AI 研发千倍提速叙事遭降温

围绕“1000x R&D speedup”、ASI 和递归自我改进，多位作者集中讨论了一个共同问题：AI 进步能否像部分乐观叙事那样持续按指数级外推。整体基调是降温而非否定增长本身：他们认为算力、数据、研发流程中的边际递减，以及更广泛的物理约束，都让“无限加速”不能被当作默认前提。

为何对指数外推降温

@davidpattersonx 用“棋盘翻倍”的类比提醒，若按固定倍数去外推技术进步，很快就会得到脱离现实的数量级；原因不只是增长难以维持，更在于可发现的技术空间并非无限。@RyanGreenblatt 则补充了更具体的一层：即便 AI 把部分研发效率提升 10 倍，也不等于整个 AI 软件开发都会同步提升 10 倍，因为不同环节存在明显边际递减，局部提速不会线性传导为总产出。

约束不只在算法

@willccbb 连续几条帖文把这类怀疑系统化。他借 DSV3 架构的长期生命力指出，不应把世界模型建立在“递归自我改进会带来无上限算法进步”之上。在他看来，“1000x R&D speedup”如果被当作单一变量来讨论，本身就过于含糊，因为架构、优化器、基础设施、kernel、芯片和算法的提升各有天花板。

他进一步认为，当前看起来最接近“没有明显上限”的变量是算力和数据，但它们恰恰最受物理现实约束。基于此，他把 AI 扩展类比为核聚变而非炼金术：潜在影响极大，但推进会漫长、艰难，而且仍受自然规律限制。

可能的变量与仍存想象空间

按 @willccbb 的说法，许多新的模型技巧本质上更像“算力乘数”，价值很大，但可继续挖掘的空间可能在变少；相比之下，扩数据更麻烦，也更难规模化。他还提到，当前被发现的一个重要“数据乘数”来自 90 年代的某个 RL 算法。

在这个框架下，如果架构搜索、kernel grinding 一类改进已基本被市场定价，那么真正可能带来质变的，或许不是把现有路线无限外推，而是偏离“预训练→RL”传统路径的新算法范式。

2026-07-14 ~ 2026-07-16 · 8 条相关

一手来源