RSI时代将至：谷歌、OpenAI、SSI正在发出同一个信号
我认为，当前大模型行业最值得关注的变化，已经不只是模型变得更强或更便宜，而是AI开始进入下一代AI的研发流程。
谷歌推进自动化AI研究员，OpenAI因前沿强化学习训练中的能力跃升而主动放慢节奏，SSI则宣布未来12个月将算力扩大十倍。三家公司的动作不同，却指向同一个方向：递归自我改进正在从理论概念变成前沿实验室的实际竞争。
RSI不是模型突然有了自我意识
递归自我改进，也就是RSI，更现实的含义是让模型参与算法生成、代码编写、实验设计、工具调用、结果评估和错误修复，再把有效经验带入下一轮研发。
过去的训练更像一条有终点的流水线：收集数据、完成训练、发布模型，然后结束。
RSI对应的则是一个持续循环：模型生成新算法，用新算法训练下一代模型，新模型再改进训练流程和强化学习策略。模型不只是研发成果，也逐渐成为研发工具。
一旦这个闭环能够稳定运转，真正发生变化的不是某一次基准测试，而是研发周期本身。
谷歌在尝试打通研发闭环
Gemini 3.8 Flash发布后的性能和成本固然值得注意，但更重要的是谷歌对它的定位。它能够在复杂任务中执行更多推理步骤，反复调用工具，并在较长的智能体循环中检查和修正结果。
这相当于让模型承担“规划、执行、检查、修复”的完整流程。谷歌真正想验证的，不只是Flash能否以较低成本接近旗舰模型，而是低成本模型能否成为可以长时间工作的AI研究员。
谷歌连续快速迭代Flash，也说明模型竞争未必永远由体量最大的旗舰产品主导。能够高频运行、反复试验并参与研发的模型，可能拥有另一种更重要的价值。
OpenAI踩刹车，SSI踩油门
OpenAI第一次主动推迟前沿强化学习训练，并不是因为集群闲置或商业需求不足，而是训练过程中表现出的能力进步太快，安全、对齐和保障体系需要时间跟上。
这个信号比一次模型发布更值得重视。它说明前沿实验室面对的约束，可能正在从“能力能否继续增长”转向“组织和安全体系能否承受增长速度”。
SSI的选择则在另一个方向印证了相同判断。它宣布未来12个月将算力扩大十倍，理由可以概括为：研究已经值得大规模扩张。
一个主动暂停，一个大幅扩张，看起来相反，底层判断却一致——下一代模型研发仍有巨大的能力空间，真正的问题是如何在速度、算力和安全之间重新分配资源。
算力可能从生产资料变成研究速度
市场习惯把AI资本开支与应用收入联系起来：如果Coding之外迟迟没有出现新的万亿美元应用，数据中心建设迟早会放缓。
我认为，这个框架可能漏掉了一个更关键的变量：下一代模型是否仍值得扩大训练规模。
在持续训练模式下，一个新算法可能需要同时运行大量实验，最终只保留其中最有效的方案。算力充足的实验室可以迅速完成验证，算力不足的实验室只能慢慢排队试验。
于是，算力优势会先转化为实验速度，再转化为研究优势，最后形成模型能力差距。训练集群不再只是制造模型的工厂，也可能成为AI研究系统本身的一部分。
OpenAI提出自动化AI研究员，Anthropic让Claude参与模型研发，谷歌用AlphaEvolve寻找新算法，都是这个方向的早期落地。它们尚未证明指数级自我改进已经实现，却说明AI参与AI研发并不是遥远设想。
前沿实验室可能主动牺牲收入
这一变化会给资本市场带来一个不容易适应的结果：最领先的实验室可能主动减少推理资源，把更多算力转向训练。
素材中的测算假设一家实验室拥有10GW算力，其中8GW用于推理；如果重大研究突破出现，它可能把训练占用从2GW提高到8GW。这样做会大幅压低当期收入，却可能换来长期技术领先。
这类公司不能简单套用成熟互联网公司的估值逻辑。成熟平台通常希望基础设施投入稳定地产生收入，而前沿模型公司可能随时为了技术突破，放弃相当一部分短期变现。
因此，高收入未必意味着自由现金流即将改善；资本开支持续增长，也未必只是商业化效率低下。关键要看新增算力能否真正缩短研发周期，并转化为模型优势。
人的角色也在发生变化
当模型训练预算走向数百亿甚至更高规模，团队不断扩大，部分前沿研究人员开始产生一种无力感：模型很快可能接手自己的工作，而个人贡献在庞大的算力和组织系统面前越来越小。
这种情绪不能证明RSI一定会实现，但它反映出行业内部正在形成一种新的信念：研究能力越来越依赖模型、算力和自动化实验系统的组合，而不再只依赖少数研究者的个人突破。
真正稀缺的能力，也可能从“谁能提出一个好想法”，逐渐变成“谁能让大量机器实验快速、可靠地验证好想法”。
现在还不能把RSI当成既定事实
我不认为几个实验室的动作已经足以证明指数级智能即将到来。
基准测试提升不等于模型能够在真实研发环境中稳定改进下一代模型。更长的智能体任务会消耗更多Token，需要更复杂的系统工程，也会放大错误积累和安全风险。模型能否提出真正有效的新算法，能否可靠评估实验结果，仍然需要持续验证。
所以，RSI目前更适合作为一个需要跟踪的产业变量，而不是确定性的投资结论。
但市场提出问题的方式确实应该改变。除了关注应用收入能否覆盖数据中心投入，还要观察模型能力曲线是否继续上行，AI是否真正缩短研发周期，训练集群能否把算力转化为研究成果，以及安全体系能否跟上自我迭代的速度。
下一阶段的大模型竞争，可能不再只是比较谁更会回答问题，而是比较谁能让AI更有效地参与AI研发，并把这种迭代控制在可靠的安全边界内。
如果这条路径成立，算力就不只是满足用户需求的成本，而会成为推动研究循环的核心投入。届时，AI资本开支何时见顶，将不再单纯取决于下一个超级应用何时出现。