传媒·计算机行业专题：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.pdf

全球人工智能研发正经历从辅助工具向自主研发参与者的范式转变，递归自我改进（RSI）作为关键技术路径，虽未完全实现跨代闭环，但已在代码编写、实验优化等环节形成局部反馈机制。本报告聚焦于AI研发自动化加速背景下的产业机会，指出竞争核心已从单代模型能力转向包含模型、智能体、评估器及算力的“AI研发工厂”系统能力。

研发范式重构与厂商竞争

前沿模型厂商如OpenAI、Anthropic和Google DeepMind正通过不同路径推进AI研发自动化。OpenAI侧重能力评测与治理阈值，Anthropic强调研发工作向AI转移的渐进式路径，Google DeepMind则依托评估器驱动的算法进化。尽管完整RSI仍需时间，但模型已成为生产下一代模型的工具，具备基础模型、云基础设施及真实任务反馈的厂商有望形成“更强模型—更高研发效率”的正反馈闭环，强化平台化壁垒。

算力需求的多维扩张

RSI的演进将显著放大算力需求。除了模型参数规模和训练Token的增加，模型代际频率、候选实验、后训练及研发推理负载的同步增长，将对训练端产生乘数效应。测算显示，在自动化加速期至递归加速期，训练端总需求可能出现数倍至数十倍的增长。重点受益环节包括计算芯片、HBM、先进封装、高速互联、液冷及数据中心基础设施，头部云服务提供商凭借大规模算力储备和资本开支能力，将持续受益。

高价值应用的渗透逻辑

模型能力通过MaaS、API与智能体平台向应用端外溢，优先渗透软件工程、研发工具、企业知识管理等数字化程度高、反馈周期短的领域。应用公司的核心壁垒转向专有数据、核心工作流及可靠评估器。报告提示，完整RSI形成仍面临长周期可靠性、方向选择依赖人工等挑战，需关注技术落地不及预期及监管政策风险。