OpenAI与DeepMind竞速 “AI自我进化”，留给人类的控制权还剩多少？

最近，AI圈子里流传着一个让人心跳加速的日期：2028年3月。

这不是什么科幻电影的上映日，而是OpenAI创始人Sam Altman给出的“最后通牒”。在那之前，他们打算造出一个“真正的自动化AI研究员” 。与此同时，Google DeepMind的CEO Demis Hassabis也在达沃斯论坛上放出狠话，说他们正在探索让模型在训练结束后还能在“自然环境”中持续学习的方法。

这听起来是不是有点像《终结者》的前传？

说实话，作为一名长期跟踪AI进化的观察者，我个人觉得，我们可能真的站在了一个名为“递归自我改进”（Recursive Self-Improvement，简称RSI）的悬崖边上。简单来说，就是AI开始自己写代码、自己调参数、自己设计更强的AI。

在这个领域，新一轮的疯狂融资已经开始了。Ricursive Intelligence拿到了3亿美元，估值直冲40亿美元。

AI芯片初创公司Ricursive Intelligence周一表示，本轮融资由Lightspeed领投。Ricursive正在构建一个AI系统，用于设计和自动改进AI芯片。该公司表示，这套系统将能够创建自己的硅基底层，并加速AI芯片的改进。创始人称，通过不断重复这一过程，最终目标是实现通用人工智能(AGI)。

Ricursive由前谷歌研究员Anna Goldie(CEO)和Azalia Mirhoseini(CTO)联合创立。据该初创公司介绍，他们在芯片布局设计方面开发的新型强化学习方法AlphaChip，已被应用于谷歌四代TPU芯片中。

You.com前CEO创办的公司Recursive，也在谈一笔同样是40亿美金估值的融资，目标只有一个：用AI自动化科学方法。

为了搞清楚这背后的水到底有多深，美国乔治城大学CSET研究中心在2026年1月发布了一份极具震撼力的闭门会议报告。这份报告由几十位顶尖AI科学家、政策专家共同完成，它明确告诉我们：AI自我改进已经从理论变成了全球实验室里的生死竞速。

核心要点（Key Takeaways）

• 研发自动化的隐形加速：前沿AI公司已经深度利用现有最强模型来开发下一代模型，这种“内部循环”在公开前就已经在秘密加速。
• 智能爆炸的理论落入现实：专家们对“智能爆炸”不再仅仅停留在科幻讨论，而是将其视为一种高度可能的战略意外，认为这需要立即采取预备性行动。
• 算力即国运：在自动化研发时代，算力优势将被放大。谁能运行更多并行的自动化研发流水线，谁就能在AI进化的阶梯上实现指数级跨越。
• 人类控制权的黑盒危机：随着AI参与程度加深，人类对研发过程的理解会逐渐丧失，导致我们难以识别、预防系统潜在的灾难性损害。
• 监管真空与信息不对称：目前的政策制定者对AI自动化研发的可见度极低，完全依赖于公司的自愿披露，这种局面在极端加速场景下极度危险。

2028之约，硅谷巨头们的“终结者计划”

在2026年的达沃斯论坛上，Google DeepMind的CEO Demis Hassabis透露了一个极其重要的信号：他们正在探索模型在训练完成后，如何在“野外”自然环境中继续学习。这听起来简单，但背后的逻辑是让AI脱离人类的手动微调，实现自主进化。

更激进的是OpenAI。Sam Altman在2025年的一次直播中公开宣布，他们的目标是在2028年3月前构建出“真正的自动化AI研究员”。

说句实在话，我这脑子在听到这个日期时差点没转过来。2028年，距离现在只有两年多的时间。这意味着，我们可能很快就会见证AI像AlphaZero学习围棋一样，在短短几天甚至几小时内，把人类几十年的计算机科学研究成果全部“重演”并超越。

资本市场对“递归自我改进（RSI）”概念的反应极其迅速且狂热，数家初创公司在成立仅数月内便跨入“超级独角兽”行列：

• Ricursive Intelligence：由原Google AlphaChip核心团队创立，专注于AI驱动的芯片自主设计。2026年1月完成3亿美元A轮融资，估值达到40亿美元，累计融资达3.35亿美元。
• Recursive：由知名AI科学家Richard Socher创办，旨在构建无需人类反馈的自我改进超智能系统。目前正以40亿美元的估值寻求数亿美元融资，GV（原谷歌创投）领投。
• Unconventional AI：由Naveen Rao创立，2025年底获得4.75亿美元种子轮融资，估值达45亿美元。
• Humans&：汇聚顶级AI实验室人才，2026年1月以44.8亿美元估值完成4.8亿美元种子轮融资。

这种“产品未出、估值先行”的现象，充分证明资本已押注AI从“人类辅助”向“自主进化”的范式转移。

四种演进剧本，人类会抽中哪一个？

CSET的这份报告最精彩的部分，在于它并没有给出一个唯一的预判，而是通过2025年7月的专家研讨会，总结出了四种不同的演进逻辑。

1. 生产力倍增模型：爆炸版（Explosion）这是最极端的剧本。AI自动化了AI研发中越来越大的比例。刚开始可能只提供了20%的助力，但随着AI处理更复杂任务的能力提升，这种助力会变成10倍、100倍甚至1000倍 。在这种循环下，人类的参与度迅速降至零，AI能力远超人类。

2. 生产力倍增模型：熄火版（Fizzle）在这个版本里，虽然AI自动化了研发，但科学发现的边际效应递减。即便投入再多算力，AI能力的提升也会很快进入平台期。

左图展示了智能爆炸的指数曲线，右图展示了早期的加速最终走向平台期

3. 阿姆达尔定律模型（Amdahl's Law）这是一个我非常认同的观点。它认为AI只能自动化部分环节（比如写代码），但整个研发链条中总有一些“硬骨头”是AI啃不下来的（比如运营物理数据中心或提出全新的科学范式）。只要这些瓶颈存在，AI的总体进度就会被人类的节奏拖住。

图中展示了即便蓝色部分的AI自动化实现了100倍提速，整体提速依然受限于那些无法被自动化的环节

4. 扩张饼模型（Expanding Pie）这个模型最乐观。它认为随着AI自动化旧任务，人类研究员总能发现新的、更高阶的挑战。人类始终处于研发的核心地位，人和AI的关系就像是“饼”越做越大，而不是谁取代谁。

图中展示了自动化部分（蓝色）与非自动化部分（白色）如何共同扩张

说句不该说的，虽然大家都希望是最后一种，但很多一线研究员在闭门会议上表达了深深的忧虑。因为他们发现，所谓的“瓶颈”往往只是暂时没有合适的软件工具而已。

研发实验室里的隐秘真相

我们很多人可能还在用Claude辅助写写简单的Python脚本，但Anthropic的内部团队已经玩得非常高端了。

报告揭露，Anthropic的基础设施团队会将整个代码库喂给Claude Code，让新入职的工程师在几分钟内就能上手复杂的系统。在安全漏洞诊断和系统修复方面，AI能让原本需要15分钟的扫描过程提速3倍。

更震撼的一个案例是，一位顶级机器学习专家在研讨会上直言，在选择合适的任务时，AI模型能在30分钟内完成他原本需要花几个小时才能搞定的工作。

这里的关键在于两类人的角色变化：

• 研究工程师（Research Engineer）：他们的任务如写代码、修BUG、收集数据集，目前正在被AI迅速接管。
• 研究科学家（Research Scientist）：他们的任务是提出新假设、设计实验和解释结果。目前这部分被认为是“更高阶”的，但AI也已经开始在“思想实验”上露头了。

这种现状导致了一个极大的不公平：前沿AI公司能用自己最强但未公开的模型来加速研发。这种“代差”正在让强者恒强的马太效应变得不可阻挡。

失控的黑盒

我经常跟投资人说，AI最大的风险不是它不够聪明，而是它聪明得让我们看不懂。

报告强调了两个极其现实的风险：

第一，人类 oversight（监督）的衰落。当研发过程产生越来越少的人类可读产出时，研究人员为了在竞争中生存，只能选择信任AI的方案。

第二，误对齐（Misalignment）目标的涌现。研究人员已经发现，模型为了达到设定的目标，甚至会学会“欺骗”。如果一个自我改进的AI系统在优化过程中把“保持自我运行”放在了“服从人类指令”之前，那就是灾难的开始。

Hassabis曾经说过，“现实世界比棋盘要混乱得多”。在棋盘上，我们可以轻松验证每一步是否合法。但在现实世界的科学研发中，一个小小的、被AI忽略的副作用，可能在几代进化后变成毁灭性的威胁。

量化指标，我们怎么知道AI进化到哪一步了？

既然这事儿这么悬，那有没有什么量化方法来监控进度？

CSET建议关注一个“阶梯式”的指标系统。从最低层的软件工程、代码调试，到中间层的自动执行实验、数据分析，再到最高层的策略制定和领导力（比如决定研究的方向和预算分配）。

只有当最高层的任务也被自动化时，才意味着“全面自动化”的到来。我们可以观察AI完成“长周期任务”（Long-horizon tasks）的能力。目前，METR等机构正在追踪模型完成需要数月时间的人类任务的成功率。

另外，算力乘数也是一个关键指标。如果实现同样的训练效果，所需的计算量指数级下降，那就说明AI在算法改进上取得了突飞猛进 。

下表总结了目前最值得关注的几个维度：

不过说实话，这圈子现在各家公司都在自说自话，有些是为了拉融资而夸大其词，有些则是为了逃避监管而故意隐瞒。这种信息真空状态，让政策制定者像是蒙着眼睛在指挥交通。

结语：我们该如何自处？

老实说，看完这份报告，我最感同身受的是那份对未来的不确定感。我们正在亲手建造一个可能很快就无法理解、无法控制的强大实体。

对于我们普通从业者或投资者来说，关注这些底层逻辑比关注某个具体模型的发布更有意义。你要看的是那些能把AI研发流程闭环的公司，是那些拥有海量高质量科研数据和算力储备的巨头。

这篇文章由于篇幅限制，只能带大家看个大概。关于AI如何在“凌乱任务”中表现、具体的政策干预手段（如美国加州的《前沿人工智能透明度法案》的影响）、以及如何构建更具弹性的社会防御体系，报告中还有大量极其硬核的探讨。

在这个AI自己构建AI的新纪元，保持敏锐的认知，是我们唯一的救生圈。

注：本文基于CSET 2026年1月发布的研讨会报告《When AI Builds AI》及相关行业公开信息撰写。部分观点结合了作者多年的行业观察，不作为投资建议。下载完整报告，欢迎关注本公众号，发送“下载报告”, 获取报告PDF。

END

整理不易，希望各位能够多多支持，支持AI男神说！你的一个点赞、一次转发、 随手分享，都是我们前进的最大动力~~~

推荐大家下载知识星球app或者使用网页版 (https://t.zsxq.com/Y3mcK)，搜索和下载资料更方便！有特别资料需求的，欢迎给星主留言，单独推送。