HN Weekly 中文
← #805

RSI 模拟器：把递归自我改进的经济学做成一款游戏

查看原文 HN 讨论

文章摘要

这是加密风投机构 Paradigm 的 Justin Wang 和 Dan Robinson 在 2026 年 8 月 11 日发布的一篇短文，配套的是一款网页游戏和一个模型浏览器（explorer）。这里的 RSI 指的是 Recursive Self-Improvement（递归自我改进），也就是 AI 加速 AI 研究本身、从而可能导致能力曲线出现急剧拐点的那个机制。

游戏的设定：你扮演一家 AI 实验室，从零开始尝试引导出一个人工超级智能。你要把劳动力（研究员）、算力和数据投入到研发中去，目标是达到「自持续加速」——也就是让改进的速度自己滚起来。游戏输出的结果类似「你在 2033 年 3 月 15 日造出了 AGI，Ada 在 2033 年 8 月 12 日造出了超级智能」这样的时间线判定。

作者明确交代了这不是预测工具。游戏建立在真实的经济学模型之上，主要来源是一篇近期论文《The Economics of Recursive Self-Improvement》——出自一个新成立的经济学家团体 Elasticity Institute（成员包括 METR 的 Tom Cunningham）。但游戏里的参数是为了教学效果而校准的，不是为了预测精度。模型对参数化极其敏感，所以他们另外做了那个 explorer，让人可以直接调参数、看不同假设下未来轨迹如何分叉。游戏还融合了另外几条研究线：计算最优训练（compute-optimal training）、基于研发的增长模型、规模依赖的算法进步（引用 Gundlach et al. 2025），以及自动化中的「弱环节」理论。

文章列出的几条核心结论值得单独看：

第一，弱环节主导一切。 AI 研究需要互补性投入——人类研究员、算力、数据。如果智能变得极其充裕，其他要素反而会成为瓶颈。递归自我改进很可能是被算力或数据卡住的。哪怕你造出了一个比任何人类 AI 研究员都强的 AI，它作为研究员依然受限于能做实验和训练的算力，以及数据（至少在当前范式下）。

第二，递归自我改进可能是一阵一阵的。 AI 完全可能经历一段自持续加速，然后在远未触及智能的物理极限之前就停下来。如果算力持续是瓶颈，这种情况看起来还相当可能。

第三，我们可能先迎来一次「窄」的智能爆炸。 递归自我改进有可能首先通过针对 AI 研究或优化本身的窄能力实现，而这些能力并不完全泛化到其他领域。

第四，预测高度依赖参数化。 模型输出取决于一组叫做「弹性（elasticity）」的参数，它衡量某个量对某项投入增加的响应程度。驱动递归自我改进的关键弹性，是发现速率对当前模型能力的弹性——它本身是其他若干弹性的乘积，还依赖其他投入，并且会随时间变化。这使得持续追踪这些量的最新指标变得重要。

作者的结论是开放式的：未来长什么样，很大程度上取决于 AI 进步的速度如何变化；早期工作已经给出了度量递归自我改进的经济模型，但大量关于进步节奏的问题仍然难以回答，而指标和模型至少能提供帮助校准反应的信息。文末致谢名单里出现了 Tom Cunningham、Basil Halperin、Nate Rush、Chris Tonetti、Hart Lambur 等人。

HN 评论精华

47 分。必须如实说明：这个帖子的讨论走向跟文章内容基本无关——绝大多数评论是在吐槽 RSI 这个缩写，真正谈模型和游戏内容的只有寥寥数条。