硅谷上千亿美元AI基建投入，底层逻辑是押注RSI（递归自我改进）。行业已落地弱RSI——AI辅助人类做AI研发，Google DeepMind的AlphaEvolve、OpenAI的GPT-5.6 Sol均有可验证案例。但强RSI——AI独立完成从架构设计到新模型研发的完整闭环——尚未实现。
巨头持续投入的核心动机：一旦强RSI闭环成型，AI研发进入复利增长阶段，率先突破的企业将形成垄断级优势。但风险同样明确：海量资本开支先行落地，技术兑现和商业化收益的时间持续延后，资本将长期承担硬件折旧压力。网络安全和生物安全的攻防失衡，被业内视为比AGI本身更迫近的现实威胁。
一、RSI：概念分层
弱RSI（已发生）： AI作为研发工具辅助人类。覆盖自动调参、生成训练代码、优化芯片内核、小规模架构实验等场景。全程依赖人类设定目标和验证结果。
强RSI（未实现）： AI独立完成模型研发全流程，自主重构底层架构、从零研发下一代模型，形成“AI造AI”的自我迭代闭环。
这套叙事逻辑的经典类比是工业革命：蒸汽机造出性能更强的蒸汽机。对应到AI领域，线性算力投入转化为复利式智能增长，新模型研发的边际智力成本趋近于零。
关键前提： 复利叙事成立的基础，是强RSI最终能够实现。若长期无法突破技术瓶颈，前期基建投入将变成持续折旧的沉没成本。
二、资金规模与“AI气穴”
全球主要科技巨头在AI基础设施上的年度总投入已接近2000亿美元量级。Sekhon在峰会上将其与曼哈顿工程、阿波罗登月计划相提并论，称其为“人类文明有史以来最大的一场科学押注”。
“AI气穴”（Air Pocket）的含义：
这个词借自航空术语，指飞机在空中突遇气压骤降而下坠。在AI语境中，它描述的是：
硬件层面已完成部署：数据中心、TPU/GPU集群、供电系统就位；
但支撑这笔投入的两大支点——强RSI技术突破、可持续的商业化收益——尚未如期兑现。
从已披露的财报来看，当前AI云服务和AI软件的收入增速，尚未显示出能覆盖上述量级资本支出的曲线。
为什么巨头仍在加注：
押注失败，代价是巨额硬件折旧；押注成功，掌握自我改进AI的企业获得碾压性生产力优势。在“赢家通吃”的行业判断下，持续加注被巨头视为理性选择。
需要说明： 这是Sekhon在峰会中表述的博弈逻辑，是推断，不是已发生的事实。
三、三家实验室的实证进展
Google DeepMind：AlphaEvolve 已落地成果：
优化Gemini训练中的一个关键内核，模块提速约23%，对整体训练时间贡献约1%的下降；
优化后的电路方案被写入下一代TPU芯片；
一次缓存策略优化，将原本数月的工作压缩至2天完成。
能力边界： 仅能完成局部模块优化，无法独立设计完整大模型。属于弱RSI的工业化落地案例。
Anthropic：9智能体对齐实验
实验设置： 9个Claude智能体进入限定的对齐研究任务，自行提假设、跑实验、交换发现。
数据对比：
2位人类研究员工作一周：追回约23%的性能差距；
9个智能体累计约800小时、花费约1.8万美元：追回约97%。
重要反证： 将实验中最有效的方法迁移到Claude真实生产训练环境后，未产生统计上显著的性能改进。
解读： 封闭实验环境下的AI科研加速，不等于能直接应用于大模型工业化训练。两者之间存在显著鸿沟。
OpenAI：GPT-5.6 Sol 已披露成果：
Codex自主改写生产环境GPU内核，端到端推理成本下降约20%；
完成数百次架构实验，token生成效率提升超过15%；
首次公布“RSI Index”自我改进评测指标。
官方克制表述： 系统卡中明确，GPT-5.6 Sol尚未达到其自定义的“High”自我改进门槛。它能解决部分真实研究问题，但尚不能可靠地设计并执行完整的后训练方案。
现状定位： 已实现局部自我优化，但距离强RSI闭环仍有距离。
四、风险：攻防失衡
伯克利峰会上，伯克利CS教授Dawn Song（已加入Meta“超级智能”部门）与Sekhon共同强调了这一问题。
核心判断： 短期内AI的发展更有利于攻击者。攻击者找到一个漏洞即成功，防御者必须封堵所有可能的攻击路径。
场景：
AI智能体可批量给开源代码库投毒、自动挖掘程序漏洞；
电网、医疗机构、金融系统等关键基础设施暴露于更高风险。
生物安全：
Sekhon提出的场景：当前任何人通过自然语言与模型对话，即可获取蛋白设计、病原体相关研发思路。
应对方向（均为提议阶段，未部署）：
参考爆炸物前体化学品管控，对生物合成原料、DNA序列建立全链条许可与追踪机制；
谷歌尝试将SynthID水印技术拓展至生物学领域，用于检测人工合成DNA序列中的异常。
需要说明： 以上为风险框架和应对提议，并非已发生的事件或已部署的系统。
五、业内时间线判断
Chamath Palihapitiya（硅谷投资人）：未来18个月RSI能力将快速提升。
Jasjeet Sekhon（DeepMind首席战略官）：强RSI“很可能在未来几年内出现”。
Oriol Vinyals（DeepMind研究副总裁）：2027或2028年。
Wojciech Zaremba（OpenAI联合创始人）：2027或2028年。
以上均为个人口头判断，非技术路线图。
六、三家实验室进展对比
Google DeepMind / AlphaEvolve
已落地：优化Gemini训练关键内核，模块提速23%；优化方案写入下一代TPU；缓存优化将数月工作压缩至2天。
边界：仅局部优化，无法独立设计完整大模型。弱RSI工业化落地。
Anthropic / 9智能体对齐实验
已落地：封闭实验中，9个智能体用1.8万美元成本追回97%性能差距（人类2人一周追回23%）。
边界：迁移到生产训练环境后无统计显著改进。实验≠工业化。
OpenAI / GPT-5.6 Sol
已落地：自主改写GPU内核，推理成本降20%；数百次架构实验，token效率升15%；首次公布RSI Index。
边界：自评未达“High”自我改进门槛，无法独立完成后训练方案。局部优化，非闭环。
七、评估框架
-
区分“已发生”与“被押注” AI优化芯片、推理内核——已发生的事实。AI自主造出更强AI——被押注的预期。评估企业时不应混为一谈。
-
警惕实验室幻觉 Anthropic案例提供了参照：封闭实验的高分不等于生产环境有效。任何RSI进展都应接受这一检验。
-
RSI Index是信号，不是结论 OpenAI首次公布自我改进评测指标，代表行业开始尝试量化。但指标口径尚不成熟，仅可作为跟踪信号。
-
风险优先看攻防差，而非绝对能力 即使模型能力远未达AGI水准，AI工具仍会放大网络攻击和生物研发风险。安全挑战可能比超级智能更早到来。
-
生物安全需要制度，不止技术 DNA水印、序列检测只是辅助防线。长期有效管控需配套跨国监管规则和原料准入制度。
结语
事实层面： 弱RSI已在工业系统中发生，三家头部实验室给出了可验证样本。强RSI尚未实现，OpenAI自评未达“High”门槛。
押注层面： 硅谷巨头数千亿美元投入的底层叙事，建立在“强RSI终将落地、让资本产生复利”这一假设之上。假设若失效，巨额硬件投入将变为沉重负担。
风险层面： 相比科幻叙事中的超级智能失控，网络安全和生物安全的攻防失衡是更现实的短期挑战。
蒸汽机造出了更好的蒸汽机，人类迎来工业革命。AI能否复刻这一路径，取决于“气穴”周期内资本节奏与技术研发能否对齐。这笔2000亿美元的赌局，终将由持续涌现的技术事实完成验证或证伪。
