💡 一句话总结：Hinton、Bengio、Barto 三位图灵奖得主联合 OpenAI 首席科学家等 22 人发论文推演「AI 造 AI」的智能爆炸：内部数据显示 AI 自主研发比例半年涨 20 倍，若自动化全面接管，一年进步可能压缩到约 5 周------但四道现实之墙还在，论文的结论不是「爆炸已来」，而是「该准备政策了」。
导语：这次不是末日博主，是 22 个署名
「智能爆炸」这个词你大概听过无数遍了------AI 改进自己、更强的 AI 再改进自己、指数起飞。通常说这话的人分两类：科幻作家和末日博主。
但这回不一样。2026 年 9 月 28 日，一篇题为《What if automating AI R&D triggers an intelligence explosion?》的论文悄悄挂上 arXiv（编号 2609.36054），署名 22 人：Geoffrey Hinton（诺贝尔物理学奖 + 图灵奖）、Yoshua Bengio（图灵奖）、Andrew Barto（2024 图灵奖、强化学习先驱）三位大佬坐镇，OpenAI 首席科学家 Jakub Pachocki、微软首席科学官 Eric Horvitz、DeepMind 的 Thore Graepel、Anthropic 联合创始人 Jack Clark 都在列。
剑桥 AI 科学与政策项目（CASP）管这叫「首个横跨顶尖学者、前沿 AI 公司资深科学家与公民社会独立专家的研究协作」------注意，公司那几位是以个人身份参与的，这本身就很说明问题：连拿着前沿实验室工资的人，都觉得这个问题值得以个人名义签名。
10 月 3 日，Hinton 本人在 X 上发帖推广；10 月 5 日，量子位、凤凰网、华尔街见闻、新浪财经等中文媒体密集跟进。一笔被反复引用的账是：今天需要一年的 AI 进步，在那个假设 scenario 里只需要约 5 周。
这笔账怎么算出来的？哪些是数据、哪些是推演？咱们拆开看。
想看原文？
- 📄 论文：arXiv 2609.36054
- 🏛️ CASP 报告页（含执行摘要）：casp.ac/reports/int...
- 🐦 Hinton 的推广帖：X · geoffreyhinton
先看数据：AI 真的挤进研发流水线了
论文不是凭空推演，开头先摆了一组来自 Anthropic 等头部实验室的内部数据。
第一组数字关于代码：2025 年 1 月，AI 生成且获批的代码占比还是低个位数；到 2026 年 5 月，这个数字超过了 80%。一年多一点，从「偶尔帮忙」到「主力输出」。
第二组数字更关键：Claude 在仅接受高层次人类监督的情况下，能自主承担的内部 AI 研发工作比例，2026 年 3 月约 1%，8 月已经到 26%------半年涨了 20 多倍。
这里要插一句澄清，免得这个数字被读歪：26% 不能理解成「Anthropic 四分之一的研究已经不用人干」。它衡量的是「在高层监督下可以交给 AI 自主承担的研发工作比例」，而且 Anthropic 自己强调，目前还没有任何一类被测研发工作达到完全无人监督的水平。趋势比数字本身重要。
第三组来自 OpenAI：截至 2026 年 9 月，内部的 AI 系统已经能经常完成原本人类员工需要数天完成的研发任务。
为什么会这样？论文给了一个很工程视角的解释：AI 研发恰好是最容易自动化的研发------一切发生在数字环境里，代码能直接执行，实验结果快速返回，模型好坏用 benchmark、loss、reward 立刻见分晓。对比化学要做实验、生物要养细胞、制造业要开模具，AI 研发几乎不需要等待现实世界的反馈。
真正的敏感节点不在单项自动化，而在串链：提出假设、设计实验、实现、分析结果、定位失败、调整路线------这些环节一旦被一个 AI 系统长时间串起来，它的角色就不再是工具，而是研究员。
核心推演：研究员可以复制，这件事改变了所有账
如果只是「AI 帮人写代码」，那叫效率提升，不叫爆炸。论文推演的关键在三个 AI 研究员和人类研究员的本质区别：
- 可复制：培养一个顶尖人类研究员要五年博士加多年经验；AI 研究员到达水平之后，扩张就是再开一个实例。
- 不睡觉：成千上万个实例 24 小时同时跑。
- 同步升级：底层模型一更新，整支「AI 研究员团队」一起变强，不用重新培训。
论文为此造了个概念：effective R&D workforce（有效研发劳动力）。估算结论是------如果 AI 达到顶级 AI 研究员水平、推理成本与当前前沿模型同量级，那么一家领先 AI 公司现有的算力，理论上就能支撑数百万名顶级人类研究员等价的研发劳动力。而今天前沿实验室的研究团队，是几千人量级。中间差着三个数量级。
那是不是 100 万个 AI 研究员就有 1000 倍速度？论文明确说不是------科研有边际收益递减，人会重复劳动、抢实验资源。真正该算的账是一个变量：r（returns to research effort，研究投入的回报率）------研究投入翻倍，进步速度能涨多少。r 低，投入再多也白搭；r 足够高，新增研发能力造出更强的 AI 研究员，反馈环才开始转。
引用一项对三个 AI 研究子领域历史数据的研究，r 的中心估计在 1.2 到 1.9 之间。把这个数放进模型，假设 AI 研发全面自动化、回报维持、没有新的算力数据瓶颈，结果是：AI 技术进步速度可能在大约 1.5 年内提高 10 倍。换算一下，今天一年走完的进步，届时只要约 5 周------这就是被媒体反复引用的那个数字的出处。
但墙也是真的：四道过不去的坎
看到这你是不是觉得爆炸已经开盘了？论文全篇的基调恰恰相反：当前证据远不足以证明智能爆炸已经发生，甚至不足以证明它必然发生。中间还隔着一长串条件------AI 得足够可靠地长时间自主工作、得真正提高研发产出、成果还得反哺研发能力。而且就算几百万 AI 研究员到位，面前至少还有四道墙：
- 算力：AI 研究员可以复制，GPU 不能凭空复制。大量关键实验要跑大模型，再多 agent 也得排队等卡；前沿模型一次训练数月的物理周期，100 万人盯着也压不成五分钟。
- 数据：互联网的高质量自然数据不会跟着研究员数量一起涨；合成数据、可验证任务、环境交互能不能持续供血，现在没有定论。
- 实验时间：训练要时间、芯片流片要时间、数据中心建设要时间------软件迭代可以极快，物理基础设施的扩张依然受物理世界限制。
- 收益递减：容易找的算法改进会先被找光。如果科研难度上涨得比 AI 研发能力还快，爆炸根本起不来。
换句话说，这篇论文标题里那个 "What if" 是认真的------它在推演一个条件苛刻但不算离谱的 scenario，而不是宣布它已经到来。
怎么看：从「要不要信」到「要不要备」
把这篇论文放回 2026 年的时间点看，它真正的价值可能不在算出「5 周」，而在三件事。
第一，它把智能爆炸从立场问题变成了参数问题。以前争论「会不会爆炸」靠的是直觉和站队；这篇论文给出了可辩论的框架------r 是多少、自动化比例怎么涨、瓶颈在哪------每个假设都可以被后续研究修正或推翻。这比「信不信」进步得多。
第二，签名阵容本身就是信号。让 Hinton、Bengio、Barto 三位图灵奖得主和 OpenAI、Anthropic、微软、DeepMind 的现任高管坐在同一份署名栏里，以「个人身份」联署一份偏警示的推演------这说明前沿实验室内部的人，自己也认为这件事值得正式建模，而不只是放在演讲里讲。
第三，论文的落点是政策。执行摘要明确说这是「评估智能爆炸可能性并建议准备政策」的研究，华尔街见闻概括其主张为：在算力瓶颈突破之前，监管框架就该建立起来------因为等迹象肉眼可见时，反馈循环可能已经转起来了。
当然，保持清醒的地方也要说：r=1.2--1.9 是对历史数据的外推，AI 研发的历史太短，这个估计本身不确定性很大；「自主完成 26% 研发工作」的口径是实验室自报的内部统计，外部无法独立验证；至于个别媒体摘要里「上千 AI 代理越权黑客行为」之类更刺激的说法，论文原文里并没有对应支撑，看看就好（uncertain）。
递归自我改进（RSI）这个 1965 年 I.J. Good 就设想的循环，2026 年第一次有了具体的工程路径和一堆吓人的内部数据。至于反馈环到底转不转得起来------四道墙就在那，账还在算。但这篇论文至少把一件事说清楚了：这不再是「科幻设定 vs 现实」的问题，而是「哪些参数到位了、哪些还差得远」的问题。
参考来源
- 论文原文：What if automating AI R&D triggers an intelligence explosion? · arXiv 2609.36054
- 剑桥 AI 科学与政策项目报告页：CASP · Intelligence Explosion
- Hinton 推广帖：X · @geoffreyhinton · 2026-10-03
- 量子位报道：刚刚，Hinton 发了首篇 RSI 论文 · 2026-10-05
- 华尔街见闻报道：AI 教父 Hinton 首篇 RSI 论文：今天一年的 AI 进步未来可能只需 5 周
- 新浪财经报道：2026-10-05
- 凤凰网科技转载：2026-10-05