新智元报道
NBER 重磅论文证明：AI 研发的自我加速反馈环强度远超所有科技领域，算法效率每年翻倍，经济学家模拟显示 6 年内可能触发奇点。
奇点临近！
经济学家也坐不住了。
Forethought 的高级研究员 Tom Davidson，刚刚兴奋转发了一篇 NBER 新论文，配文有一句话：「经济学家们，你们需要立刻重视这个事实。」
什么事实？
AI 正在以人类历史上从未出现过的速度，加速自己的进化。
不是比喻。是数据。
芯片效率，每 2 年翻一倍。算法效率，每 1 年翻一倍。
两条指数曲线叠在一起，构成了一个经济学家从未在任何其他产业里见过的正反馈环。
更恐怖的是——这个反馈环还在加速。
论文标题：When Does Automating AI Research Produce Explosive Growth? Feedback Loops in Innovation Networks
论文地址：https://www.nber.org/papers/w35155
这并非必然如此。这是一个引人注目且令人惊讶的经验事实。
经济学家们应当高度重视并认真倾听。
-
首先，从经验来看，「点子越来越难找」这一现象在人工智能领域的影响远弱于其他技术领域。
-
其次，AI 技术的绝对进步速度惊人。AI 芯片每两年效率翻倍，算法每约一年效率翻倍。
-
第三，当 AI 能力提升时，我们就能自动化更多任务。
实现增长显著加速并不需要完全自动化。部分且持续提升的自动化就足够了。只要足够快速地自动化剩余任务，就能避免人类瓶颈。
而他们恰恰估算出了这个速度！
AI 完全自我迭代，指日可待
最近，Anthropic 的联创、政策负责人 Jack Clark 预测，审视了所有公开可得的信息，不情愿地得出一个观点：到 2028 年底，有相当大的可能性（60% 以上）会出现一种「无人参与的 AI 研发」——即一个强大到足以自主构建其下一代系统的 AI 系统。
他相信：「如果这真的发生，我们将渡过一道卢比孔河，进入一个几乎无法预测的未来。」
链接：https://importai.substack.com/p/import-ai-455-automating-ai-research
这个预测并不算夸张。
去年，奥特曼就预言：2028 年 3 月，真正的自动化「AI 研究员」就能问世。
Karpathy 用 autoresearch「自动研究」微调了一个 12 层的深度神经网络，2 天提升了 11%。
问题是：这对「经济增长」意味着什么？
核心结论：全软件研发自动化 + 其他各行业仅5% 的自动化 → 约 6 年内进入奇点（爆炸性增长）。
自动化 AI 研究后，6 年内带来奇点？
他们提出了一个带有创新网络的半内生增长模型：软件、硬件和全要素生产率（TFP）相互渗透。
AI 自动化激活了两个增强通道：
-
技术反馈回路
-
经济反馈回路（产出为研究提供资金）
技术反馈环，其他领域也有：半导体有摩尔定律，制药有 AI 辅助药物发现，能源有可再生技术的学习曲线。
但这篇来自 NBER 的论文（编号 w35155）用实证数据揭示了一个让经济学家集体破防的事实：AI研发的反馈环强度，远超所有其他科技领域。
原因在于一个关键变量——「想法难找效应」（ideas getting harder to find）。
在几乎所有科技领域，随着低垂果实被摘完，突破性想法越来越难找到。
半导体如此，制药如此，农业如此。
这是经济增长理论里的经典悲观论据：技术进步终将减速，因为容易做的都做完了。
但 AI 打破了这个规律。AI 领域的「点子难找效应」远弱于其他科技。
换句话说——AI 的创新空间，并没有随着进步而收窄，反而在持续打开。
为什么其他技术都会撞墙，AI 偏偏不会？
论文给出了一个精妙的解释：AI研发的核心工具就是 AI 本身。
传统科技领域的研发工具和研发对象相互分离：
你用计算机设计芯片，但计算机不会自动变成更好的芯片设计工具。
你用 AI 筛选药物分子，但筛选结果不会让 AI 变得更擅长筛选。
AI 不同：更好的 AI 模型→更强的 AI 研发能力→更好的 AI 模型。这个闭环是自指的。
这就是 Tom Davidson 所说的「超强反馈环」。
每一轮改进的成果，都直接成为下一轮改进的工具。指数增长的底数本身也在增长。
芯片效率每 2 年翻一倍。算法效率每 1 年翻一倍。两者叠加，AI 的有效算力增长速度远超任何单一摩尔定律的预测。
不需要全自动，部分就够
论文最反直觉的结论来了：你不需要实现 100% 的 AI 研发自动化。
部分自动化就足以引爆这个反馈环。
很多人对 AI 取代人类研究员的想象是线性的——要么全自动，要么没用。
但论文的模型显示，只要 AI 能承担研发流程中某些关键环节（比如代码编写、实验设计、论文检索），就足以打破人类研究员数量的增长瓶颈。
这有一个简洁的解析条件：当反馈回路的综合强度超过 1 时，增长会倾斜并进入「爆发式状态」，每个自动化部门的贡献与其研发回报成正比。
他们有个违背直觉的发现：大多数人的注意力集中在软件率先实现自动化上，但硬件研发的影响力其实更大。
硬件研究的回报率要高出约 5 倍：自动化 1 倍芯片设计任务对经济的推动作用，相当于自动化 5 倍软件任务。
很多人在谈论 AI 时，总是陷入「全知全能」的误区：
除非 AI 能 100% 替代人类科学家，否则增长就会被那最后一点「人类瓶颈」卡住。
NBER 的研究彻底粉碎了这个幻想。
论文提出了一个精准的阈值：13%。
只要全行业的研发自动化率达到 13%（或者软硬件研发领域的自动化率达到 17%），那个名为「奇点」的发动机就会被彻底点火。
一旦越过这个临界点，反馈回路的强度将超过「1」，增长曲线将直接从斜坡变成峭壁。
校准后，全行业只需 13% 的自动化率就能触发爆发式增长；如果仅限软件和硬件行业，则需要 17%。
只要自动化持续推进得足够快，瓶颈也无法扭转这一趋势。
你不需要等到 AI 能独立发 Nature 论文。只要 AI 能让现有的 1000 个研究员干出过去 5000 个人的活，反馈环就已经点燃了。
立刻重视！
而现在的情况是——这个点火，很可能已经发生了。
论文做了一组模拟。
基于当前 AI 芯片和算法的进步速率，基于反馈环的实证强度，基于「想法难找效应」在 AI 领域的异常低水平——
结论是：6 年内，AI可能实现自我迭代的临界点。
6 年。不是 60 年，不是 600 年。
2032 年前后。
如果论文的模型是对的，AI 的自我改进速度将超过人类研究员的贡献速度。届时，AI 研发的主力将不再是人类，而是 AI 自己。
Tom Davidson 转发这篇论文时写的那句话，现在读起来格外刺眼：「经济学家们，你们需要立刻重视这个事实。」
不是「关注」，不是「思考」，是「立刻重视」。
对指数增长的怀疑从来不少。最常见的反驳是：历史上每一次有人宣布「奇点将至」，最后都证明是过度外推。
摩尔定律的推进者曾预言强 AI 在 2020 年到来。库兹韦尔 2005 年预言的奇点 2045 还有 19 年。
AI 寒冬——不止一次——已经证明指数曲线可以突然断裂。
但这篇论文不同。它没有假设 AI「应该」遵循什么增长曲线，而是直接测量了 AI 领域的研发效率增长数据。
参考资料：
https://x.com/TomDavidsonX/status/2051710034044654012
https://www.nber.org/papers/w35155
https://www.econtai.org/research/AutomatingResearch-2026-01-02.pdf
编辑：KingHZ
