算法1年翻倍，芯片2年翻倍？重磅实锤：AI正在自我加速，拦不住了

新智元报道

【新智元导读】NBER重磅论文证明：AI研发的自我加速反馈环强度远超所有科技领域，算法效率每年翻倍，经济学家模拟显示6年内可能触发奇点。

奇点临近！

经济学家也坐不住了。

Forethought的高级研究员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，你们需要立刻重视这个事实。」

什么事实？

AI正在以人类历史上从未出现过的速度，加速自己的进化。

不是比喻。是数据。

芯片效率，每2年翻一倍。算法效率，每1年翻一倍。

两条指数曲线叠在一起，构成了一个经济学家从未在任何其他产业里见过的正反馈环。

更恐怖的是——这个反馈环还在加速。

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。这是一个引人注目且令人惊讶的经验事实。

经济学家们应当高度重视并认真倾听。

• 首先，从经验来看，「点子越来越难找」这一现象在人工智能领域的影响远弱于其他技术领域。

• 其次，AI技术的绝对进步速度惊人。AI芯片每两年效率翻倍，算法每约一年效率翻倍。

• 第三，当AI能力提升时，我们就能自动化更多任务。

实现增长显著加速并不需要完全自动化。部分且持续提升的自动化就足够了。只要足够快速地自动化剩余任务，就能避免人类瓶颈。

而他们恰恰估算出了这个速度！

AI完全自我迭代，指日可待

最近，Anthropic的联创、政策负责人Jack Clark预测，审视了所有公开可得的信息，不情愿地得出一个观点：到2028年底，有相当大的可能性（60%以上）会出现一种「无人参与的AI研发」——即一个强大到足以自主构建其下一代系统的AI系统。

他相信：「如果这真的发生，我们将渡过一道卢比孔河，进入一个几乎无法预测的未来。」

链接：https://importai.substack.com/p/import-ai-455-automating-ai-research

这个预测并不算夸张。

去年，奥特曼就预言：2028年3月，真正的自动化「AI研究员」就能问世。

Karpathy用autoresearch「自动研究」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？

核心结论：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研究后，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、硬件和全要素生产率（TFP）相互渗透。

AI自动化激活了两个增强通道：

• 技术反馈回路

• 经济反馈回路（产出为研究提供资金）

技术反馈环，其他领域也有：半导体有摩尔定律，制药有AI辅助药物发现，能源有可再生技术的学习曲线。

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——「想法难找效应」（ideas getting harder to find）。

在几乎所有科技领域，随着低垂果实被摘完，突破性想法越来越难找到。

半导体如此，制药如此，农业如此。

这是经济增长理论里的经典悲观论据：技术进步终将减速，因为容易做的都做完了。

但AI打破了这个规律。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，并没有随着进步而收窄，反而在持续打开。

为什么其他技术都会撞墙，AI偏偏不会？

论文给出了一个精妙的解释：AI研发的核心工具就是AI本身。

传统科技领域的研发工具和研发对象相互分离：

你用计算机设计芯片，但计算机不会自动变成更好的芯片设计工具。

你用AI筛选药物分子，但筛选结果不会让AI变得更擅长筛选。

AI不同：更好的AI模型→更强的AI研发能力→更好的AI模型。这个闭环是自指的。

这就是Tom Davidson所说的「超强反馈环」。

每一轮改进的成果，都直接成为下一轮改进的工具。指数增长的底数本身也在增长。

芯片效率每2年翻一倍。算法效率每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。

不需要全自动，部分就够

论文最反直觉的结论来了：你不需要实现100%的AI研发自动化。

部分自动化就足以引爆这个反馈环。

很多人对AI取代人类研究员的想象是线性的——要么全自动，要么没用。

但论文的模型显示，只要AI能承担研发流程中某些关键环节（比如代码编写、实验设计、论文检索），就足以打破人类研究员数量的增长瓶颈。

这有一个简洁的解析条件：当反馈回路的综合强度超过1时，增长会倾斜并进入「爆发式状态」，每个自动化部门的贡献与其研发回报成正比。

他们有个违背直觉的发现：大多数人的注意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。

硬件研究的回报率要高出约5倍：自动化1倍芯片设计任务对经济的推动作用，相当于自动化5倍软件任务。

很多人在谈论AI时，总是陷入「全知全能」的误区：

除非AI能100%替代人类科学家，否则增长就会被那最后一点「人类瓶颈」卡住。

NBER的研究彻底粉碎了这个幻想。

论文提出了一个精准的阈值：13%。

只要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」的发动机就会被彻底点火。

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变成峭壁。

校准后，全行业只需13%的自动化率就能触发爆发式增长；如果仅限软件和硬件行业，则需要17%。

只要自动化持续推进得足够快，瓶颈也无法扭转这一趋势。

你不需要等到AI能独立发Nature论文。只要AI能让现有的1000个研究员干出过去5000个人的活，反馈环就已经点燃了。

立刻重视！

而现在的情况是——这个点火，很可能已经发生了。

论文做了一组模拟。

基于当前AI芯片和算法的进步速率，基于反馈环的实证强度，基于「想法难找效应」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。

如果论文的模型是对的，AI的自我改进速度将超过人类研究员的贡献速度。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，现在读起来格外刺眼：「经济学家们，你们需要立刻重视这个事实。」

不是「关注」，不是「思考」，是「立刻重视」。

对指数增长的怀疑从来不少。最常见的反驳是：历史上每一次有人宣布「奇点将至」，最后都证明是过度外推。

摩尔定律的推进者曾预言强AI在2020年到来。库兹韦尔2005年预言的奇点2045还有19年。

AI寒冬——不止一次——已经证明指数曲线可以突然断裂。

但这篇论文不同。它没有假设AI「应该」遵循什么增长曲线，而是直接测量了AI领域的研发效率增长数据。

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

编辑：KingHZ