你让AI帮研究员写一段代码，这只是工具升级。可如果它还能提出假设、设计实验、分析失败，再用成果造出更强的AI，事情就变了：新一代AI可以回来继续加速下一轮研发。Geoffrey Hinton等22位作者讨论的，正是这条反馈链会不会触发“智能爆炸”。
论文题为《What if automating AI R&D triggers an intelligence explosion?》，作者还包括Yoshua Bengio、强化学习先驱Andrew Barto和OpenAI首席科学家Jakub Pachocki。量子位称它为Hinton“首篇RSI论文”，但这一说法缺少明确的检索范围和定义，更适合作为媒体标签看待。本文数字均来自量子位对论文及实验室内部数据的二手转述，尚缺原始材料交叉核验。
从帮忙写代码，到接手研发链条
递归自我改进（RSI）指一个系统改进自身，或制造更强的继任系统，而后者又继续增强下一轮改进能力。仅仅让AI辅助研发，还不算形成RSI。关键在于，它能否接手一条足够完整的研发链：提出研究假设、设计并实现实验、分析结果、定位失败原因，然后调整路线重来。
论文援引的内部数据表明，AI正在进入这条流水线。据量子位转述，AI生成代码在获批代码中的占比，从2025年1月的低个位数升至2026年5月的80%以上。不过，报道没有交代机构、统计分母和“获批”的具体口径，不能把它直接理解为整个行业的代码自动化率。
更接近研究工作的指标来自Claude：2026年3月，它能在高层次人类监督下自主完成约1%的特定内部AI研发工作；到8月，这一比例升至26%。这不是说Claude完成了Anthropic四分之一的全部研究。报道同时强调，它尚未在任何一类受测AI研发工作上达到完全无人监督。另据论文转述，截至2026年9月，OpenAI内部AI系统已经能经常完成原本需要人类员工数天的研发任务。
真正的变量，是研究能力可以复制
人类实验室扩张很慢，因为培养优秀研究员需要多年。AI研究员一旦达到足够水平，新增劳动力可能变成“复制模型实例、分配推理算力”。底层模型升级后，这些实例还可以同步获得新能力。
论文提出“有效研发劳动力”这个概念。它估算：如果AI达到顶级人类AI研究员水平，推理成本又与当前前沿模型相近，领先AI公司的现有算力理论上可支撑至少数百万名顶级研究员等价的AI研发劳动力。
但数百万个实例不等于研发速度增加数百万倍。研究任务会重复，实验资源会拥堵，好点子也可能越来越难找。论文用“研究投入回报”衡量增加研发力量后，技术进步能加快多少。它引用三个AI研究子领域的历史研究，给出的中心估计约为1.2至1.9。在全面自动化、回报水平能够维持且算力和数据没有突然成为硬瓶颈等假设下，AI技术进步速度可能在约1.5年内提高10倍。极端情景中，今天一年完成的进步可能被压缩到约5周。
为什么现在值得盯紧
“智能爆炸”不是已经发生的事实，而是一个长期理论设想：当系统越强，改进系统的速度也越快，能力增长便可能突然加速。这篇论文的重要变化，是把旧思想实验落到了可以观察的产业流程上。
作者讨论的是software-driven intelligence explosion，即“软件驱动的智能爆炸”。算法、训练方法、Agent工作流和合成数据策略一旦验证有效，可能迅速用于下一轮研发。这里最反直觉的一点是：反馈循环不必等到AI先成为超级智能。只要AI研发自动化足够有效，新成果又能持续增强AI的研发能力，循环就可能启动。
局限与未知
- 现有证据还不足以证明智能爆炸已经发生，AI研发自动化也未明确跨过触发爆炸式加速的门槛。
- “数百万研究员”和“一年压缩至约5周”都是条件严格的情景推演，不是已经实现的效果；结果取决于能力、推理成本、并行效率和研究回报。
- 算力、数据、训练周期与科研边际收益递减都可能卡住循环。AI实例可以复制，GPU、数据中心和高质量训练信号却不能同步无限增长。
所以，这篇论文真正值得关注的，不是它宣布“AI已经开始自我进化”，而是它把问题推进了一步：AI能否从研发助手变成下一代AI的实际研发者，以及我们该在反馈循环闭合以前观察哪些信号。