这份报告出自剑桥大学AI科学与政策计划CASP之手，聚集了超过二十位研究人员的集体成果。参与者阵容豪华，不仅包括OpenAI首席科学家Jakub Pachocki、Anthropic共同创办人Jack Clark以及微软首席科学官Eric Horvitz，还汇聚了Geoffrey Hinton、Yoshua Bengio和Dawn Song等众多业界翘楚。
颇为贴心的是，剑桥官方的正式发布特别配套了中文版本，足以说明AI领域中国力量被给予的重视程度。
报告并未宣称「智能爆炸」已然到来，而是尝试解答一个曾显得科幻万分、如今却日益具体化的问题：伴随越来越多的AI研发工作转交给AI本身来承担，技术创新的推进速度是否会出现陡然加速的现象？
报告所列举的数据充分表明，这一循环的初期迹象已经出现。在Anthropic内部，由AI生成并最终获得批准的代码比例，已从2025年初的个位数激增至2026年5月的80%以上；只需人类进行上层次监督、主要由AI独立完成的研发项目，则从今年3月的1%增长到8月的26%。
Claude官方披露数据呈现AI深度融入自身演化过程。资料来源：Anthropic
OpenAI透露，代码Agent已被投入到未来模型的训练、评测及安全领域；Google则表示，涉及代码编写、技术架构和研究理念的工作，几乎都在不同程度上采用了AI。
往日的模型只能可靠地处理相当于人类数秒钟的任务。而今日的顶尖模型则已具备独立处理那些原本需要行业专家投入数小时甚至数日才能完成的AI研发工作的能力。依照近年发展态势进行推算，报告指出，距今至2028年年中，AI可能已具备承接原本需要人类专家耗时数月的研发任务的能力。
AI正在接近一个关键的分界点：事情不再是简单的「新模型总比旧模型更强」，而是AI开始深入参与到研发流程中，来创造那个即将取代自己的模型版本。
「递归自我改进」究竟何指？
何为「递归自我改进」？不妨这样想象：有一座工厂专门制造某类机械，生产出第一台机械后，它没有被运往商场或终端使用者手中，而是留在工厂内部，负责改进生产工艺。
改进后的流程生产了性能更优越的第二代机械，第二代机械再返回，继续对工厂进行升级改造……每完成一个循环，机械的能力就增强一分，制造机械的速率也随之提升。这就是AI领域数十年来讨论的「递归自我改进」（recursive self-improvement）。
近期各大科技公司的举措，促使「RSI」这一术语迅速出圈。以Google Research近日发布的RRSI为例，它让Agent能够自动调整自己的运行框架，包括提示语、工具应用、记忆管理、流程控制以及背景信息管理。
9月问世的MetaRSI/RSI²则使系统能够从失败经历中改善「生产AI的装置」，让后续生成的模型可以继承这些经验教训。
RSI概念的传播过程中，相关的表述往往被过度渲染，经常被描绘成AI突然有了觉悟、获得了意识，能够读懂自己的代码，随后在夜间不停地自我修复升级的情景。
但更现实的情形，应当是既无需AI具有意识特征，也无需特定模型直接操控自己的参数，只要让AI进入到生产后续版本AI的研发环节即可。
起初，AI在整体研发流程中的位置，仅仅是研究者手中的辅助工具。研究方向由人类制定、实验设计由人类推动，再由模型协助完成代码撰写、论文查阅和故障排查工作。虽然这确实提升了效率，但整个研发周期仍旧由人类驱动，AI本身不会主动选择下一步的行动方向。
很快地，AI逐步成为了研发生产流水线的有机组成部分，研究人员仅需提供一个高层级的目标指向，Agent便可自行分解任务、生成代码、执行实验、评比不同方案，再把值得进一步探索的思路呈交人类做最终审定。
发展至此，AI带来的改善不再局限于某个工程师的工作效率，它开始拓展一家机构的「有效研发人员总数」。单个研究者可以指挥数十乃至数百个Agent，让它们沿不同路线同步进行探索，而且推理能量足以应对这样的负荷。
真正的递归循环在第三个阶段出现。AI参与研制出更强劲、成本更低的新一代模型，新模型被放回研发流水线，开始承包更繁重的工作，同时使企业能够运作更多「机器化研究员」。研发能力的突破不再是单次性的事件，反而会加速下一轮的突破。
这就到达了前述「机械工厂」的情形，真正实现自我优化的，是由AI模型、Agent系统、计算资源以及人类专家组合而成的整体生态。
可能在某刻突然加速的体系
AI研发特别容易构成这样的反馈机制，其主要原因在于它大多运作在虚拟层面。
新型芯片完成研制后，还须经历工业生产、物理运输及机房部署等环节，反馈周期通常要以年为单位计算；但一种效能更好的学习方式、一套更优质的虚拟数据，或者一个经由验证的Agent运作模式，可以迅速装备到现有基础设施，投入到后续的研发阶段。
报告的估测表明，假设AI已臻于顶尖学者的能力水准，而维持其运作的投入仍处于现在的价位，仅凭OpenAI目前握有的推理资源，原则上就能维系一支等同于数百万名人类研究者的AI团队。
Sam Altman视察由OpenAI与甲骨文联合创办的数据中心建筑工地。资料源自：Oracle
这个队伍无需办公室、不依赖实验场地，却能被同步复制、全年无休地运转，在众多研究范畴上平行试验；最为关键的是，它们的行动目的之一正是让之后一代的AI研究员变得更能干、成本更经济。
在一组相对理想化的预设条件下，报告推演出，完整实现研发过程自动化后的大约一年半内，AI技术进展的加速倍数可能达到十倍。届时，以今日的发展速率需要用一年去实现的突破，有可能仅耗时五周。
Hinton用「智能爆炸」来描述由AI研发自动化所引发的这种陡然加速现象，其中的「爆炸」既指数量的迅速膨胀，也可能指强度和完善程度的大幅飙升。
这套循环仍有可能被阻遏
然而，报告也承认，眼下获得的证据远远不够为这类爆炸式增长的必然性提供确凿支撑。
数百万级别AI研究人员的推算，是建立在模型业已到达行家水平、成本支出并未显著增加这样的基础之上。增加Agent的数量也不必然带来发现的增加，它们可能做的是重复劳动，或者在必须按步骤处理的难题面前一起停滞不前。
新一代模型的研制还离不开实验用的运算容量、训练样本和长达数月的大规模训练周期。即便AI可在分钟级别内想出上万种方案，现实的资源配置也不一定允许它依次验证每一个。当涉足生物、资料等领域，等候测验输出的工期更是难以通过算法来压缩。
报告所援引的研发产出率统计，原本来自于历史数据，而历史的演变中算法的创新和资源的膨胀互相交织，很难单独判定只凭技术手段的进步，是否真的可以维持循环的永续加速。
这份报告关切的，恰恰是加速本身的延续。「RSI」会成为社会关注的焦点，恰恰是因为人们看到了加快的具体表现。当AI不停地参加制作更新一代的AI，再由新模型返回研发流程，「智能爆炸」的可能性或许并不像人们想的那么遥远。
