RSI_大模型的下一站_AI研发自动化加速下的模型_算力与应用机会_46页_2mb

RSI，大模型的下一站？——AI研发自动化加速下的模型、算力与应用机会

核心内容

RSI（Recursive Self-Improvement，递归自我改进）是指 AI 系统参与设计、开发和训练更强的继任系统，形成跨代持续的正反馈机制。当前 AI 已经进入代码编写、研究调试、Kernel 优化、自动实验和部分后训练环节，局部研发反馈闭环正在形成，但完整 RSI 尚未实现。

主要观点

1. RSI 是 AI 研发流程的重要参与者和工具：AI 不仅是辅助工具，还逐步承担更多研发任务，包括实验执行、结果分析和系统优化。
2. 研发流程正向平台化发展：模型、Agent、Evaluator、训练平台和算力基础设施开始整合，形成统一的工程系统。
3. 算力需求将持续增长：随着 AI 研发自动化，训练与 Research Inference 需求同步扩张，带动算力产业链需求上升。
4. 应用机会向高价值场景扩展：软件工程、研发工具、企业知识管理、客户服务和数字内容等领域有望率先实现 Agent 规模化渗透。
5. RSI 的实现仍需时间：尽管 AI 在部分环节展现出闭环能力，但其在长周期任务中的可靠性、错误恢复和自主决策能力仍待提升。

关键信息

1. RSI 的定义与现状

• RSI 是 AI 系统通过 Research Agent、Evaluator、训练平台和实验系统，参与设计、开发和训练更强的继任系统。
• 当前 AI 可以承担代码、调试、实验和分析任务，但在研究方向选择、目标设定、评价标准和关键结果判断等方面仍依赖人类。
• RSI 的核心门槛在于“研发能力”能否跨代、持续地增强，而不仅仅是单次任务的优化。

2. RSI 的技术演进与工程实践

• RSI 的理论基础：自 1965 年 I. J. Good 提出“智能爆炸”概念以来，RSI 理念经历了 60 年的发展。
• 当前进展：
  • AI 能够完成代码编写、实验运行、结果分析等任务。
  • 在目标明确的实验中，AI 可以提出方案、运行实验、分析结果，并根据反馈发起下一轮迭代。
  • Google DeepMind 的 AlphaEvolve 是 RSI 的典型代表，通过自动验证和反馈优化算法、数据中心、芯片设计等。

3. RSI 对算力基础设施的影响

• 训练端需求扩大：算力需求不再仅取决于单次模型训练，而是由参数规模、训练 Token 数量、模型代际频率、候选实验、Post-training、RL Rollout、验证及研发推理等共同决定。
• 算力需求倍增：在 RSI 形成前，训练需求可能达到当前的 3 倍；若形成正反馈，需求可能达到 15—30 倍，甚至 50—100 倍以上。
• 关键基础设施：包括计算芯片及 ASIC、HBM 与存储、先进封装、高速互联与光通信、交换设备、液冷、电力及数据中心等，这些环节具备较高的供给壁垒。

4. RSI 对应用端的影响

• 高价值场景优先受益：软件工程、研发工具、企业知识管理、客户服务和数字内容等领域，因具备可验证、可闭环的特性，有望率先实现 AI 的规模化应用。
• 研发场景效率提升：药物、材料、芯片设计等领域的研发效率有较大提升潜力。
• 应用公司的核心壁垒：从“能否接入模型”转向专有数据、核心工作流、可靠 Evaluator 和持续提高客户产出的能力。

5. 前沿模型厂商的 RSI 路径

• OpenAI：通过 Codex 和 Research Agent，推动 AI 参与代码、调试、Kernel 优化等任务，已实现 RSI Index 提升，但尚未完全实现 RSI。
• Anthropic：Claude 已能完成实验优化任务，形成“人类提供目标，AI 决定方法”的分工，但目标选择和研究判断仍需人工。
• Google DeepMind：AlphaEvolve 通过自动验证和反馈机制优化算法、数据中心和芯片设计，是 RSI 的重要前置形态。

风险提示

• 完整 RSI 可能长期无法形成；
• 商业化落地低于预期；
• 竞争加剧；
• 监管政策风险；
• 技术进步低于预期。

投资观点

• RSI 正由理论进入落地前夕阶段，AI 研发自动化正在加速。
• 算力基础设施是 AI 研发的核心支撑，重点关注具备大规模算力和持续资本开支能力的头部 CSP。
• 高价值应用将优先受益于 AI 能力的外溢，重点跟踪可验证、可闭环的场景。

产业影响

• 模型与研发流程：模型、Agent、Evaluator、训练平台和算力基础设施的整合，将推动 AI 研发流程的平台化和自动化。
• 算力需求扩张：随着 AI 研发自动化，训练与推理需求同步增加，带动算力产业链需求空间。
• 应用渗透：AI 能力的加速普及将推动应用场景扩展和渗透率提升，尤其在高数字化、高反馈效率的领域。

关键公司与技术趋势

总结

RSI 是 AI 研发自动化的重要方向，代表 AI 能力的持续提升和跨代递归。当前 AI 已进入真实模型研发流程，但尚未形成完整的 RSI 循环。随着模型能力、Agent 执行、Evaluator 验证和研发基础设施的整合，AI 正在逐步承担更多研发任务，推动算力需求和应用场景的扩展。然而，RSI 的实现仍面临长周期可靠性、错误累积、物理与组织瓶颈等挑战。未来，具备更强模型、平台化能力和算力基础设施的厂商，将在 AI Research Factory 竞争中占据优势。