软件介绍

kaiyun.6633.使用指南

第一步：导入文件

打开软件
，点击"?增长 kaiyun.6633."按钮
，从电脑当选择《kaiyun.6633.》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
，kaiyun.6633.

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