谷歌烧光2000亿，押注21世纪最大赌局新智元

硅谷正将AI研发重心从AGI转向RSI（递归式自我改进），押注AI能够自主研发更强AI，开启“智能爆炸”循环。谷歌、OpenAI、Anthropic已初步验证AI辅助AI研发，但距离真正RSI仍有距离。2000亿美元级基础设施投资，本质是在押注这一临界点能否到来。

AI奇点，已经临近了！

最近，人称「硅谷巴菲特」的著名投资人Chamath Palihapitiya，在X上预言了关于「AI奇点」的终极路线图。

1.人类构建出AGI。

2.AGI变得非常擅长做AI领域的研究。

3.它设计出一个更聪明的AI。

4.那个更聪明的AI，又设计出一个还要聪明的AI。

5.这个循环不断重复，且速度越来越快。

紧接着，他还抛出一个震撼结论——

看看过去几周各大AI实验室公布的成果和能力，我敢说，我们现在已经身处这个循环之中。

接下来18个月，RSI将迅速提升AI能力。

最终，所有AI模型的边际成本都将趋近于0！

不只是投资人，如今的整个硅谷，都无比信仰RSI。

就在最近，UC伯克利的一个峰会上，Google DeepMind首席战略官Jasjeet Sekhon抛出一个更重磅的判断：

整个科技巨头圈史无前例的疯狂投资，本质上都是在押注这三个字母——RSI！

这场「人类文明有史以来最大的一场科学赌注」，量级已经超过了阿波罗登月、曼哈顿工程，乃至整个互联网。

为什么巨头们不惜冒着资金链断裂的风险，也要把这场赌局进行到底？

忘了AGI吧，RSI才是硅谷终极图腾

如今的AI能自我纠错，没人盯着也能连干几个小时，甚至能生成和优化内核、编译器组件这类底层代码

但在Jasjeet Sekhon看来，这还只是RSI的前奏。

他说，别觉得用AI设计AI有多不可思议，工业革命时期，人类也是用第一代蒸汽机去造下一代更强的蒸汽机。

那真正的RSI到底长什么样？

一位资深研究员这样定义：真正的RSI，意味着一个AI模型能完全独立地重新设计自己的底层架构，甚至从零造出一个全新世代的模型，整个过程不需要人类科学家介入。

一旦跨过这个临界点，AI进化的速度就会脱离人类掌控。

人类几十年才走完的迭代，AI也许几周、甚至几天就够了。

这时，奇点循环将真正到来！

2000亿美元的「AI气穴」，一场人类文明史上最大的科学赌局

了解了RSI的潜力，你就明白硅谷为什么在像疯了一样烧钱。

今年，光是谷歌在AI数据中心、芯片和基础设施上的总资本开支，就达到了惊人的1950亿到2050亿美元，明年还会大幅增加！

华尔街的股东开始不安，因为从财报看，AI软件或云服务的收入增速，暂时覆盖不了这种量级的资本支出。

曾当过耶鲁统计学教授的Sekhon，当场把这个危险戳破。

我们正面临一个潜在的「AI气穴」（air pocket，飞机飞行中气压骤降、猛地下坠，他借此形容投资踩空），钱花出去了，收入却没如期出现。

数据中心盖好了、芯片装上了、电也拉进来了，可真正能兑现这笔投入的东西，迟迟不来。

其实，早在Sekhon之前，华尔街已用air pocket形容过这种局面：资本开支跑在收入前面，投资人买的是一个空中楼阁。

既然风险这么大，为什么还要蒙眼狂奔？

Sekhon的答案是：这是人类文明有史以来最大的一次科学押注。

他说，眼下全球在AI上的投入，已经让曼哈顿计划、阿波罗登月都相形见绌，连当年开发互联网都比不了。

这种赌徒逻辑很简单：现有技术虽然还不是真正的RSI，但「做空它，显然不明智」。

因为一旦RSI真的实现，就如上文所说，所有AI模型的边际成本将无限趋近于0。

到那时，率先掌握RSI的公司将拥有近乎神一般的生产力，直接降维打击所有竞争对手，垄断全球的算力与智力资源。

这已经不是一家公司的盈亏问题，而是一场「赢家通吃、输家退场」的生死局。

为了这张通往新纪元的门票，2000亿美元，只是小菜一碟。

今天这堆数据中心、TPU、电力，如果只能靠人类工程师一代代手工训模型，那就是一笔巨大的、会不断折旧的固定资产。

可一旦AI开始加速AI研发，将直接改变账本的逻辑。

投进去的算力不再是线性花掉，而是能滚出复利：这一代AI帮你更快造出下一代，下一代再帮你造下下一代。

这就是Sekhon说RSI是「投资逻辑关键部分」的原因。RSI，就是这笔钱能否回本的前提。

「御三家」的RSI进程

Google、Anthropic、OpenAI，三家各给了一个样本。

先看Google。

DeepMind的AlphaEvolve系统，专门用AI来优化算法。

它把Gemini训练里的一个关键内核提速了23%，让整个训练时间降了1%；它改过的一个电路设计，被直接写进了下一代TPU的芯片里。

如今它已经是Google基础设施里的常规工具，像缓存策略这种活儿，它两天干完了人类过去要花几个月才能做的事。

AI帮着造芯片、造更快的AI，已经成为现实。

再看Anthropic。

今年4月，他们做了个更激进的实验：九个Claude智能体，被丢进一个限定的对齐研究任务里，自己提假设、自己跑实验、自己交换发现。

两个人类研究员干一周，只追回了23%的性能差距；九个智能体累计用时800小时，花费约1.8万美元，追回了97%。

看起来，AI已经能独立做研究了？

别急，同一篇报告里，还藏着一个更重要的反证：当研究员把这套「最有效」的方法，搬到Claude真实的生产训练环境里，它没有带来任何统计上显著的改进。

这说明，「限定任务里的加速」和「真正重构AI的能力」，中间还隔着一道鸿沟。