软件介绍

把冰块慢慢往里面推使用指南

第一步：导入文件

打开软件
，点击"?增长 把冰块慢慢往里面推"按钮
，从电脑当选择《把冰块慢慢往里面推》文件
，或直接将其拖拽至软件界面中。

第二步：配置解析

软件会自动鉴别并解析导入的文件
，您可凭据界面提醒选择所需的保留蹊径或下载体式。

第三步：起头下载

确认无误后
，点击"起头下载/处置"按钮。期待进度条读取结束
，即可在设定的文件夹中查看下载好的正版文件。

算法1年翻倍
，芯片2年翻倍
？重磅实锤：AI在自我加快
，拦不住了
，把冰块慢慢往里面推

新智元报路

【新智元导读】NBER重磅论文证明：AI研发的自我加快反馈环强度远超所有科技领域
，算法效能每年翻倍
，经济学家仿照显示6年内可能触发奇点。

奇点邻近！

经济学家也坐不住了。

Forethought的高级钻研员Tom Davidson
，刚刚兴奋转发了一篇NBER新论文
，配文有一句话：「经济学家们
，你们必要立刻器重这个事实。」

什么事实
？

AI在以人类汗青上从未出现过的速度
，加快自己的进化。

不是迸作。是数据。

芯片效能
，每2年翻一倍。算法效能
，每1年翻一倍。

两条指数曲线叠在一路
，组成了一个经济学家从未在职何其他产衣凤见过的正反馈环。

更恐怖的是——这个反馈环还在加快。

论文标题：When Does Automating AI Research Produce Explosive Growth? Feedback Loops in Innovation Networks

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

这并非必然如此。这是一个引人瞩目且令人惊讶的经验事实。

经济学家们该当高度器重并当真倾听。

首先
，从经验来看
，「点子越来越难找」这一景象在人为智能领域的影响远弱于其他技术领域。

其次
，AI技术的绝对进取速度惊人。AI芯片每两年效能翻倍
，算法每约一年效能翻倍。

第三
，当AI能力提升时
，我们就能自动化更多工作。

实现增长显著加快并不必要齐全自动化。部门且持续提升的自动化就足够了。只有足够急剧地自动化渣滓工作
，就能预防人类瓶颈。

而他们刚好估算出了这个速度！

AI齐全自我迭代
，指日可待

最近
，Anthropic的联创、政策掌管人Jack Clark预测
，审视了所有公开可得的信息
，不情愿地得出一个概想：到2028年底
，有相当大的可能性（60%以上）会出现一种「无人参加的AI研发」——即一个壮大到足以自主构建其下一代系统的AI系统。

他相信：「若是这真的发生
，我们将度过一路卢比孔河
，进入一个险些无法预测的将来。」

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

这个预测并不算夸大。

去年
，奥特曼就预言：2028年3月
，真正的自动化「AI钻研员」就能问世。

Karpathy用autoresearch「自动钻延坠微调了一个12层的深度神经网络
，2天提升了11%。

问题是：这对「经济增长」意味着什么
？

主题结论：全软件研发自动化 + 其他各行业仅5%的自动化 → 约6年内进入奇点（爆炸性增长）。

自动化AI钻研后
，6年内带来奇点
？

他们提出了一个带有创新网络的半内生增长模型：软件、硬件和全身分出产率（TFP）相互渗入。

AI自动化激活了两个加强通路：

技术反馈回路

经济反馈回路（产出为钻研提供资金）

技术反馈环
，其他领域也有：半导体有摩尔定律
，造药有AI辅助药物发现
，能源有可再生技术的进建曲线。

但这篇来自NBER的论文（编号w35155）用实证数据揭示了一个让经济学家集体破防的事实：AI研发的反馈环强度
，远超所有其他科技领域。

原因在于一个关键变量——「设法难找效应」（ideas getting harder to find）。

在险些所有科技领域
，随着低垂果实被摘完
，突破性设法越来越难找到。

半导体如此
，造药如此
，农业如此。

这是经济增长理论里的经典消极论据：技术进取终将减速
，由于容易做的都做完了。

但AI突破了这个法规。AI领域的「点子难找效应」远弱于其他科技。

换句话说——AI的创新空间
，并没有随着进取而收窄
，反而在持续打开。

为什么其他技术城市撞墙
，AI偏偏不会
？

论文给出了一个精妙的诠释：AI研发的主题工具就是AI自身。

传统科技领域的研发工具和研发对象相互分离：

你用推算机设计芯片
，但推算机不会自动造成更好的芯片设计工具。

你用AI筛选药物分子
，但筛选了局不会让AI变得更善于筛选。

AI分歧：更好的AI模型→更强的AI研发能力→更好的AI模型。这个关环是自指的。

这就是Tom Davidson所说的「超强反馈环」。

每一轮改进的成就
，都直接成为下一轮改进的工具。指数增长的底数自身也在增长。

芯片效能每2年翻一倍。算法效能每1年翻一倍。两者叠加
，AI的有效算力增长速度远超任何单一摩尔定律的预测。

不必要全自动
，部门就够

论文最反直觉的结论来了：你不必要实现100%的AI研发自动化。

部门自动化就足以引爆这个反馈环。

好多人对AI取代人类钻研员的设想是线性的——要么全自动
，要么没用。

但论文的模型显示
，只有AI能承担研发流程中某些关键环节（好比代码编写、尝试设计、论文检索）
，就足以突破人类钻研员数量的增长瓶颈。

这有一个简洁的解析前提：当反馈回路的综合强度超过1时
，增长会倾斜并进入「发作式状态」
，每个自动化部门的贡献与其研发还报成正比。

他们有个违背直觉的发现：大无数人确把稳力集中在软件率先实现自动化上
，但硬件研发的影响力其实更大。

硬件钻研的回报率要逾越约5倍：自动化1倍芯片设计工作对经济的推作为用
，相当于自动化5倍软件工作。

好多人在讨论AI时
，总是陷入「全知全能」的误区：

除非AI能100%代替人类科学家
，不然增长就会被那最后一点「人类瓶颈」卡住。

NBER的钻研彻底粉碎了这个空想。

论文提出了一个精准的阈值：13%。

只有全行业的研发自动化率达到13%（或者软硬件研发领域的自动化率达到17%）
，那个名为「奇点」的发起机就会被彻底点火。

一旦越过这个临界点
，反馈回路的强度将超过「1」
，增长曲线将直接从斜坡造成峭壁。

校准后
，全行业只需13%的自动化率就能触发发作式增长；若是仅限软件和硬件行业
，则必要17%。

只有自动化持续推动得足够快
，瓶颈也无法旋转这一趋向。

你不必要比及AI能独立发Nature论文。只有AI能让现有的1000个钻研员干出从前5000幼我的活
，反馈环就已经点燃了。

立刻器重！

而此刻的情况是——这个点火
，很可能已经发生了。

论文做了一组仿照。

基于当前AI芯片和算法的进取速度
，基于反馈环的实证强度
，基于「设法难找效应」在AI领域的异常低水平——

结论是：6年内
，AI可能实现自我迭代的临界点。

6年。不是60年
，不是600年。

2032年前后。

若是论文的模型是对的
，AI的自我改进速度将超过人类钻研员的贡献速度。届时
，AI研发的主力将不再是人类
，而是AI自己。

Tom Davidson转发这篇论文时写的那句话
，此刻读起来格表刺眼：「经济学家们
，你们必要立刻器重这个事实。」

不是「关注」
，不是「思虑」
，是「立刻器重」。

对指数增长的疑惑从来不少。最常见的辩驳是：汗青上每一次有人颁发「奇点将至」
，最后都证明是过度表推。

摩尔定律的推动者曾预言强AI在2020年到来
？庾任ざ2005年预言的奇点2045还有19年。

AI隆冬——不止一次——已经证明指数曲线能够忽然断裂。

但这篇论文分歧。它没有如果AI「应该」遵循什么增长曲线
，而是直接丈量了AI领域的研发效能增长数据。

参考资料：

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

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

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

编纂：KingHZ