新智元報道

【新智元導(dǎo)讀】NBER重磅論文證明：AI研發(fā)的自我加速反饋環(huán)強度遠超所有科技領(lǐng)域，算法效率每年翻倍，經(jīng)濟學(xué)家模擬顯示6年內(nèi)可能觸發(fā)奇點。

奇點臨近！

經(jīng)濟學(xué)家也坐不住了。

Forethought的高級研究員Tom Davidson，剛剛興奮轉(zhuǎn)發(fā)了一篇NBER新論文，配文有一句話：「經(jīng)濟學(xué)家們，你們需要立刻重視這個事實。」

什么事實？

AI正在以人類歷史上從未出現(xiàn)過的速度，加速自己的進化。

不是比喻。是數(shù)據(jù)。

芯片效率，每2年翻一倍。算法效率，每1年翻一倍。

兩條指數(shù)曲線疊在一起，構(gòu)成了一個經(jīng)濟學(xué)家從未在任何其他產(chǎn)業(yè)里見過的正反饋環(huán)。

更恐怖的是——這個反饋環(huán)還在加速。

論文標(biāo)題：When Does Automating AI Research Produce Explosive Growth? Feedback Loops in Innovation Networks

論文地址：https://www.nber.org/papers/w35155

這并非必然如此。這是一個引人注目且令人驚訝的經(jīng)驗事實。

經(jīng)濟學(xué)家們應(yīng)當(dāng)高度重視并認(rèn)真傾聽。

• 首先，從經(jīng)驗來看，「點子越來越難找」這一現(xiàn)象在人工智能領(lǐng)域的影響遠弱于其他技術(shù)領(lǐng)域。

• 其次，AI技術(shù)的絕對進步速度驚人。AI芯片每兩年效率翻倍，算法每約一年效率翻倍。

• 第三，當(dāng)AI能力提升時，我們就能自動化更多任務(wù)。

實現(xiàn)增長顯著加速并不需要完全自動化。部分且持續(xù)提升的自動化就足夠了。只要足夠快速地自動化剩余任務(wù)，就能避免人類瓶頸。

而他們恰恰估算出了這個速度！

AI完全自我迭代，指日可待

最近，Anthropic的聯(lián)創(chuàng)、政策負責(zé)人Jack Clark預(yù)測，審視了所有公開可得的信息，不情愿地得出一個觀點：到2028年底，有相當(dāng)大的可能性（60%以上）會出現(xiàn)一種「無人參與的AI研發(fā)」——即一個強大到足以自主構(gòu)建其下一代系統(tǒng)的AI系統(tǒng)。

他相信：「如果這真的發(fā)生，我們將渡過一道盧比孔河，進入一個幾乎無法預(yù)測的未來。」

鏈接：https://importai.substack.com/p/import-ai-455-automating-ai-research

這個預(yù)測并不算夸張。

去年，奧特曼就預(yù)言：2028年3月，真正的自動化「AI研究員」就能問世。

Karpathy用autoresearch「自動研究」微調(diào)了一個12層的深度神經(jīng)網(wǎng)絡(luò)，2天提升了11%。

問題是：這對「經(jīng)濟增長」意味著什么？

核心結(jié)論：全軟件研發(fā)自動化 + 其他各行業(yè)僅5%的自動化 → 約6年內(nèi)進入奇點（爆炸性增長）。

自動化AI研究后，6年內(nèi)帶來奇點？

他們提出了一個帶有創(chuàng)新網(wǎng)絡(luò)的半內(nèi)生增長模型：軟件、硬件和全要素生產(chǎn)率（TFP）相互滲透。

AI自動化激活了兩個增強通道：

• 技術(shù)反饋回路

• 經(jīng)濟反饋回路（產(chǎn)出為研究提供資金）

技術(shù)反饋環(huán)，其他領(lǐng)域也有：半導(dǎo)體有摩爾定律，制藥有AI輔助藥物發(fā)現(xiàn)，能源有可再生技術(shù)的學(xué)習(xí)曲線。

但這篇來自NBER的論文（編號w35155）用實證數(shù)據(jù)揭示了一個讓經(jīng)濟學(xué)家集體破防的事實：AI研發(fā)的反饋環(huán)強度，遠超所有其他科技領(lǐng)域。

原因在于一個關(guān)鍵變量——「想法難找效應(yīng)」（ideas getting harder to find）。

在幾乎所有科技領(lǐng)域，隨著低垂果實被摘完，突破性想法越來越難找到。

半導(dǎo)體如此，制藥如此，農(nóng)業(yè)如此。

這是經(jīng)濟增長理論里的經(jīng)典悲觀論據(jù)：技術(shù)進步終將減速，因為容易做的都做完了。

但AI打破了這個規(guī)律。AI領(lǐng)域的「點子難找效應(yīng)」遠弱于其他科技。

換句話說——AI的創(chuàng)新空間，并沒有隨著進步而收窄，反而在持續(xù)打開。

為什么其他技術(shù)都會撞墻，AI偏偏不會？

論文給出了一個精妙的解釋：AI研發(fā)的核心工具就是AI本身。

傳統(tǒng)科技領(lǐng)域的研發(fā)工具和研發(fā)對象相互分離：

你用計算機設(shè)計芯片，但計算機不會自動變成更好的芯片設(shè)計工具。

你用AI篩選藥物分子，但篩選結(jié)果不會讓AI變得更擅長篩選。

AI不同：更好的AI模型→更強的AI研發(fā)能力→更好的AI模型。這個閉環(huán)是自指的。

這就是Tom Davidson所說的「超強反饋環(huán)」。

每一輪改進的成果，都直接成為下一輪改進的工具。指數(shù)增長的底數(shù)本身也在增長。

芯片效率每2年翻一倍。算法效率每1年翻一倍。兩者疊加，AI的有效算力增長速度遠超任何單一摩爾定律的預(yù)測。

不需要全自動，部分就夠

論文最反直覺的結(jié)論來了：你不需要實現(xiàn)100%的AI研發(fā)自動化。

部分自動化就足以引爆這個反饋環(huán)。

很多人對AI取代人類研究員的想象是線性的——要么全自動，要么沒用。

但論文的模型顯示，只要AI能承擔(dān)研發(fā)流程中某些關(guān)鍵環(huán)節(jié)（比如代碼編寫、實驗設(shè)計、論文檢索），就足以打破人類研究員數(shù)量的增長瓶頸。

這有一個簡潔的解析條件：當(dāng)反饋回路的綜合強度超過1時，增長會傾斜并進入「爆發(fā)式狀態(tài)」，每個自動化部門的貢獻與其研發(fā)回報成正比。

他們有個違背直覺的發(fā)現(xiàn)：大多數(shù)人的注意力集中在軟件率先實現(xiàn)自動化上，但硬件研發(fā)的影響力其實更大。

硬件研究的回報率要高出約5倍：自動化1倍芯片設(shè)計任務(wù)對經(jīng)濟的推動作用，相當(dāng)于自動化5倍軟件任務(wù)。

很多人在談?wù)揂I時，總是陷入「全知全能」的誤區(qū)：

除非AI能100%替代人類科學(xué)家，否則增長就會被那最后一點「人類瓶頸」卡住。

NBER的研究徹底粉碎了這個幻想。

論文提出了一個精準(zhǔn)的閾值：13%。

只要全行業(yè)的研發(fā)自動化率達到13%（或者軟硬件研發(fā)領(lǐng)域的自動化率達到17%），那個名為「奇點」的發(fā)動機就會被徹底點火。

一旦越過這個臨界點，反饋回路的強度將超過「1」，增長曲線將直接從斜坡變成峭壁。

校準(zhǔn)后，全行業(yè)只需13%的自動化率就能觸發(fā)爆發(fā)式增長；如果僅限軟件和硬件行業(yè)，則需要17%。

只要自動化持續(xù)推進得足夠快，瓶頸也無法扭轉(zhuǎn)這一趨勢。

你不需要等到AI能獨立發(fā)Nature論文。只要AI能讓現(xiàn)有的1000個研究員干出過去5000個人的活，反饋環(huán)就已經(jīng)點燃了。

立刻重視！

而現(xiàn)在的情況是——這個點火，很可能已經(jīng)發(fā)生了。

論文做了一組模擬。

基于當(dāng)前AI芯片和算法的進步速率，基于反饋環(huán)的實證強度，基于「想法難找效應(yīng)」在AI領(lǐng)域的異常低水平——

結(jié)論是：6年內(nèi)，AI可能實現(xiàn)自我迭代的臨界點。

6年。不是60年，不是600年。

2032年前后。

如果論文的模型是對的，AI的自我改進速度將超過人類研究員的貢獻速度。屆時，AI研發(fā)的主力將不再是人類，而是AI自己。

Tom Davidson轉(zhuǎn)發(fā)這篇論文時寫的那句話，現(xiàn)在讀起來格外刺眼：「經(jīng)濟學(xué)家們，你們需要立刻重視這個事實。」

不是「關(guān)注」，不是「思考」，是「立刻重視」。

對指數(shù)增長的懷疑從來不少。最常見的反駁是：歷史上每一次有人宣布「奇點將至」，最后都證明是過度外推。

摩爾定律的推進者曾預(yù)言強AI在2020年到來。庫茲韋爾2005年預(yù)言的奇點2045還有19年。

AI寒冬——不止一次——已經(jīng)證明指數(shù)曲線可以突然斷裂。

但這篇論文不同。它沒有假設(shè)AI「應(yīng)該」遵循什么增長曲線，而是直接測量了AI領(lǐng)域的研發(fā)效率增長數(shù)據(jù)。

參考資料：

https://x.com/TomDavidsonX/status/2051710034044654012

https://www.nber.org/papers/w35155

https://www.econtai.org/research/AutomatingResearch-2026-01-02.pdf

編輯：KingHZ