图注：一图读懂本文要点——AI 接管研发后，进步速度可能被压缩，但四道摩擦力还在（来源：源势AI）
10 月 3 日，Geoffrey Hinton 在 X 上转发了一篇论文，标题直接问：《What if automating AI R&D triggers an intelligence explosion?》（如果自动化 AI 研发触发了智能爆炸会怎样？）（来源：网易科技，2026-10-03，转引自 Tech Digest《AI行业24小时_20261006_10》）。
22 位作者联署，名单里有 Hinton、Yoshua Bengio、Andrew Barto，也有 OpenAI 首席科学家 Jakub Pachocki、微软首席科学官 Eric Horvitz、Anthropic 联合创始人 Jack Clark（来源：网易科技，转引自 Tech Digest《AI行业24小时_20261006_10》）。这不再是某个人在播客里的即兴判断，而是把"智能爆炸"第一次当正式课题写成论文。
论文最抓人的一句话是：在最乐观的参数下，今天要一年的进展，将来约要 5 周。
5 周是怎么算出来的
论文不是空转推演，用了几条内部数据做论据：AI 生成的获批代码占比，从 2025 年 1 月的低个位数，升到 2026 年 5 月的 80% 以上；Claude 在仅接受高层级人类监督时，自主完成的内部 AI 研发工作，从 2026 年 3 月的约 1%，升到 8 月的 26%（来源：网易科技，转引自 Tech Digest《AI行业24小时_20261006_10》）。
把这两个爬坡速度代入"研究回报率"——论文里的这个参数，衡量的是研发投入的产出倍数：投入一份人力与算力，能折算回多少研发能力，取历史估计 1.2 至 1.9，意味着一份投入换回约 1.2 到 1.9 份产出，是一段相对保守的区间——并假设算力与数据不先卡死，论文的外推结果是：AI 进步速度可能在大约 1.5 年内提高 10 倍，今天需要一年的进展，届时约需 5 周（来源：网易科技，转引自 Tech Digest《AI行业24小时_20261006_10》）。
一句话概括这条曲线：AI 不只在做研发任务，它开始把"怎么做研发"这件事本身也变成了可学习的对象。
图注：两条曲线都是实验室内部口径——AI 生成获批代码占比半年多从个位数升到 80% 以上，Claude 自主完成的内研工作五个月从约 1% 升到 26%，均未获第三方复现（数据来源：网易科技，转引自 Tech Digest《AI行业24小时_20261006_10》）
论文自己列了四道摩擦力
如果只看到"5 周"，就漏掉了这篇论文最克制的部分。
论文明确说，现有证据远不足以证明智能爆炸已经发生，并自己列出了算力、数据、实验时间等四道摩擦力（来源：网易科技，转引自 Tech Digest《AI行业24小时_20261006_10》）。换句话说，那张 5 周的图是"假设三道闸都开着"的情形，不是预测，论文也没有给出时间点（来源：网易科技，转引自 Tech Digest《AI行业24小时_20261006_10》）。
数据口径也得打个折：Anthropic 与 OpenAI 的内部数据是企业自报，无法独立核验（来源：网易科技，转引自 Tech Digest《AI行业24小时_20261006_10》）。
这恰恰是这篇论文的价值所在——提出"爆炸"假设的人，比旁观者更急着把刹车参数写清楚。
局部飞轮，比一场爆炸更像真实进程
把视角从"会不会爆炸"挪到"已经在发生什么"，看到的是一串更小的、可验证的闭环。
Frontis-MA1 的论文做的是机器学习工程里的窄循环：AI 提方案、环境跑评测、成功与失败被整理成经验，经验再拿去训练下一轮的改进者。同一套搜索框架下，做过针对性后训练的 35B 模型，比基础模型高出 21.22 个百分点（来源：笔记《AI 的递归自我改进（RSI），可能先从许多局部飞轮开始》，2026-08-28，转引自 Frontis-MA1 论文）。
行业对 RSI 的分层也更清楚了。一份技术综述把它拆成三层：L1 只迭代产出物、模型和脚手架全冻结；L2 冻结权重、迭代提示词与工作流，是 2026 年产业界的主流；L3 才动权重和架构，只在数学、代码的小范围里做前沿实验（来源：笔记《RSI 核心技术与挑战深度分析》，2026-09-05）。越往下走，改动的东西越核心、越难回滚，这也是 L3 至今只在窄域里试探的原因。前 OpenAI 科学家翁荔则把话说得更直白：递归自我改进的主战场不在权重，在 Harness——那套包在模型外面的框架。
图注：RSI 按修改对象分三层——L1 产出物、L2 脚手架（当前产业主流）、L3 权重，越往下风险越高（数据来源：笔记《RSI 核心技术与挑战深度分析》，2026-09-05）
回头看，源势AI 在 8 月 23 日的文章里复盘过这件事，当时的结论是自我进化的故事讲得很响、兑现得很慢——那次实测里，机器自己重写造 AI 的说明书的活儿，只走完了不到两成的路。一个多月后，Hinton 们把同一件事写成了 22 人联署的论文，也把"兑现得慢"改成了"摩擦力有四道"。
源势AI观点
第一，把"5 周"当预测去下注是误读。它是特定参数下的外推，论文自己列了四道摩擦力，还承认自报数据无法核验。企业该关注的不是那个数字，而是"AI 正在越来越多地写生产代码"这条趋势线——它已经开始影响研发团队的排班和验收方式。
第二，真正在落地的 RSI 是 L2，不是 L3。当前能跑通的生产级改进，集中在提示词、工具定义、工作流、评测门禁这些脚手架层。这意味着投入的重点可以更务实：与其等着模型自己变强，不如先把自家 Agent 的失败轨迹采下来、把弱点聚类做起来——那才是"改进者"要吃的饲料。
第三，验证器是命脉，没有可靠验证器的团队做不了 RSI。代码和数学之所以最先跑通，是因为有编译器和证明检查器能自动判对错。哪个团队能把自己的业务做成"能自动判对错"的形态，哪个团队才真正拿到了自我改进的入场券。
话题标签：#递归自我改进 #智能爆炸 #AI研发
