然意味着更强的漏洞发现和攻击能力，而网络安全存在天然的不对称：攻击者只需要找到一个成功入口，防御者却需要保护整个系统。

Bio的风险更进一步。如果未来专业的蛋白质设计和生物工程知识能够通过自然语言模型大规模降低使用门槛，那么AI能力提升产生的社会影响就可能快于监管体系的反应速度。

因此，对谈者并不是简单主张减缓AI发展。相反，他们担心的是另一件事情：技术迭代越来越快，而政治和社会制度仍然以过去的速度运行。如果重大事故先发生、监管随后仓促建立，最终可能直接破坏AI继续扩张所需要的社会许可。

但对于产业而言，最值得跟踪的仍然是那个相对简单的问题：

**AI创造下一代AI需要多长时间？**

如果一次重要研发循环从一年缩短到半年，再缩短到一个月、一周，那么所谓的“智能爆炸”可能根本不会以一个戏剧性的AGI时刻出现。

它更可能表现成研发周期持续压缩。

每一步看起来都只是效率改善，但当AI开始成为AI研发体系里的主要劳动力之后，变化的就不只是软件行业的人力成本，而是整个算力需求函数。

今天的数据中心主要是在为人类生产Token。

未来，其中越来越大的一部分算力，可能是在供机器设计下一代机器。

**当机器开始自己创造新的算力需求时，RSI才真正从一个关于超级智能的科幻问题，变成一个关于AI基础设施的现实问题。**