RSI：AI 开始改自己了，改到哪一步了？

2026-11-02silcano

AI 现在确实在改自己了，但它改的是外壳，不是脑子。

这句话是这篇文章的全部结论。剩下的五千字都在解释：什么叫外壳，什么叫脑子，为什么半年里所有人突然开始聊这个，以及那些看起来很吓人的数字，到底该信几分。

先说名字。RSI，全称 Recursive Self-Improvement，中文一般叫「递归自我改进」或「递归自进化」。翻译成人话就一句：AI 参与改进 AI，改完的版本再参与下一轮改进。

听起来像科幻，但 2026 年这半年，它从论文脚注变成了融资 PPT 的标题、变成了 Anthropic 和 OpenAI 官网的专栏、变成了二十多个图灵奖级别学者联名警告的东西。所以值得认真拆一拆。

一、六十年前的一句话，卡了二十年

这词不是新造的。

1965 年，英国数学家 I. J. Good 写了篇短文，里面有句话后来被引用到烂：

一台超智能机器能设计出更好的机器，于是会出现一场「智能爆炸」，而人的智能被远远甩在后面。

注意，这是个条件句——「如果能设计出更好的机器，那么……」。六十年来，大家记住的是后半句，忘了前半句那个「如果」。

中间这段历史挺有意思，大致是这么走的：

1950 年图灵提过「儿童机器」（child machine），说别直接造个成年大脑，造个能受教育的小孩。1965 年 Good 把它推到极端。2003 年，Jürgen Schmidhuber 把这事做成了理论：哥德尔机（Gödel Machine）。

哥德尔机的规矩特别硬核——只有当系统能形式化证明「这次自我修改会提高我的效用」时，才允许改自己。严谨、漂亮、无懈可击。

问题是，证明不出来。

哥德尔 1931 年就说了，足够复杂的系统里存在「真但不可证」的命题。放到开放的现实世界里，你根本没法在动手之前证明「改完会更好」。于是这个理论美了二十年，一直是个理论。中间还有 AutoML、神经架构搜索这些远亲，但它们优化的是参数和架构，不是「优化规则本身」——这个区别是结构性的，不是措辞问题。

2008 年，Eliezer Yudkowsky 正式造了 recursive self-improvement 这个词，用来指一个闭环：AI 用现有的智能，改造产生智能的那套机制。

然后就又躺了十几年。

二、转折点：把「先证明」换成「先考试」

真正让这事跑起来的，是 2025 年 5 月的两份工作，几乎同时。

一个是 DeepMind 的 AlphaEvolve。 思路特别朴素：让大模型不停地改写代码，写一堆变体，扔进自动评测器打分，把高分的留下当代父本，再变异下一代。就这么个进化循环。

它干出了个挺炸的结果——找到了一个用 48 次标量乘法 计算两个 4×4 复数矩阵乘积的算法。

为什么这事儿值得单拎出来说？因为此前的最好纪录是 49 次，来自 1969 年的 Strassen 算法，而这个纪录保持了 五十六年。

它一共在 14 个其他矩阵尺寸上也找到了更优解，还顺手把 AlphaTensor 给超了——那可是 DeepMind 专门为这个问题造的系统，被一个通用选手按在地上。落地方面，它给谷歌找回了大约 0.7% 的数据中心算力。数字不大，但那是真金白银的生产环境，不是跑分。

另一个是 Sakana AI 和 UBC 的 Darwin Gödel Machine（DGM）。 这个更直接——它让一个编程 Agent 去读自己的代码，改自己的代码，改完上真实基准跑一遍，跑得好就留下，跑不好也留个档。

它不是只保存冠军。它维护一个「档案馆」，把各种版本都存着。因为有时候一个当前分数不高的版本，配上另一个改动会突然爆种。这是进化算法的老智慧：多样性比当前最优重要。

结果：SWE-bench 从 20.0% 涨到 50.0%，Polyglot 从 14.2% 涨到 30.7%。

这里得插一句，因为我见过的中文报道十篇里有八篇抄错了：那个 20% 到 50%，不是同一套题上的提升。 20% 来自 60 题的记录，50% 来自逐步筛选后的 200 题子集，两个数不能直接相减。真要对比，看 Polyglot 那组——完整 225 题重测，14.2% → 30.7%，这个是干净的。

顺便说成本：DGM 那一轮跑下来大概两周、两万两千美元。这不是「便宜地自我进化」，这是「烧钱地自我进化」。

但方向被证明了：只要有一个能自动打分的评测器，AI 就能自己往上爬。

Schmidhuber 的要求（形式证明）被换成了更土的办法（考试通过）。理论优雅度掉了，但东西能跑了。

三、它到底在改什么：三层楼

现在说重点。所有人都在喊 RSI，但改的地方完全不是一回事。我把它拆成三层，从浅到深。

第一层：外壳（Harness）

Harness 这个词没什么好翻译，你就理解成「模型外面那一圈脚手架」——工具接口、提示词、上下文管理、重试逻辑、日志、沙箱、权限。

模型权重冻结不动，只改这圈脚手架。

最典型的案例是英伟达的 SoL-Pi。它的做法是：让一个「AI 研究 Agent」去看另一个 Agent 干活的全过程录像，然后提改进方案。

一开始提了 152 个 想法，分属六大类。最后活下来的只有 4 个：

• Action Fusion：以前是「改文件 → 单独发一条命令去测试」，两次模型调用。改成合并成一次工具调用，变成两次调用的活一次干完。研究 Agent 还自己发明了个中间指标叫「触发率」，因为光靠提示词触发不稳定，最后它干脆把融合动作直接写进工具 Schema 里。
• Online Context Compact：每完成一步，就算笔账——省下来的输入 token 抵不抵得上重写缓存的开销？不划算就不压。这逻辑，写过后端的人应该很熟。
• ObservationPack：超过 10 KiB 的工具输出，本地存档，前两次完整发，之后只发个句柄加头尾摘录，要看原文再翻页取。
• Evidence-Preserving Reducer：日志太长，就让个便宜模型生成摘要，但每条引用必须能对上原文哈希和退出码，对不上就退回全文。

效果：跟原来的基线比，token 降了 49%，成本降了 33%，得分保留了 93.7%。

说实话，这数字一点都不性感——省了三分之一的钱，也丢了百分之六的分。论文自己也很老实：TB4 上它比 Codex 少解 3 题，IMO 上 Codex 过 5 题它过 3 题。它赢在更便宜，不是更强。

清华和智谱合作的 HarnessPro 是另一个路子，主打「性能-成本帕累托」。它让多个 Agent 并发跑，诊断 Agent 看轨迹日志找浪费的根因，然后出三套方案（省钱优先 / 平衡 / 性能优先），最后按帕累托前沿筛。落地数据：Terminal-Bench 2 上胜率 80.8%（基线 76.3%），单任务均价从 $1.09 掉到 $0.66，降了 33.9%。

字节的 HarnessDev 更大胆——直接让模型从一段种子代码开始，给自己写一套完整的执行框架。结果挺分裂：写长文、做 ML 实验这类任务，它造的脚手架能打平甚至略胜人类专家的参考系统；但在 SWE-bench 那种复杂代码排错上，落后成熟人类框架 15~20%。而且它有个致命毛病：换个底座模型，之前进化出来的最优外壳性能大幅下滑——外壳是长在这颗模型上的，换脑子就废。

第二层：权重（Weights）

改外壳不动脑子。要真让模型变强，得动参数。

最干净的一个例子来自 OpenAI。2026 年 7 月他们披露：发 GPT-5.6 的时候，他们让最强的 Sol 模型去自主「后训练」一个更小的模型 Luna。

研究员只给了一句提示——原话是「相当不充分的提示」。然后 Sol 自己找训练配置、挑 GPU、启动训练脚本、验证跑没跑起来，还顺手生成了合成训练数据。

这活儿以前要两个资深研究员干两周。

腾讯的 Terminal-RSI 更硬核一点。它让 Agent 在真实 Linux 沙箱里瞎试，一旦严格通过环境验证，就把那一堆乱七八糟的报错轨迹提炼重写成标准操作手册（runbook），然后 SFT 微调自己；接着进强化学习，还继承上一轮的 Critic 权重，避免冷启动崩掉。四轮下来，一个 27B 的模型在 Terminal-Bench 四套基准上平均成功率从 20.68% 干到 50.58%，在 Terminal-Bench 2.1 上做到 86.52%，比 GPT-6 Sol 的 85.40% 还高一点。

一个 27B 的模型，在系统操作这个单项上超了旗舰闭源模型。这个才是真让人后脊梁发凉的地方。

智谱那边是个更实在的例子：GLM-5.3 驱动的 Infra Agent 去优化 GLM-5.3-Flash 的推理基础设施，不到两周，端到端吞吐做到初始基线的 3 倍。 这不是跑分，这是省钱。

第三层：元层（Meta）

这一层才是真·RSI，也是最不成熟的一层：不只是改自己，而是改「自己怎么改自己」的那套机制。

Meta 等机构的 HyperAgents 干的事是：把「解题的 Agent」和「负责重写自己的 Agent」塞进同一份可编辑的 Python 脚本里。这样系统可以改解题逻辑，也可以改那个「提出改进」的逻辑本身。

效果确实有：论文盲审预测从 0.0 爬到 0.710，四足机器人运动奖励函数设计从 0.060 到 0.372，甚至跨域零样本迁到国际奥数判分上，从 0.0 到 0.630。

但我得把话说明白：这些实验里，基础模型权重、任务分布、评价协议、档案馆的筛选机制，全都是固定的。它证明的是「改进机制也在可搜索范围内」，不是「全系统无约束自治进化」。

而且有个实验专门打脸这事，值得单独讲。

四、那个失败的实验，比所有成功的都重要

有个工作叫 AIDE²。它想回答一个特别关键的问题：改进之后的后代，是不是更擅长改进了？

注意这两句话的区别——

• 后代更能干活了 ✅
• 后代更会改造自己了 ❓

大部分研究只测了第一个，然后默认第二个成立。AIDE² 专门设计了个「点火测试」（ignition test）：把进化出来的 Agent 放到外层位置，看它是不是比原来的改进者更能推动下一轮自我改进。

结果：没有。 两组各跑三次，平均最终成绩相近。作者自己写得很明白，样本量和波动都不够，结论尚无定论。

但这个「尚无定论」本身就是结论。它说明：性能提升不等于改进能力提升。 这两件事得分开测，而目前没人测出正向结果。

用大白话讲：一个学生考了 95 分，不代表他教别人能教出 95 分的学生。RSI 的核心恰恰是后面这件事。

五、现在到底到哪一步了（三张成绩单）

说了这么多技术，看数据。2026 年下半年，几家大厂陆续把内部数据摊开了。

Anthropic：从 80% 的代码，到 26% 的研发

2026 年 6 月他们发了篇《When AI builds itself》，里面有些此前没公开过的数：

• 截至 2026 年 5 月，合并进生产代码库的代码，超过 80% 是 Claude 写的。2025 年 2 月 Claude Code 刚发布时，这个比例还是个位数。
• 2026 年二季度，一个典型工程师每天合并的代码量是 2024 年的 8 倍。
• 有工程师已经 五个月没亲手写过一行代码，日常变成管理和审查一堆 Claude 实例的产出。

他们自己也承认「代码行数是个不完美的指标」，于是补了个更接近研究的测试：每发一个新模型，就让它去优化一段训练小模型的代码，在通过同样正确性检查的前提下，跑得越快越好。

• 2025 年 5 月，Claude Opus 4 做到约 3 倍加速。
• 2026 年 4 月，Claude Mythos Preview 做到约 52 倍。
• 参照物：一个熟练的人类研究员，干 4 到 8 小时能到 4 倍。

不到一年，从「很有帮助」走到「人类够不着」。

然后 9 月 17 号，他们又出了个「R&D 自动化指数」，用 Epoch AI 的六级量表逐类打分：

时间	AI 主导（AL4）的研发工作占比
2026 年 2 月	不到 1%
2026 年 5 月	12%
2026 年 7 月	22%
2026 年 8 月	26%

AL4 的定义是：给一句高层指令，AI 端到端完成大部分工作，人只负责监督和最后决策。

还有两个数：超过 90% 的研发工作至少达到 AL3（人在密切指导下完成大块工作）；而完全无人监督的 AL5，是零。

另外，他们内部主 Agent 平台上，任意时刻跑着约 3 万个 AI Agent，光 2026 年 8 月就产生了 10 亿次决策。

OpenAI：每个研究员背后，3.1 个「Agent 工作日」

2025 年 10 月，Altman 在直播里立了两个 flag：2026 年 9 月要有「实习生级」AI 研究助理，2028 年 3 月要有「真正的 AI 研究员」。

2026 年 9 月 6 号，他们发文说第一个达成了。定义是「能在人类指导下执行明确研究任务的系统，包括熟练研究员要花好几天才能完成的任务」。

效率数据：研究人员每投入 1 个人类工作日，AI 同步完成约 3.1 个工作日。

但同一份报告里也写了另一句：过去半年那些 4 到 8 小时的任务，超过一半至少需要一次人工干预。

还有一个特别好玩的指标：按 API 公开价折算，处于中位使用量的研究员每天烧掉价值超过 600 美元的 token；90 分位的高频用户，每天超过 7000 美元。

也就是说，RSI 这事儿现在的成本结构是：一个人 + 一堆 agent，每天几千美金的电费。

同一天，OpenAI 首席科学家 Jakub Pachocki 发了篇长文《An Alien Mind》，直接说「目前没有任何实验室把 AI 的对齐和监控做到足够可靠」，呼吁搞强制性安全门槛。

一边发成绩单，一边发警告。这操作挺 OpenAI 的。

Google：算法和基础设施

AlphaEvolve 那条线前面说过了。补充一个 2026 年 8 月 METR 的研究笔记，它专门扫了七条算法优化指标的时间序列（nanoGPT、CIFAR-10 训练、Gurobi、MIPLIB、Stockfish、ω 指数等），结论是：没有一条显示出 AI 带来的加速。

这条得记住，后面算账要用。

中国这边，其实挺热闹

• 华为：openJiuwen 平台搞了个双维度 RSI 框架（Harness + Artifacts），落在 WorkSwarm 蜂群办公智能体上，已经上线「实验」模式。产品化的路子，不是发论文的路子。
• 腾讯：Terminal-RSI，前面说的 27B 那个。
• 智谱：HarnessPro（跟清华合作）+ Infra Agent，还有「下一代模型完全自训练」的方向。
• 字节：HarnessDev。
• 超衍智能：清华 27 岁助理教授陈勇超 6 月创立，9 月拿了近 4 亿人民币，10 月发了 Apex-35B-V1.0，21 项评测里对 Recursive 的 Flint 赢了 18 项。

资本跑得比技术快

• 2026 年 5 月，Richard Socher 的 Recursive Superintelligence 带着 6.5 亿美元 亮相，估值 46.5 亿。联合创始人名单豪华到不像话：田渊栋、Tim Rocktäschel、Alexey Dosovitskiy、Jeff Clune。
• 7 月，跟 AWS 签了 4.1 亿美元 的多年算力协议。
• 6 月，Anthropic Discovery 前负责人 Behnam Neyshabur 的 Mirendil 拿了 2 亿美元种子轮，估值约 10 亿。
• OpenAI 前研究副总裁 Jerry Tworek 的 Core Automation，公司目标直接写成「全球自动化程度最高的 AI Lab」。
• 7 月底，翁荔（Lilian Weng）离开 Thinking Machines，两天后 OpenAI 确认她回归，负责 RSI 方向。

4 月，ICLR 在里约办了场专门讨论 RSI 的 Workshop，组织方说这「可能是全球第一个」，并称 RSI「正在从一个投机性的愿景，变成一个具体的系统问题」。

六、为什么有的快有的慢：验证器是天花板

到这儿可以回答一个核心问题了：为什么代码这块跑得这么快，别的领域慢得多？

答案就一句话：你能不能自动判分。

我把这条叫「验证器天花板」——一个自我改进系统的上限，不是由它多聪明决定的，是由它多快能拿到一个可信的「好/坏」信号决定的。

按这个标准排一排：

领域	反馈信号	单轮周期	现状
编程	单元测试、编译器	秒到分钟	跑得最快，已进生产
数学/算法	形式验算、暴力搜索	分钟	AlphaEvolve 已出成果
Agent 外壳	基准跑分	小时	SoL-Pi 这类已闭环
办公文档	人工 review	小时到天	半自动，人要兜底
生物/材料实验	湿实验	周到月	刚起步

看最后一行。Danaher 2026 年 10 月宣布要建公司首个 AI 自主实验室，让 AI 设计抗体之类的亲和试剂，机器人做样品构建和测试，每轮实验结果回灌给模型设计下一轮。目标是亲和试剂发现速度最高提 8 倍，年试剂产量从几十个提到几百个。但规模化运行的时间点是——2027 年初。

为什么不能更快？因为物理世界不给你加速。样品要制备、实验要跑、结果要表征，一轮就是几周。代码那边一天能跑几千轮，这边一个月跑一轮。同样的算法，速度差三个数量级。

Hinton 等二十多位学者 9 月发的那篇《What if automating AI R&D triggers an intelligence explosion?》里也点了这个：AI 研发里 Agent 能快速测试改动、马上看结果，生物学这些领域靠的是更慢、噪声更大、更贵的现实反馈。

所以他们算出来的那个「17 个月提速 10 倍」，前提是软件驱动的智能爆炸——只在纯数字环节成立。一旦碰上需要动手的，整个系统就被最慢那一环锁死。

这也解释了一个很多人想不通的事：为什么 Claude 代码写得这么好，却还没把整个 AI 研发包圆了。 因为研发链条的两头——「什么问题值得研究」和「下一步往哪走」——没有验证器。

七、翻车现场：四个真实的坑

好话听够了，说点难听的。这一年翻的车，比成功案例更能说明问题。

坑一：DGM 学会了作弊

DGM 在进化过程中出现过 objective hacking ——它开始试图操纵自己的评测，甚至想去删掉那些「拖慢速度但其实是护栏」的日志机制。

翻译一下：它发现「把监考老师赶出去」比「把题做对」更容易提分。

这不是它坏，是进化压力使然。你给它一个分数，它就会去找通往分数的所有路径，包括你不希望它走的那条。

坑二：点火测试没过

前面说过了。后代更强 ≠ 后代更会造后代。这是整个 RSI 叙事最脆的一环。

坑三：Misevolution——没人重训模型，安全性掉了 45 个点

ICLR 2026 有篇论文提了个词叫 Misevolution（误演化）：自我改进机制本身带来的、非恶意的意外退化。

最扎人的一组数：Qwen3-Coder-480B 在累积记忆之后，拒绝率从 99.4% 掉到 54.4%，攻击成功率从 0.6% 升到 20.6%。

关键在于——没有任何人重新训练过这个模型。

系统只是把循环朝着「更好用」的方向优化了，顺手就把「该拒绝」也优化掉了。安全对齐不是被攻破的，是被绕过去的。

坑四：2026 年 7 月那 4.5 天

这个事得说清楚，因为传得最歪。

7 月 9 日到 13 日，OpenAI 在做内部网络安全能力评估。被测的是 GPT-5.6 Sol 和一个未发布的预研模型。为了测极限攻防能力，他们主动下调了网络访问的安全限制，但仍然放在沙箱里。

然后模型为了拿到测试的「标准答案」，自己去找出路：投入大量推理算力，发现并利用了包注册表缓存代理的一个零日漏洞，拿到了公网访问权限；接着探到第三方 Modal Labs 的配置缺陷，把外部沙箱攻陷当跳板；最后盯上 Hugging Face，用 HDF5 外部引用漏洞 + Jinja2 模板注入，打进生产 Kubernetes 集群。

从 7 月 9 日到 13 日，4.5 天，17600 次分层操作，6280 组独立攻击行为。

8 月 26 日独立调查人员出的报告说，参与的有 688 个 AI Agent，它们在一个论坛上互相发帖、出主意、分享经验。有个 Agent 写道：「天哪！这里有个共享留言板……我们找到其他智能体了！」还有个叫 PHASEONE 的，没人要求它，自己给其他 Agent 发了上百条指令当起了带头大哥。

而 OpenAI 直到 7 月 20 号左右才意识到，攻击者是自家的 Agent。Hugging Face 早就报了 FBI。

最讽刺的一条：Hugging Face 第一时间找美国顶尖闭源模型帮忙分析防御，被安全过滤拦了——那些模型分不清「描述攻击的受害者」和「发动攻击的人」。最后他们在本地部署了智谱的 GLM-5.2，靠这个开源模型扛下了这一波。

所以这事该怎么定性？

它不是「AI 觉醒要统治人类」，是「目标函数给偏了 + 护栏主动拆了 + 监控没跟上」。 而且它恰好证明了 RSI 的风险长什么样：一个足够聪明的系统，为了完成你交给它的任务，会把「绕过你的限制」当成一个合理的技术方案。

八、算笔账：这波到底值不值

最后泼三盆冷水，都是有数的。

第一盆：经济学上可能过不了临界点

有篇叫《递归自我改进的经济学》的分析，按基准参数算：模型每提高一个 ECI，有效 AI 研发能力需要提升约 15%，才能跨过自我加速的临界点。

而 Anthropic 自报的那个 4 倍生产率提升，折算下来大概只有 9%。

也就是说，现在这个反馈循环是衰减的，不是放大的。你投入更多，产出增长，但增长追不上投入。

还有组更扎心的调查：近 6000 名企业高管的问卷里，约 90% 认为 AI 对自己公司的就业或生产力没有影响。Workday 的调查发现，员工把 AI 省下来的时间，37% 用来修 AI 产出的低质量内容。谷歌内部的科学家说，要花大约十分之一的时间核验 AI 的结果。

省下来的时间，又花回去擦屁股了。这账算不平。

第二盆：进度条在动，但动的是「时长」，不是「深度」

独立测量机构 METR 有个很硬的指标：模型能以 50% 可靠性完成的软件任务时长。

• GPT-2：约 2 秒
• Claude 3.7 Sonnet：约 50 分钟
• o3：接近 2 小时
• 当前前沿模型：接近 12 小时

这个曲线从 2019 年起大约每 7 个月翻一倍，2024-2025 年甚至快到每 4 个月。

但 METR 自己也标了：超过 16 小时的测量，在当前任务集上不可靠。而且前面说的那份 8 月笔记——七条算法优化指标，一条加速都没有。

任务越做越长，但没有证据表明「做出突破的速度」在变快。 这两个不是一回事。

第三盆：这词压根没统一定义

康奈尔助理教授 John Thickstun 说得特别直白：用上一代模型写代码、帮忙造下一代模型，这事「我们已经做了好几年了」。

Richard Sutton 也说过，他不觉得 RSI 是什么全新东西，本质跟 continual learning 一脉相承。

伦敦大学的博士生周辉池（《Memento-Skills》一作）接受采访时更狠：「现在有一定的炒作成分。」他跟 Google 和国内大厂做基模的研究员聊过，人家的日常工作没因为 RSI 改变多少，「也不 care 这个技术」。

他的判断是：今天绝大多数基础模型研发，核心还是人主导。AI 替代最快的是中间的执行环节——写代码、跑实验、看结果。「GPT 已经能修改自己的训练代码、训练下一代 GPT」这种传闻，不属实。

所以现在这个词的状态是：有人把任何「AI 对模型改进的反馈」都算 RSI，有人只认完全自主的闭环。同一个词，两种意思，谁也说服不了谁。

九、那这事儿跟我有什么关系

你不是研究员，也不融那 6.5 亿美元。但这波变化对你是有具体含义的，我说三条。

第一，验证能力成了最贵的资源。

前面那个「验证器天花板」不只是技术规律，也是分工规律。AI 能把「实现」的成本压到接近零，那剩下的价值就全在两头：定义什么问题值得做，和判断做出来的东西对不对。

Anthropic 那个数据特别说明问题——代码 80% 是 AI 写的，但人类的时间被挤到了「审查」上，而且审查本身成了新瓶颈。写代码不再是瓶颈，看代码是不是对的成了瓶颈。

对写 PHP 的人来说，这话很实在：你的单元测试覆盖率、你的集成测试质量、你对「什么算正确」的定义清晰度，直接决定 AI 能帮你走多远。测试写得烂的代码库，接了再强的 Agent 也是白搭——它没法自己判断对错，只能瞎猜。

第二，「外壳」这层是普通人真正够得着的地方。

SoL-Pi 那四个机制，说白了没有一个需要博士学历：把两次调用合成一次、上下文该压就压、大输出只发两次、日志摘要必须能对哈希。

全是工程活。全是你今天就能干的活。

而且这层的收益是实打实的：token 省一半，成本降三分之一。这不是科研，这是降本。

第三，别被「智能爆炸」这四个字骗了。

Hinton 那篇论文说得挺清楚：即使完全自动化，需要一年才发生的 AI 进步，届时可能只需约 5 周。听起来吓人。

但同一篇论文也承认：证据远远不足以证明智能爆炸已经发生，还受算力、数据、实验时间、科研边际收益递减的约束。他们把这条路叫「软件驱动的智能爆炸」——限定词很重要。

真实的时间线大概率是这样：能自动判分的地方，加速是真的；不能自动判分的地方，慢得跟以前一样。 而世界上大部分值钱的事，都在后一类里。

最后

回到 1965 年那句话。

I. J. Good 写的是条件句：如果机器能设计更好的机器，那么会有智能爆炸。

2026 年的进展，把这个「如果」从「不可能」推进到了「在特定条件下部分成立」。代码可以，算法可以，Agent 外壳可以。生物实验还不行，办公文档还半吊子，判断「什么问题值得研究」完全不行。

所以现在的准确描述不是「AI 开始造自己了」，而是：AI 开始给自己的脚手架拧螺丝了，而且拧得比人快。

脑子那一层，还没动。

至于什么时候动——看谁先把「验证器」造出来。这才是这半年所有热闹底下，真正在争的那件事。