精华速览

近期Anthropic、OpenAI先后释放放慢前沿AI能力推进节奏的信号，引发二级市场科技股与半导体股集体承压，英伟达一度跌超3%，费城半导体指数盘中下挫近6%。市场担忧的核心在于，支撑AI基础设施高增长的关键假设——模型持续变强、算力资本开支不断抬高——正面临新变量。这轮“刹车论”的源头指向递归式自我改进（RSI）。MIT PhD、前字节Seed成员瞿骜认为，当前AI的自我改进仍处于持续自我改进阶段，即通过记忆、工具、harness等积累经验，而非严格意义上参与设计下一代AI的RSI。2026年最重要的变化是AI开始有条件持续做一件事，但距离真正的RSI仍有能力与权限两道坎。

要点透视

  • Anthropic、OpenAI近期先后释放放慢前沿AI能力推进节奏的信号，被业内视为硅谷AI巨头面对安全风险的主动降温。
  • 二级市场迅速反应：英伟达一度跌超3%，AMD、英特尔、美光盘中跌幅均在5%左右，费城半导体指数盘中一度下挫近6%。
  • MIT PhD、前字节Seed团队成员瞿骜指出，2026年最重要的变化是AI开始有条件持续做一件事，这是自我改进从概念变为工程问题的前提。
  • Anthropic的Opus 4.5被瞿骜视为一个明显节点，模型已可连续工作很久，很多过去需人工拆解的任务通过不断输入提示词即可完成。
  • 瞿骜将当前实践区分为持续自我改进与严格RSI：前者更新记忆、提示词、工具、技能甚至harness，后者要求AI参与设计、训练甚至构建下一代系统。
  • 在kernel优化等验证标准清晰的任务中，agent可通过反复执行获得明确反馈并学习；但在CEO Bench经营模拟和个性化写作等任务中，“好”的定义更模糊，学习难度显著上升。
  • 瞿骜团队在自蒸馏实践中发现，若只保留最终正确答案而丢弃中间反思过程，可能反而损伤模型推理能力。
  • 瞿骜提出experience exposure概念：模型再强也无法在训练阶段提前经历部署后的所有情境，因此持续自我改进并非弱模型时代的补丁。

文章拆解

这轮“刹车论”之所以引发市场剧烈反应，是因为它动摇了AI基础设施投资逻辑的根基。过去两年，科技股与半导体股的高估值很大程度上建立在“模型持续变强、算力需求无止境”的假设之上。当一直踩油门的人开始主动谈减速，投资者自然要重新评估资本开支的持续性与回报周期。但需要区分的是，巨头释放的信号更多是安全姿态与节奏调整，而非技术路线转向。

从技术演进看，RSI并非2026年突然出现的新命题。它更像是强化学习、推理能力迭代、agent上下文管理等多条路线向同一方向汇合的结果。DeepSeek R1让大规模强化学习用于推理受到关注，Opus 4.5则展示了长程任务的可行性。当agent具备足够强的编程能力与上下文管理能力，它就能在同一个循环中完成读代码、改代码、执行、看结果、再继续的闭环。这是自我改进从概念走向工程问题的关键前提。

但当前跑通的只是“局部循环”。瞿骜明确区分了持续自我改进与严格RSI：前者在环境交互中积累经验并更新记忆、工具、harness，后者要求AI参与设计、训练甚至构建下一代系统。按照这个标准，今天大量实践仍停留在持续自我改进阶段。真正的RSI需要AI在“造agent”这件事上的判断力达到或超过优秀人类研究者，这尚待确认何时发生。

行业影响层面，最值得关注的变量是model evolve与harness evolve的协同。当前harness进化往往建立在最强闭源模型上，而model进化多基于开源模型，两者起跑线不同，直接比较上限并不公平。瞿骜团队正在探索模型与harness协同进化，认为两边一起改进比二选一更有前景。对用户而言，自我改进进入产品后的感知未必来自“模型又升级了”，而是小模型也能做好过去需要大模型的任务，或纠正过的错误不再重复。

潜在风险同样清晰。其一，自我学习可能越走越窄：agent天然倾向高概率路径，长期强化后可能被自身经验限制。其二，真实世界反馈不干净，失败的最后一步往往不是最早出错的一步，难以压缩为可靠奖励信号。其三，安全与权限问题随能力提升而具体化。瞿骜提出能力与权限两条线并行：能力决定AI会不会做，权限决定它能不能做。RSI的拐点不仅取决于技术进展，也取决于人愿意让AI把手伸到哪里。

查看原文