AREX Viewpoint Article
The avalanche that hit math is coming for AI development
导读
2026年11月13日，Dwarkesh Patel发布视频与长文，标题直言“数学遭遇的雪崩正在逼近AI研发”。据AGTP的梳理，这篇内容把他的超级智能预期从此前“至少还要接近十年”收紧到2030年前后，发布后获得约7.87万次浏览。对一个此前判断明显更保守的科技播客作者来说，这是一次公开改口，也让“递归自我改进（RSI）是否已经开始”从圈内假设变成需要正面回应的公共议题。
这次改口并非孤立。2026年以来，RSI正从假设性概念进入机构化研究议程：Anthropic研究所专门讨论“当AI构建自身”时，RSI指一个能够完全自主设计并开发其继任者的AI系统；兰德公司在10月发布的报告则从实证角度审视AI系统对自身改进的贡献趋势。社交平台上也有人把Patel的论证概括为：AI学会构建更好的AI，数年进展可能被压缩进数月。视频正是在这些证据与争论积累到需要系统梳理时出现的。
视频给出的第一个解释是数学。按片中梳理，AI在2023年还不能可靠完成四位数加法，2024年几乎解不出高中数学竞赛题，2025年已能在国际数学奥林匹克夺金，近期更有模型用88小时解决一个千禧年大奖难题。数学之所以先被攻破，是因为答案可验证、可反复练习；Patel由此推断，AI研发的可验证程度虽不及数学，却已足够高，因此同样可能被自动化。
这正是视频的增量所在。它没有停留在“AI变强了”的笼统判断，而是把AI研发拆成预训练、后训练与推理效率三类，并指出每一类都有可测量的代理指标——从留出集损失、Anthropic的内部基准CoBench，到GPU利用率与KV缓存大小。可验证带来两件事：模型可以进行数千轮强化学习；每个智能体在合并贡献前能自证是否刷新了指标，从而支持大规模并行。
在此基础上，视频给出可追踪的决策框架。若自动化研究者以约50倍于人的速度、顶尖水准并大规模并行工作，算法进步会被显著推快；但容易的想法也会被更快耗尽，两股力量的胜负决定结局。Patel给出的中位判断是2028年出现顶尖人类水平的自动化研究者，至少有25%概率拖到2032年之后；结局则在“软件奇点”与“火花”之间各约五成——后者意味着一年的日历时间里压缩三到六年的进展。
因此，这段视频的价值不在于再给出一个耸动的年份，而在于把“何时到来”的争论改写成“用什么证据判断”的问题：可验证性、代理指标与瓶颈强弱，成了读者可以自行追踪的坐标。需要说明的是，2030年说与2028年中位数都出自Patel本人的预测，AGTP等二手梳理提供的热度与表述仍需以原始内容为准；但恰恰是这种把判断标准摊开的做法，让这次公开改口值得认真对待。
核心结论
- AI自我改进已从预测变为现实，自动化AI研究者最快2027-2028年出现：METR、OpenAI和Anthropic的独立数据均显示AI已在加速AI研发，中位预测2028年出现顶尖人类水平的自动化研究者，且更早时间线不能排除。这直接回答了超级智能何时到来的核心问题。
- 数学能力的爆发式进步是AI研究自动化的预演，组合式实验能力可迁移：AI在高度可验证的数学领域从不会四位数加法跃升至解决千禧年难题，而AI研究同样依赖大量可验证代理指标和组合式实验，Transformer的发明史证明这种能力正是突破关键。
- 自动化研究者将以速度、智能和数量三重优势大幅加速算法进步：一旦AI达到顶尖人类研究员水平，其工作速度约为人类50倍、每个个体具备顶尖能力、且可大规模并行，尽管存在收益递减，仍足以让算法进步快上数倍。
- 未来路径取决于RSI加速与想法枯竭的竞争，软件奇点与火花各约50%概率：若加速占优则出现软件-only奇点，若想法枯竭占优则出现一年内压缩数年进展的火花情景，作者认为两者概率相当，但火花已足够震撼。
- 超级智能将是强大元学习者，能从可验证任务泛化并迅速超越人类专家：通过大规模RL训练和虚拟环境，AI将获得通用学习能力，在商业、法律、政治等难以验证领域快速适应，现有模型泛化表现和人类进化史均支持这一判断。
观点拆解
1. AI 自我改进已启动，自动化 AI 研究可能仅剩数年之遥
-
AI 自我改进已从预测变为现实：前沿实验室的研发正被 AI 显著加速：Dwarkesh 引用 METR 在 Anthropic 的三个月实地评估、OpenAI 和 Anthropic 各自发布的内部数据，说明 AI 已经在实质性加速 AI 研发本身。这些独立且可量化的证据表明，递归自我改进不再是理论推演，而是正在发生的趋势。
“METR 是一家独立评估机构，在 Anthropic 内部驻场三个月后得出结论：Anthropic 在界定明确任务上的 AI 进展速度是一年前的两倍，而且当前这种加速的大部分很可能归因于 Anthropic 大量使用 AI 进行研发。”
“OpenAI 研究人员中前 10% 的重度用户，其内部编码智能体的日均使用额从夏初的约 1000 美元升至 8 月底的超过 7000 美元。Anthropic 也报告称，Claude 现在主导了其 26% 的 AI 研发工作，而今年 2 月这一比例还不到 1%。”
-
自动化 AI 研究者的中位预测是 2028 年，但 2027 年甚至更早也不能排除：Dwarkesh 给出中位年份 2028 年，同时明确存在至少 25% 的概率拖到 2032 年之后，也存在 2027 年就实现的可能。他引用 METR 报告和 Ajeya Cotra 的推演指出，若按当前加速趋势外推，极端超级智能甚至可能在一年内出现，因此社会应对更早的时间线保持准备。
“如果让我选出自动化研究者能在 AI 研究上达到顶尖人类 AI 研究者水平的中位年份，我猜是 2028 年，前提是 AI 实验室全速推进，不主动放缓，也不被政府放缓。”
“我猜至少有 25% 的概率这一里程碑要到 2032 年之后才实现。但反过来，我也认为事情可能快得多，2027 年就达到这一里程碑。”
“正如前嘉宾 Ajeya Cotra 在一篇关于该报告的博客文章中所说：“如果我们按字面接受 AI 现在几乎将 AI 能力进展速度翻倍，并假设来自 AI 的加速是平滑的，这朴素地意味着我们将在一年内达到极端超级智能。””
-
可验证性是 AI 研究能被自动化的关键：数学领域的爆发式进步提供了预览：Dwarkesh 认为，AI 研究虽然不完全像数学那样可验证，但可验证程度已足够高。在竞赛编程和开放数学问题等可检查答案、可进行数千轮练习的领域，AI 已在几年内从不如多数人类跃升至超越最顶尖人类，并且能泛化到未直接训练过的问题上，这为 AI 研究自动化提供了强类比。
“我想澄清，AI 研究的某些部分确实不如数学那样可验证。这就是为什么 OpenAI 没有解雇所有研究人员，尽管它有一个显然能自主解决千禧年大奖难题的模型。但我认为 AI 研究的可验证程度足够高，AI 很快就能在其中达到与最优秀人类相当的水平。”
“在每一个我们能检查答案并给 AI 数千轮练习的领域，例如竞赛编程或界定明确的开放数学问题，它们已在短短几年内从不如多数人类变为超越最优秀的人类。而正如我将在结论后论证的，AI 研究具有完全相同的可验证特性。”
2. 数学能力的爆发式进步是 AI 研究自动化的预演
-
数学能力在极短时间内从基础算术跃升至解决千禧年难题，进步速度远超预期：AI 在数学这一高度可验证领域的进步呈现出爆发式加速：从 2023 年无法可靠完成四位数加法，到 2025 年赢得国际数学奥林匹克金牌，再到近期 OpenAI 在 88 小时内解决一个千禧年大奖难题。这种跨越式发展是讲者更新对 AI 自动化研究进度判断的关键依据。
“对我来说一个非常重要的更新，就是看到 AI 模型在数学方面的能力爆炸式增长。”
“就在 2023 年，这些模型还不能可靠地做四位数加法。2024 年，它们几乎解不出高中数学竞赛题。2025 年，它们能在国际数学奥林匹克上拿金牌。再到今年早些时候，它们终于开始解决一些小众开放问题；一个月前，OpenAI 用 88 小时解决了一个千禧年大奖难题。”
-
AI 研究的目标与数学相反，恰好更依赖当前 AI 擅长的“穷举式”问题求解：数学研究的核心在于提出新理论、拓展人类理解，而 AI 研究则主要关心新算法配方能否在实证上提升训练效率或让模型更聪明，并不追求理论本身。因此，当前 AI 在数学中 disproportionately 擅长的“持续尝试大量组合、连接相邻领域想法”的能力，在机器学习研究中反而价值更大。
“而这种解决定义明确问题的能力，对机器学习研究来说，将比它对广义数学的影响更大。”
“但在 AI 研究中，优先级恰好相反。AI 实验室主要关心任何新的算法配方如何在实证上让训练更高效或引出更聪明的模型。他们不关心理论本身，而且过去十五年半深度学习的所有进展本来也不需要太多新理论。”
-
Transformer 的发明史证明：AI 擅长的“组合式实验”正是 AI 研究突破的关键能力：Transformer 的核心组件（注意力、残差网络等）早已在文献中存在，真正的突破在于把半打已知 tweaks 以正确方式组合起来，这需要大量小型实验和持续匹配。讲者指出，这种“持续且智能地匹配数十种想法组合”的能力，正是当前 AI 在数学贡献中表现出的 disproportionately 擅长的能力，因此类似 Transformer 的突破未来可能由 AI 完成。
“换句话说，核心部件对当时活跃的研究者来说都不意外。那么为什么人们没有更早发明 Transformer？一个原因是，只有当你把另外半打调整和创新连接在一起之后，这种新架构才明显优于当时的最先进水平。尽管几乎所有这些组件多年前就已在文献中为人所知，但没人知道如何把这些拼图以正确的方式组合起来。”
“但我刚才描述的过程——持续且智能地匹配数十种不同的想法组合——正是 AI 在数学贡献中表现出 disproportionately 擅长的能力。”
3. AI 研发高度可验证，为 RSI 提供了可训练的基础
-
AI 研发的三大环节均具备可验证的代理指标，使研发能力可直接训练：Dwarkesh 将 AI 研发拆分为预训练、后训练和推理效率三大类，并指出每一类都有易于衡量的可验证代理指标。由于这些环节共同构成算法进步的全部，AI 整体进展因此变得容易通过训练来优化，这为递归自我改进提供了可训练的基础。
“AI 研发大致有三个大类：预训练、后训练和推理效率。而正如我将解释的，每一类都有强大的可验证代理指标，很容易针对其进行训练。”
“由于它们共同构成了全部算法进步，这意味着 AI 进展总体上很容易通过训练来提升，这在某种意义上并不令人意外，因为我们可以让模型更擅长那些可以在数据中心内测试的事情，而 AI 训练本身就发生在数据中心里。”
-
可验证性支撑数千轮强化学习练习与并行化协作：可验证代理指标的价值体现在两方面：一是让 AI 公司能通过数千轮强化学习直接提升模型在特定研发环节的能力；二是让每个智能体在合并贡献前能实证检验自己是否刷新了排行榜分数，从而更高效地并行工作。这解释了为何 AI 研发适合自动化并支持大规模协作。
“首先，它允许 AI 公司直接对模型进行强化学习，通过数千轮练习让模型更擅长 AI 研究的特定部分。但可验证性重要的第二个原因是，这些代理指标让每个智能体在合并贡献之前，能够实证检验自己是否在排行榜上击败了某个分数，因此它们可以更有效地并行工作。”
-
预训练、后训练与推理效率各自拥有具体可测的优化目标：Dwarkesh 用具体例子说明三大环节的可验证性：预训练可用固定损失下的计算量、留出集损失等衡量；后训练可用新环境所需的计算/数据/时间、即时学习速度以及 Anthropic 的 CoBench 等基准衡量；推理效率则可用 GPU 利用率、KV 缓存大小、FLOPs 和延迟等直接测量。这些具体指标表明研发进展可以被精确追踪和优化。
“这是因为留出测试集上的损失——预训练研究的基础——极其容易验证。”
“第三，你可以直接衡量 AI 研发能力。例如，Anthropic 有一个名为 CoBench 的内部基准，包含约 500 个他们的研究人员和工程师今年解决的真实问题。而每个基准也是一个强化学习环境，这样的环境可以让 Anthropic 让模型练习重做前沿领域过去三到六个月的人类进展。”
“例如，你可以轻松测量 GPU 利用率、每 token 的 KV 缓存大小、前向传播的总 FLOPs 或延迟等等。”
4. 自动化研究者将因更快、更聪明、数量更多而大幅加速算法进步
-
速度优势：自动化研究者每周可完成约50倍于人类的工作量：当前AI的工作速度已是人类的约10倍，且自动化研究者可全天候工作，因此每个自动化研究者每周完成的工作量约为人类研究者的50倍。尽管实验算力瓶颈会导致收益递减，但仅此速度优势就足以让算法进步快上数倍。
“每个自动化研究者每周完成的工作量大约是人类研究者的50倍。”
“但即使收益递减极其陡峭，仅此一项就会使算法进步比目前快许多倍。”
-
智能优势：每个自动化研究者都达到顶尖人类水平，大幅提升进步速度：在所述情景中，每个自动化研究者在AI研究与工程上的能力至少与当今最顶尖的人类相当。由于前沿实验室约80%的算法进步由50位顶尖研究者驱动，当每个自动化研究者都具备这种顶尖水平时，算法进步将获得又一次大幅加速。
“在我所谈论的情景中，每个自动化研究者在AI研究和工程方面至少与当今最顶尖的人类一样出色。”
“我的感觉是，前沿实验室约80%的算法进步由其50位顶尖研究者驱动。”
-
数量优势：AI研究可并行化，大量智能体并行推进可显著加速：AI研究包含大量可独立完成和验证的模块化子任务，类似于形式化定理而非写小说，因此适合大规模并行。尽管增加并行研究者存在收益递减，但鉴于AI研究的性质，拥有数量级更多的自动化劳动力至少能让进展快上数倍。
“AI研究更接近于形式化定理，而不是写小说，因为存在大量独立的模块化工作，并且有可验证的进展代理指标。”
“但鉴于AI研究的性质，拥有数量级更多的自动化劳动力，进展至少快上数倍是难以置信的。”
5. 未来可能出现软件-only 奇点或火花，两者概率相当
-
未来路径取决于RSI加速与想法枯竭两种趋势的竞争：作者指出，AI研究自动化后，进步速度能否持续取决于两个相反力量：RSI让自动研究者更快、更聪明、更多，而AI研究本身会因容易的想法被耗尽而越来越难。这两种趋势谁更强，将决定后续进展是加速还是放缓。
“一方面，由于RSI，自动研究者会继续变得更快、更聪明、数量更多。另一方面，随着所有容易的想法被这群研究者吃掉，AI研究将变得越来越难。”
-
若加速占优将出现软件-only奇点，若想法枯竭占优则出现火花：作者定义了两种情景：软件-only奇点指不增加算力，AI群体在数月内快速自我改进直至达到当前芯片的物理极限；火花则指一年内压缩三到六年进展，随后因需要更大实验而放缓。这为后续概率判断提供了清晰框架。
“如果AI变聪明的速度快于想法变难找的速度，我们就会得到所谓的软件-only奇点。在这种情景下，即使不增加算力，AI群体也会快速制造出越来越聪明的自身版本，直到在几个月内我们得到一种超级智能，它逼近当前芯片的物理极限。”
“但如果想法变难找的速度快于RSI让AI更擅长研究的速度，我们就会得到我称之为火花的东西。我们会在一个日历年里获得大约三到六年的当前速率AI进展。然后事情会平息下来，直到我们建造更多算力，因为即使是这些超级天才的自动研究者也需要运行更大的实验才能取得进一步突破。”
-
作者认为两种情景概率各约50%，但火花情景已足够震撼：作者明确将未来路径比作抛硬币，给火花和软件-only奇点各50%的概率。同时强调即使火花情景，一年内实现约四年进展也意味着从GPT-3.5到GPT-6 Astra级别的跳跃，社会感受将极其疯狂。
“我认为这基本上就是抛硬币。如果非要选，我会给火花情景50%的概率，给软件-only奇点50%的概率。”
“但需要明确的是，即使在火花情景下，即我们在自动化AI研究后的第一个日历年里取得大约四年的进展，事情也会感觉疯狂。那相当于在短短12个月内从GPT-3.5跳到GPT-6 Astra。”
6. 超级智能将是强大的元学习者，能从可验证任务泛化到现实世界
-
RL训练赋予AI通用学习能力，使其能快速适应难以验证的领域：Dwarkesh指出，超级智能并非被直接灌输所有现实问题的答案，而是通过大规模强化学习获得在全新情境中快速提升的能力，即使是在商业、法律、政治等难以自动验证的领域也是如此。这意味着AI的核心优势在于学习如何学习，而非预先存储知识。
“我的主张是，扩大强化学习训练将赋予AI必要的能力，使其能在新情境中快速提升，即使在上述难以验证的领域也是如此。”
-
RSI期间将构建海量虚拟环境，让AI在模拟中习得通用技能：在递归自我改进过程中，自动化工程师将建造比现在多成千上万倍、更庞大、更开放、更长期的强化学习环境。AI将在这些虚拟世界中学习信息搜寻、规划、克服障碍、协作等通用能力，并通过模拟经济、历史回测等任务获得可迁移的元学习能力。
“在RSI期间，自动化工程师将构建比我们现在多成千上万个数量级的强化学习环境，这些环境将远比当今的环境更大、运行时间更长、质量更高、更开放，覆盖范围也广得多。”
“例如，一个AI可能被放入一个由数百万其他AI组成的模拟经济体中，并被要求共同创办一家成功的公司。”
-
现有模型的泛化表现与人类进化史共同证明元学习可迁移：Dwarkesh用两个证据支持从可验证任务到通用技能的迁移：一是当前模型（如Claude Code、Codex）在未见过的项目中已展现出泛化能力；二是人类进化史表明，在粗糙验证器（生存繁衍）下演化出的通用心智架构，使人类能够胜任狩猎采集之外的复杂任务。AI训练是更有意识的类似过程，因此迁移应更显著。
“如果你把Claude Code或Codex指向一个它从未见过的项目，它知道如何定位自己、理清各部分如何组合，然后着手完成一项雄心勃勃的任务。”
“但正是在优化我们在稀树草原上的生存能力的过程中，进化构建了一个通用学习者。而在训练这些AI时，我们正在运行一个类似的过程，只不过我们是有意为之，且使用的任务与当今世界成功所需的任务更密切相关。”
-
AI能在数月内积累数年经验，迅速超越人类专家：尽管超级智能学习者仍需真实世界经验，但它们获取经验的速度远超人类。Dwarkesh以拿破仑和洛克菲勒为例，说明顶尖人类在获得少量经验后即可取得巨大成就；而AI能在几天日历时间内积累数年的部署情境，例如通过并行阅读所有文档、访谈所有员工和客户来快速掌握公司运营。因此，AI可能在部署后数月内达到顶级人类水平。
“但我认为它们获取经验的速度将远超人们预期，并且它们能在部署后数月内击败顶尖人类专家。”
“此外，与拿破仑或洛克菲勒不同，AI将在短短几天的日历时间内积累数年的部署情境。”
7. 持续学习、可验证代理、数据和实验算力等瓶颈虽真实但不足以阻止 RSI
-
瓶颈真实存在但不足以扼杀 RSI，2028 年出现 GPT-3.5 到 GPT-6 级跃升仍合理：作者承认持续学习、可验证代理、数据和实验算力等瓶颈会降低最激进起飞的概率，但认为这些瓶颈的“瓶口”足够宽，不会根本性阻止递归自我改进。因此他给出的基准预期是 2028 年出现类似 GPT-3.5 到 GPT-6 量级的跃升，而非明天就发生一夜奇点。
“我想明确的是，这些瓶颈是严重的，它们确实会压低最激进起飞的可能性。这就是为什么我认为我们更可能在 2028 年实现类似 GPT-3.5 到 GPT-6 规模的跃升，而不是明天就开始的疯狂一夜奇点。”
“但我认为这些瓶颈不会特别致命，瓶口实际上相当宽。”
-
持续学习缺失可通过扩展上下文窗口与模型自身研究能力来弥补：作者曾将缺乏持续学习视为自动化 AI 研究的主要障碍，但现在认为 AI 公司可能用现有架构的扩展（如超长上下文）解决该问题，且更聪明的模型即使没有长期记忆，也能把持续学习本身当作可验证的 ML 研究问题来攻克。他仍保留 25% 的概率认为到 2032 年后才能自动化顶级研究者，但这不改变 RSI 仍可能发生的判断。
“现在我认为扩展上下文学习就足够了，因此你将拥有实际上长达数月的会话，这将允许单个实例在工作中有效学习。”
“这些模型一边解决千禧年大奖难题，一边仍然是那些没有长期记忆的笨拙天才实习生。这就像看着某人翻着跟头跑田径，却仍能跟上博尔特。”
-
可验证代理与数据瓶颈可被范式无关的代理和 AI 自动生成数据所化解：针对“研究品味难以代理化”的质疑，作者指出历史上前沿突破（如 Transformer、推理模型）本就由已有基准驱动，且可设计千禧年难题、发现广义相对论等范式无关的外循环代理。数据方面，他认为 AI 将自行编译训练数据，且数据改进本身属于常规 ML 研究，DeepSeek 的 RL 实践也表明合成数据与环境的自动化扩展贡献了主要增益。
“范式跃迁之前制定的代理，似乎完全有能力捕捉性能的大幅阶跃变化。这是因为 AI 学习算法相当通用。”
“我的答案是，数据在 RSI 期间将继续增长，但 AI 将是编译数据的一方。为预训练和后训练生产更好的训练数据本身就是一个 ML 研究问题，而 AI 在这方面正变得越来越擅长。”
-
实验算力瓶颈被前沿实验室算力增长与智能体高效利用算力的方式所抵消：作者承认 AI 研究需要真实实验且算力有限，但指出前沿实验室算力每年增长超过四倍，到 2027 年底每个智能体仍可获得相当于每天一次 GPT-3 规模训练的算力。更重要的是，当研究者时间不再是稀缺资源时，智能体可以通过大量小规模消融、并行实验和发现新的缩放规律（如 muP）来更高效地利用算力，因此算力瓶颈不会阻止有意义的进展。
“前沿实验室的算力每年增长超过四倍，如果这一趋势持续，那么到 2027 年底，OpenAI 几乎可以给 1 万个智能体——也就是参与解决千禧年大奖难题的那个数量——每个都提供足够的算力，每天运行一次 GPT-3 规模的训练。”
“如果顶尖人类 AI 研究者，比如 Noam Shazeer 和 Ilya Sutskever，有足够的实验算力每天训练一个 GPT-3 规模的模型，他们的进展可能比现在慢，但如果他们完全无法取得有意义的进展，只是坐下来抱怨自己的集群太小，那对我来说会极其意外。”
总结
递归自我改进的齿轮已经转动，争论的焦点不再是是否发生，而是多快到来以及以何种形态展开。无论软件奇点还是火花情景，社会都需为数年内的剧烈压缩式进展做好准备，而持续学习、可验证代理等瓶颈虽真实存在，却不足以扭转趋势。
信息源
视频来源
- Recursive self-improvement has started：
外部资料
- Dwarkesh Patel：
- AGTP：
- Ripu：
- Recursive Self-Improvement and Automated AI Research ...：
- When AI builds itself：