AI 行业正在出现一个值得资本市场重视的新变化。
过去两年，市场讨论 AI 时主要围绕几个问题展开：模型能力能否继续提升、推理成本能否下降、Coding 之外能否出现新的万亿美元应用、数据中心建设会不会过剩。
但随着谷歌发布 Gemini 3.8 Flash、SSI 宣布未来 12 个月算力扩张 10 倍，以及 OpenAI 公开讨论递归自我改进（RSI）与训练资源调配，前沿实验室正在把竞争焦点推向另一个方向：
AI 不只要服务用户，也开始参与训练、评估和优化下一代 AI。
RSI，即 Recursive Self-Improvement，通常被译为递归自我改进。通俗理解，这并不是模型突然拥有 " 自我意识 "，更多的是让模型参与模型研发的更多环节：生成算法、编写代码、设计实验、调用训练工具、评估结果、修复错误，并把有效经验反馈给下一轮研发。
如果这一闭环不断缩短，AI 研发的节奏就可能发生变化。
而 RSI 不是某一家公司的孤注一掷。谷歌、OpenAI、SSI、Anthropic，几乎所有前沿实验室都在朝同一个方向走。
Gemini 3.8 Flash，谷歌发出的 RSI 信号
9 月 2 日，谷歌正式发布 Gemini 3.8 Flash。这是谷歌六周内推出的第三款 Flash 模型。
性能数据本身已足够引人注目：在独立测评机构 Artificial Analysis 的高推理模式下，3.8 Flash 智能指数达到 59 分，接近 GPT-5.6 Sol 和 Grok 4.6 等顶级旗舰模型，单任务成本仅 0.58 美元，输入价格 0.75 美元 / 百万 Token。
但更值得关注的，是谷歌 DeepMind 研究员姚顺宇对这款模型的定性：
对模型而言，这只是迈出了一小步；但对于 RSI 来说，这是一次巨大飞跃。
这句话揭示了谷歌真正在做什么。
谷歌内部备忘录明确写道，目标是" 逼出递归自我进化，把编程模型硬生生改造成全自动 AI 研究员，彻底打通整个研发闭环 "。为此，谷歌组建了由 DeepMind CTO 领导、联合创始人谢尔盖 · 布林直接监督的代码突击队，并从 OpenAI 挖来后训练负责人 Barret Zoph 出任研究副总裁，主管强化学习和后训练方向。
3.8 Flash 的核心升级，正是这一战略的产品体现：模型被设计为在复杂任务上执行更多推理步骤、反复调用工具，通过长时间运行的智能体循环对自身结果进行评估和优化。换句话说，模型开始承担 " 规划—执行—检查—修复 " 的完整流程。
值得一提的是，谷歌内部原本有几个 3.5 Pro 候选模型，但最终全部被否决——原因是它们并没有比 Flash 系列强出足够多。与此同时，下一代旗舰 Gemini 4 仍卡在后训练阶段。这一切阴差阳错，反而造就了 Flash 系列的疯狂迭代。
OpenAI 的刹车与 SSI 的加速：巨头的同频共振
就在谷歌发布新模型前后，OpenAI CEO Sam Altman 在一次公开访谈中做出了一个罕见表态。
他承认，OpenAI 延迟了一次前沿强化学习（RL）训练 run。这是 OpenAI 历史上第一次主动暂停前沿训练。
原因不是某个单一的 " 冒烟枪 " 事件，在训练过程中，团队观察到模型能力提升的速度本身令人震惊。
Altman 原话是：" 能力进步的速度……我只能用 ' 令人敬畏 ' 来形容。我们需要更多时间让安全、对齐和安全保障跟上来。"
他进一步说：" 一年前，我不认为超级智能会很快到来。现在我认为它可能会发生。我不是说一定会，但我们正在以极快的速度推进。"
Altman 同时表示，这次暂停专门针对前沿 RL 训练 run，并非所有训练都停止，集群也没有闲置。他强调，OpenAI 当前商业势头强劲，企业收入已超过消费者收入，现有模型仍有大量商业价值可以挖掘。
但这一表态的信号意义远超商业层面：连 OpenAI 自己都要刹车等安全跟上，这是 RSI 临近最直接的公开信号。
此外，就在近期，英伟达宣布对 SSI（Safe Superintelligence Inc.）进行重大战略投资，SSI 同时宣布未来 12 个月算力将扩张 10 倍。
SSI 由 OpenAI 联合创始人、前首席科学家 Ilya Sutskever 于 2024 年 6 月创立，其 " 唯一目标与唯一产品 " 是安全的超级智能。
这则公告中，最值得关注的一句话是：
Our research is worth scaling（我们的研究已经值得大规模扩张）。
据华尔街见闻文章援引 " 少数派观点 " 分析显示，市场目前流行一个叙事：除了 Coding，AI 还没有找到下一个万亿美元级应用，因此到 2028 年前后，AI 资本开支增速大概率见顶。
但 SSI 事件揭示了这个叙事可能抓错了变量。
决定前沿实验室 CapEx 的第一变量，从来不是某个应用赛道，而是：下一代模型是否仍然值得继续扩大训练规模。
过去半年，几乎所有前沿实验室释放的信号高度一致：OpenAI 继续扩建训练集群，Anthropic 持续融资建设 AI 基础设施，xAI 不断扩建 Colossus，Meta 持续建设 GW 级 AI 园区，谷歌继续扩大 TPU 部署，SSI 宣布算力扩张十倍。
没有一家公司的行动体现出 " 训练结束了 "。
RSI 重塑算力逻辑：训练从 " 一次性 " 变成 " 永不停止 "
这一切的关键可能在于 RSI（递归自我改进）正在改变训练本身的形态。
过去的训练模式是：收集数据→训练→发布→结束。
RSI 时代的训练模式是：模型 A 生成新算法→训练模型 B →模型 B 优化训练流程→训练模型 C →模型 C 发现更好的 RL 策略→循环不止。
这意味着训练变成了持续训练（Continuous Training）——将永不停止。
为了验证一个新算法，以前训练一次，现在可能同时跑 100 个、1000 个、10000 个版本，最后只留最好的一个。
据华尔街见闻援引的分析，这带来一个直接推论：算力优势直接变成研究优势，研究优势直接变成模型优势。 拥有足够 GPU 的实验室一天能完成全部验证，缺少 GPU 的实验室一天只能完成 5 个、10 个，速度差距立刻被拉开。
OpenAI 提出了 Automated AI Researcher（自动化 AI 研究员）的概念；Anthropic 大量让 Claude 参与模型研发；谷歌 AlphaEvolve 已经开始利用 AI 寻找新算法。这些都是 RSI 的真实落地。
Gavin Baker 的警告：顶尖实验室可能主动砍收入去训练
这对投资者意味着什么？
知名科技投资人 Gavin Baker 在近期一次公开对话中给出了一个具体测算：
假设某家实验室拥有 10GW 算力，其中 8GW 用于推理，按每 GW 600 亿美元计算，年化收入约 4800 亿美元。
假设他们取得了重大研究突破，决定将推理分配从 8GW 压缩到 2GW，同时将训练从 2GW 扩大到 8GW，那么年化收入就会从 4800 亿骤降至 1200 亿。我认为他们真的可能做出这样的决定，而这是公开市场必须习惯的事情。
Gavin Baker 同时表示，基于对 Scaling Laws 的坚信，顶尖大模型公司短期内不会追求自由现金流，取而代之的是会将所有利润和资金重新投入购买算力和模型训练。
他还指出，这与 Meta、谷歌等互联网公司不同——后者的基本面相当平稳，基础设施成本与收入之间不存在巨大的权衡取舍。而前沿实验室随时可能为了长期技术优势，主动牺牲巨额短期商业收入。
这对 AI 股估值是一个重大风险提示。
前沿研究员的心理：算力压倒一切带来的无力感
这场竞赛也在改变前沿研究员的心理状态。
Conviction 创始人、AI 投资人 Sarah Guo 在一档视频博客采访中分享了自己对约 250 位前沿 AI 建设者的观察，过去 12 个月内，越来越多顶尖研究人员开始相信：具备递归自我改进能力的 AI 研究模型出现后，人类距离指数级智能可能只有 1 到 2 年时间。
但与此同时，当模型训练预算迈向数百甚至数千亿美元、团队扩大到数千人时，部分顶尖研究员产生了两种消极情绪：
我做的事情不重要，因为模型很快能自己做。
唯一重要的只有算力规模，个人贡献被稀释。
这种心理变化本身，也是 RSI 逻辑正在被业内广泛接受的侧面印证——当研究员开始觉得 " 只有算力重要 "，恰恰说明算力与研究能力之间的绑定已经足够紧密。
RSI 将至，市场叙事需要更新
一个对投资者有直接影响的结论正在浮现：
市场关于 "2028 年 AI 资本开支见顶 " 的叙事，建立在一个前提之上—— CapEx 由商业化应用需求单方面驱动。
但 RSI 提供了一个不同的判断框架：决定未来 CapEx 的，不只是推理需求和应用收入，还包括模型能力是否仍值得持续扩大训练。
只要前沿实验室仍然相信 "Our research is worth scaling"，训练投入就不会停止。而从目前所有公开信号来看，这个前提尚未动摇。
RSI 会不会成为下一轮 AI 资本开支的核心变量？
现在下结论仍然太早。
RSI 尚未被证明能够稳定带来指数级能力跃迁。模型在基准测试中的提升，也不等于能够在真实研发环境中持续、自主地改进模型。更高的智能体能力还会带来更高 Token 消耗、更复杂的系统工程，以及更大的安全风险。
但从谷歌、SSI 和 OpenAI 释放的信号看，前沿实验室显然已经不再把 RSI 视为遥远的理论概念。
谷歌在尝试让低成本模型完成更长、更复杂、更可验证的智能体任务；SSI 在用 10 倍算力扩张验证 " 研究是否值得大规模扩张 "；OpenAI 则在讨论如何在安全、商业化和前沿训练之间重新分配资源。
这些变化共同指向一个趋势：
大模型行业下一阶段的竞争，可能不只是 " 谁的模型更会回答问题 "，更为重要或许是 " 谁能让 AI 更快地参与 AI 研发，并在安全边界内完成自我迭代 "。
如果这一趋势持续，AI 产业链的核心问题也将发生变化。
市场不应只问：AI 应用收入够不够支撑数据中心建设？
还需要问：前沿模型的能力曲线是否仍在上行？AI 能否真正缩短研发周期？训练集群能否将算力转化为研究成果？以及，安全体系能否跟上模型自我迭代的速度？
这或许才是 RSI 对 AI 资本开支、模型竞争和科技投资最重要的影响。
