近日，OpenAI官方博客发布《研究加速：OpenAI内部视角》，首次以内部数据形式公开“递归式自我改进”（RSI）进展。团队已实现去年秋设定的目标：于2026年9月前建成“自动化研究实习生”，该系统可在人类指导下执行明确定义的研究任务，包括经验丰富的研究人员需数日完成的工作。

OpenAI预计，将在2028年3月前实现完整“自动化AI研究员”，使其参与深度学习与对齐研究，并通过迭代持续改进自身。数据显示，今年初OpenAI研究人员对Agent的中位使用量仍较低；至8月中旬，Agent已融入日常工作。按API公开价格计算，中位使用者日均Token消耗价值超600美元；90百分位高频使用者日均消耗超7000美元。

OpenAI指出，随着自动化推进，最不易被替代的研究任务将更集中地占用研究人员时间，成为新瓶颈；当其他瓶颈缓解后，算力将成为更关键制约因素。团队成员Kevin Liu在社交平台X转发该文并强调，RSI或是未来数年AI能力跃升的核心驱动力，但目前仅存于少数头部实验室。他呼吁行业提升信息透明度，推动社会就研发节奏与约束机制展开充分讨论。

谷歌DeepMind亦将RSI视为AI资本开支核心逻辑，其首席战略官Jasjeet Sekhon表示，当前模型已能辅助设计其他模型部分组件，构成RSI“前兆”。Anthropic亦正逐步将AI开发工作委托给AI本身。国信证券分析指出，更强模型既为获客关键，亦正成为研发下一代模型的生产工具；领先厂商或形成“更强模型—更高研发效率—更快推出继任模型”的正反馈闭环。

训练与Research Inference同步扩张，将打开算力产业链需求空间。RSI落地将推高参数规模、训练Token量、模型代际频率、候选实验数量、Post-training、RL Rollout、验证及研发推理负载，带来训练需求的乘数效应。重点环节包括计算芯片及ASIC、HBM与存储、先进封装、高速互联与光通信、交换设备、液冷、电力及数据中心等高壁垒基础设施；同时看好具备大规模算力基础设施与持续资本开支能力的头部云服务提供商（CSP）。

免责声明：本文内容由开放的智能模型自动生成，仅供参考。