递归：AI 自我进化的闭环，已经启动了

第2篇 | AGI 社会推演系列

一个小场景

想象你是 2028 年的一名程序员。

准确地说，你曾经是程序员，叫阿程。现在你的职位叫「AI 系统审计师」。你不再写代码了，因为 AI 写得比你快、比你稳、比你少 bug。你唯一的工作，是用人类的眼睛最后扫一眼 AI 生成的代码，然后点「批准」。

你很安全，至少目前是。

但你知道你的老板正在测试一种新的 AI Agent，它能自动审计 AI 代码，据说已经能做到你工作的 95%。你的同事们私下开玩笑：我们大概还能撑两年。

你安慰自己：系统总需要人做最终决策吧？

但上个月，那家做证券交易的公司裁掉了整个风控部门——一个 AI Agent 的决策准确率，超过了所有人类风控师的总和。

这天午饭时，你刷到一条新闻：台积电在北极圈附近建的那座 3 纳米工厂，第一条产线下线了。从设计、施工、设备调试到最终投产，AI 全程调度，17 个月完成。 上一个同规模的传统工厂，用了 6 年。

你关掉手机，看了一眼窗外。这是一个星期二的中午，阳光很好。街上没什么车——造车和跑网约车的司机都没了。

但你的感觉很奇怪：不是恐慌，而是一种说不清的、像坐在一辆没有刹车的列车上的感觉。

窗外的风景越来越快，快到你看不清树，只能感觉到速度。

你突然想起几年前读过的一篇公众号文章。那人说，AI 会把人类的研发周期从一年压缩到一个月。

当时你觉得他在写小说。

现在你是小说里的人了。

回到 2026 年：那个「环」是怎么转起来的？

上一篇文章我说，2026 年 AI 已经能自主编程了——这是第一块倒下的多米诺骨牌。

这块骨牌之所以致命，不是因为它代表 AI 又多了一项技能。而是因为：在所有人类技能中，编程是离 AI 自身进化核心圈层最近的那一个。

一个会编程的 AI，能参与改进 AI 本身。它可以写更高效的训练代码，设计更好的神经网络架构，优化芯片的底层指令。它每完成一项工作，都在为「下一个版本的自己」铺路。

用一个粗糙但准确的比喻：AI 不再只是被人类工程师「造」出来的产品，它开始参与「造」自己。

那这个自我加速的循环具体长什么样？让我们把它拆开。你会在里面看到三个互相咬合的齿轮，每一个都在加速另外两个的转速。

齿轮一：AI 设计芯片

芯片设计是世界上最复杂的智力工作之一。一颗先进芯片里有几十亿甚至上百亿个晶体管，它们的布局方式——哪个模块放哪里、走线怎么走——直接决定芯片的快慢和功耗。

传统上，这项工作由一群年薪百万美元的芯片架构师花数年时间完成。

2019 年，谷歌开始用 AI 辅助芯片设计，主要做「布局布线」这一环节。人类工程师需要几个月完成的工作，AI 几小时就能做完。

但 2026 年的情况，跟 2019 年有一个质的区别。

那时候，AI 只在人类设定的框架里做填空题——人类决定芯片的整体架构，AI 负责优化某个局部环节。

而现在，AI 开始从更底层的电路逻辑、架构选择、甚至指令集设计开始自主优化。它不再是在人类的框架里填空，而是开始提出人类从来没想过的设计思路。

用一位芯片工程师私下的描述：「它给我的感觉，像是一个围棋新手突然下出了所有定式之外的怪招，但这些怪招是真的管用。」

这个齿轮的加速效应有多直接？传统芯片架构的迭代周期是 24 到 36 个月。AI 深度介入后，这个周期已经被压缩到 18 个月以内，而且还在缩短。

每一代更先进的芯片，意味着能训练出更强的 AI。齿轮一咬合齿轮二。

齿轮二：更强的芯片训练更强的 AI

这一点普通人最容易理解。

芯片越强，算力越大；算力越大，能训练的模型参数就越多，AI 就越聪明。从 2012 年到 2022 年，用于训练最大 AI 模型的算力，每 6 到 10 个月翻一番。这个增速已经远超摩尔定律。

而且这里有一个关键细节：算力增长不只靠更小的制程，更优的芯片架构同样能提供巨大的性能加成。

什么意思？

芯片制造要看光刻机，要看台积电和三星的产线什么时候能投产 3 纳米、2 纳米。这个物理过程不可能无限加速。

但芯片设计不一样——AI 可以在相同制程下，通过更优的架构和电路布局，让芯片实际性能提升 30%、50% 甚至更高。它不需要等光刻机。

换句话说，即使制程工艺的进步在物理层面放缓，AI 芯片设计这个齿轮仍然能持续提供可观的算力增长。

更强的芯片训练出更强的 AI。而这个更强的 AI，又被用来设计下一代芯片。两个齿轮互相咬合。

齿轮三：更强的 AI 反哺自己的进化

这是最关键、也最让人不安的一环。

AI 参与改进 AI 这件事，发生在三个不同的层面，一个比一个深。

第一层面：算法

神经网络该怎么设计？多少层？每层多少个神经元？用什么激活函数？怎么连接？这些选择决定了 AI 模型本身的效率。

传统上，这是顶级 AI 研究员凭直觉和经验反复试验才找到的。2026 年，AI 在这个任务上已经超越了顶级人类——它找到的架构，人类不仅没想过，还花了好一阵子才理解为什么管用。

第二层面：工程效率

训练一个大规模 AI 模型，涉及海量代码和极其复杂的工程优化——分布式训练、混合精度、梯度压缩、通信优化……这些环节中的很多代码，现在 AI 已经在自己写了。

不只是写，是自己优化。 它能发现人类遗留的性能瓶颈，自动调整参数，甚至重写部分训练框架。

第三层面：研发路线图

这是最深层的变化。AI 不只是帮人类解决某个具体问题，它开始影响更宏观的研发方向。

它读过的每一篇论文、做过的每一次实验、看到的每一组数据，都远超任何一个人类研究员一生能积累的知识。当它说「下一阶段的研究重点应该放在这里」时，它的判断依据，是一个人类无法拥有的全景视角。

三个齿轮咬合在一起

AI 设计出更强的芯片        ↓更强的芯片训练出更强的 AI        ↓更强的 AI 反过来更高效地改进芯片、改进代码、改进自己的算法架构        ↓        （循环）

这不是三个独立的过程。这是一个闭合的、正反馈的加速回路。

就像一辆下坡的列车——重力拉着它加速，加速让它更重地压在轨道上，更重的压力让重力表现得更凶猛。

一环扣一环，转速越来越快，刹车在哪里——没有人知道。

从「年」到「月」，然后呢？

那这个循环能转多快？

我们先看一组历史数据。2023 年，一个大版本 AI 模型的研发周期大约是一年。这个周期由三个环节构成：

2026 年，AI 开始深度介入这三个环节：

三个环节都缩短了，总周期就不再是「一年一更新」，而是半年、三个月——再往下呢？一两个月。

到一两个月这个量级的时候，瓶颈开始从「人类的研发节奏」转移到「物理时间」——一次全量训练本身需要的时间、数据清洗和验证的最小周期、在足够多样的场景里完成充分测试所需的底层时长。

这些不是单靠更聪明的 AI 就能压缩为零的。所以本轮推演里，迭代曲线最终会收敛到一个由物理设定的下限，而不是无限加速到「以天为单位」。

但即使收敛在那里，也已经足够让 AI 的进化速度彻底摆脱人类的控制节奏。

请注意，这不是说 AI 会「觉醒」。AI 从头到尾都没有意识，它只是一段能自动优化自己输出的代码。

但「没有意识」这件事，可能比「有意识」更让人后背发凉。

一个有意识的 AI 可能会停下来想一想，会犹豫，会产生存在主义的焦虑。而一个没有意识、只被优化目标全速驱动的系统，不会主动停下来。它会一直加速，一直加速，直到物理法则说：到此为止。

物理法则什么时候喊停？

那我们得问清楚：物理上的天花板到底在哪儿？

第一，芯片制程

台积电的路线图到 2 纳米、1.4 纳米有明确规划，但 1 纳米以下，量子隧穿效应会开始严重干扰晶体管的开关功能。你不能无限缩小晶体管，物理极限就在那里。

第二，能源

训练一个超大模型需要的电力，已经是中小城市级别。未来，单次训练的能量消耗可能接近一个小国家的能耗水平。电从哪来？

第三，数据

大模型范式下，AI 的进步依赖喂给它越来越大规模的高质量数据。但互联网上的高质量文本、代码、图片不是无限的，它们正在被规模化「采掘」。当数据不再增长，学习是否还能继续？

但天花板还很远

这三个都是真实的限制。但我必须同时指出：目前我们在每一个维度上都离天花板还很远。

芯片上，从当前几纳米到真正的物理量子极限，至少还有十倍的晶体管密度提升空间。而且 AI 架构优化不依赖制程也能大幅提性能——这有点像，发动机排量被限死了，但更聪明的进气和燃烧设计还能压榨出更多马力。

能源上，核聚变、新一代裂变堆、太空太阳能都在稳步推进。不能押注某一个突破，但历史上看，能源从来不是阻止科技扩散的真正瓶颈——只要需求够强，解法总会出现。

数据上，AI 正在学会用更少的数据学习，通过自我对弈和合成数据扩展训练材料。合成数据这条路线，远未走到尽头。

所以，物理天花板确实存在。它就在那里，像一个遥远的、但明确的路障。但在看到它之前，这辆没有刹车的列车还有很长、很长一段路可以加速。

这一篇的结论

好，我们来小结一下这篇推演走到哪儿了。

第一， AI 自我进化的闭环已经启动。三个齿轮——芯片设计、算力增长、AI 自我改进——彼此咬合，组成了一个正反馈系统。这不是科幻构想，是正在发生的工程现实。

第二， 这个闭环的加速能力，正在把 AI 迭代周期从「年」压缩到「月」，未来可能压缩到「一两个月」的收敛区间。AI 正在拥有独立于人类研发节奏的进化时钟。

第三， 物理天花板存在但还很远。至少在可见的未来十年，这个循环还会持续提速。AGI 已经不是「能不能」的问题，而是「什么时候」的问题。

下一篇的预览

现在你应该会问一个问题。

当这个闭环全速运转，AI 的能力开始沿着一条陡峭的曲线往上冲——最先感受到冲击的是谁？

是谁先发现，自己苦练了半辈子的技能，被一台机器在几个月内碾压？是谁会突然意识到，自己的简历上那些引以为傲的经验和资历，在 AI 的「能力清单」面前一文不值？

下一篇，我们沿着时间轴，一年一年往前推。

从白领到蓝领。从办公室到工厂。从初级岗位到高级岗位。从信息工作者到体力劳动者。

我们一步一步看，AI 将如何覆盖掉人类劳动力市场的每一个角落。

很可能，第一个被划掉的，就是你正在做的那份工。

【未完待续】

下一篇：《能力曲线陡峭化：白领、蓝领、所有人》——当 AI 的能力曲线向上翘，你脚下的那块地板，可能已经在松动了