为什么我仍未接受真正的RSI

判断

对前沿实验室的算力预算会，这篇把“万级并行智能体提升研发”与“真正RSI”拆开：在IPO审视下，把推理算力投向内部R&D的边际回报要按可陈述问题计价，不能默认能力跃迁会兜底。

依据

Nathan Lambert 在 Interconnects 说，他仍未买入“真正递归自我改进”（RSI，指模型能自动改进自身并加速研发）的叙事，提出“有损自我改进”：可自动化的研究太窄，面对 scaling laws（缩放定律）的指数成本，不足以带来巨大净加速；并行增加AI智能体的边际收益递减；资源瓶颈与政治也拖慢强LLM（大语言模型）。Richard Ngo 的判断是，安全社群押注几年内智能爆炸，但他预期方向大致对、事实会错——未来8年不会有超智能，只是变化快到“感觉”短时间线赢了。Noam Brown 的播客让 Lambert 更重视大规模推理算力的短期加速：实验室会把数千个智能体投向可测量问题；但总计算量上升时，他怀疑实验室能否持续把固定比例算力留给内部研发，尤其IPO后要面对基本经济学的审视。技术三人播客的共识是，现有技术能解决已知如何表述的问题，却不能在多数部分可验证领域神奇泛化到未知难题（数学是例外）。三人给的落地时间线是：Charlie O’Neill 称程序化接入职场工具约1年、必须走浏览器约2年；Beren Millidge 称完全通用约3年、80–90%覆盖更早；John Schulman 称“还行”版本约1年。因此取舍是：把算力押给可测的智能体产出，还是为不确定的研发突破留额度；前者可预测但不是RSI，后者才可能改变时间线。