风险投资人Sarah Guo在访谈中描述了一个引人深思的现象：当模型训练预算迈向数千亿美元、团队扩张至数千人规模时，越来越多的顶尖研究人员产生了两种消极情绪——"我做的事情不重要，因为模型很快能自己做"，以及"唯一重要的只有算力规模，个人贡献被稀释"
真正值得关注的，不只是下一代模型有多强，而是AI开始参与AI研究之后，整个产业的运行逻辑会不会改变。
如果递归自我改进比预期更早到来，算力、资本、安全、公司治理乃至研究者的心理状态，都要被重新理解。
算力投入不只由应用收入决定
市场上有一种判断：如果编程之外迟迟没有出现新的万亿美元级应用，AI资本开支就可能在2028年前后见顶。
这个判断把算力主要看成满足市场需求的生产资料。但对前沿实验室来说，算力同时也是研究工具。只要扩大训练规模仍能明显提升模型能力，实验室就有理由把经营现金继续投入GPU，而不急于追求自由现金流。
因此，决定资本开支上限的关键变量，未必是下一个应用何时出现，而可能是模型研究本身是否还值得继续扩张。
材料中提到，多家前沿实验室都在扩建训练基础设施。SSI计划在未来12个月将算力提升10倍，并称研究进入了值得大规模扩张的新阶段。这至少表明，在部分前沿研究者看来，规模扩张仍然能够带来重要的能力进步。
AI参与研究，训练就不再是一次性工程
传统训练大致是一条线性链条：准备数据、训练模型、发布产品，然后进入下一轮。
递归自我改进改变的是这条链条。模型可以生成算法、调整训练方法、提出实验方案，再帮助训练下一个模型。训练由周期性项目变成持续循环，AI也从被研究的对象逐步变成研究过程的参与者。
OpenAI的自动化AI研究框架、Claude参与模型研发，以及AlphaEvolve寻找新算法，都可以被看作这种趋势的早期形态。
这会放大算力的作用。一个新方案可能需要同时测试成百上千个版本，绝大多数实验最终都会被淘汰。算力越充足，单位时间内能够验证的假设越多，计算优势便可能转化为研究优势，再转化为模型优势。
算力竞争因此不只是把同一种模型做得更大，而是在争夺发现下一种训练方法的速度。
研究者的无力感是一个重要信号
Sarah Guo观察到，当训练预算走向数千亿美元、团队扩大到数千人时，一些顶尖研究者出现了两种消极感受：一是模型很快就能完成自己的工作，个人所做的事情似乎不再重要；二是决定结果的主要因素仿佛只剩算力，个人贡献被庞大系统稀释。
我认为，这种心理变化不能简单理解为职业焦虑。它反映了AI研究正在从少数天才推动的探索，转向模型、算力和大型组织共同驱动的工业体系。
与此同时，越来越多研究者开始相信，一旦具备递归自我改进能力的研究模型出现，某种形式的指数级智能可能在一两年内随之而来。这个预测是否准确尚未得到验证，但信念本身已经产生现实影响：它会加快人才和算力争夺，也会强化每一家前沿实验室都不能停下来的压力。
越是相信突破临近，越容易形成竞赛；竞赛越激烈，安全治理就越困难。
主动减速可能恰恰源于进展太快
奥特曼对OpenAI放缓一项前沿强化学习训练的解释，不是能力遇到瓶颈，而是模型进步超过了现有对齐和安全监控体系的跟进速度。为此，OpenAI暂停相关训练，并把更多算力转向安全工作。
这是一种值得重视的信号。如果能力和安全无法同步推进，训练速度就不能只由技术上“还能不能继续”决定，还要看组织是否理解并控制得住模型的新行为。
奥特曼同时表示，现有模型已经足以支撑产品和收入，企业收入也已超过消费者收入。这意味着，企业只有具备稳定的商业基础，才更可能承受主动暂停训练带来的短期损失。
安全并不只是价值宣言，它还需要现金流和治理结构提供选择空间。
不是所有算力扩张都有同样的逻辑
奥特曼一方面支持前沿实验室继续投入算力，另一方面批评那些没有收入支撑、却计划建设巨量算力的新云厂商，称其为不可持续的愚蠢。
这两种态度并不矛盾。头部实验室扩大投入，背后至少有模型能力、研究路线和现有收入作为依据；脱离客户、技术和现金流的基础设施扩张，则更接近对行业热度的押注。
所以，不能把所有AI资本开支看成同一件事。判断一项投入是否理性，要看它能否形成从算力到研究、从研究到模型、再从模型到收入的闭环。
只有规模，没有闭环，算力越大，风险也越大。
技术路线最终会变成治理问题
奥特曼把IPO时间与递归自我改进的进展直接联系起来。如果模型能力快速跃升，企业可能需要暂停训练或牺牲短期收入；成为上市公司后，这类决定将承受更直接的股价压力。
这说明，前沿AI公司的治理结构不能只为融资效率设计。技术越接近高风险、高不确定性的阶段，公司越需要保留违背短期市场预期的能力。
奥特曼认为“AGI”已经成为定义模糊的营销词，内部关注点转向可以持续扩展的超级智能。无论是否接受这一判断，它都揭示了一个更深的问题：当企业相信自己面对的不是普通产品迭代，而是可能持续自我加速的技术进程，上市、盈利和资本开支就都不再是单纯的商业决策。
我更愿意把这轮变化理解为三场竞争同时发生：模型能力的竞争、算力与资本的竞争，以及安全治理能否跟上能力进步的竞争。
前两场竞争决定谁跑得快，最后一场决定整个行业是否知道什么时候应该踩刹车。