AI算力加速定律揭秘：算法芯片迭代速度远超预期

奇点临近！连经济学家都坐不住了。

Forethought的高级研究员Tom Da vidson，最近兴奋地转发了一篇NBER的新论文，配文里有一句话格外醒目：「经济学家们，你们需要立刻重视这个事实。」

什么事实如此紧迫？

数据显示，人工智能正在以人类历史上从未出现过的速度，加速自己的进化。这不是比喻，而是基于两条清晰的指数曲线：芯片效率大约每两年翻一番，而算法效率的翻倍周期则缩短到了大约一年。

当这两条曲线叠加在一起，便构成了一个经济学家在其他产业里从未观察到的强大正反馈环。更关键的是，这个反馈环本身还在加速。

这篇题为《何时自动化AI研究会产生爆炸性增长？创新网络中的反馈循环》的论文，揭示了一个引人注目且令人惊讶的经验事实。它指出，AI领域的发展轨迹至少有三个特征与众不同：首先，“点子越来越难找”这一制约其他技术领域的普遍规律，在AI领域的影响要微弱得多；其次，其绝对进步速度惊人；第三，AI能力的提升直接意味着更多研发任务可以被自动化。

实现增长的显著加速，其实并不需要等待完全自动化的到来。部分且持续提升的自动化程度就足够了。关键在于，只要自动化剩余任务的速度足够快，就能有效绕过人类能力的瓶颈。而研究者们，恰恰估算出了这个临界速度。

AI完全自我迭代，指日可待

这一预测并非空xue来风。Anthropic的联合创始人兼政策负责人Jack Clark近期审视了所有公开信息后，不情愿地得出了一个观点：到2028年底，有相当大的可能性（超过60%）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。

他认为：“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。”

这个时间点听起来并不夸张。去年，山姆·奥特曼就曾预言，真正的自动化“AI研究员”可能在2028年3月问世。而在实践层面，像Karpathy进行的“自动研究”实验，已经能用微调后的深度神经网络在两天内将性能提升11%。

那么，这一切对经济增长究竟意味着什么？一个核心结论是：如果实现全软件研发的自动化，同时其他各行业仅有5%的任务被自动化，那么大约在6年内，我们就可能触及所谓的“奇点”，即爆炸性增长的拐点。

自动化AI研究后，6年内带来奇点？

为了量化这一影响，研究者构建了一个包含创新网络的半内生增长模型，其中软件、硬件和全要素生产率相互渗透、彼此增强。AI自动化主要激活了两个增强通道：一是技术反馈回路，二是经济反馈回路（即产出的增长为更多研究提供资金）。

技术反馈环在其他领域也存在，例如半导体的摩尔定律，或可再生能源成本随部署规模增加而下降的学习曲线。但这篇NBER论文（编号w35155）用实证数据揭示了一个让经济学家们不得不重新审视的事实：AI研发反馈环的强度，远超其他所有科技领域。

原因在于一个关键变量——“想法难找效应”。在几乎所有科技领域，随着低垂的果实被摘完，取得突破性进展的难度会越来越大，半导体、制药、农业无不如此。这是经济增长理论中一个经典的悲观论据。

然而，AI似乎打破了这个规律。AI领域的“点子难找效应”远弱于其他科技领域。换句话说，AI的创新空间并没有随着技术进步而收窄，反而可能在持续打开。

为什么独独AI能避开这堵墙？论文给出了一个精妙的解释：因为AI研发的核心工具，就是AI本身。

在传统科技领域，研发工具和研发对象是分离的：你用计算机辅助设计芯片，但计算机本身不会自动变成更好的芯片设计工具；你用AI筛选药物分子，但筛选结果并不会直接让AI变得更擅长筛选。但AI不同，更好的AI模型直接带来更强的AI研发能力，从而催生出更好的AI模型。这是一个自我指涉的闭环，也就是Tom Da vidson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，导致指数增长的底数本身也在增长。

不需要全自动，部分就够

论文最反直觉的结论或许在于：你并不需要实现100%的AI研发自动化。部分自动化就足以引爆这个反馈环。

许多人的想象是线性的——要么AI完全取代人类研究员，要么就作用有限。但模型显示，只要AI能承担研发流程中的某些关键环节（例如代码编写、实验设计或文献分析），就足以打破人类研究员数量增长带来的瓶颈。

这里存在一个简洁的解析条件：当反馈回路的综合强度超过1时，增长轨迹就会发生倾斜，进入“爆发式状态”。每个实现自动化的部门，其贡献与其研发回报率成正比。

另一个违背直觉的发现是：虽然公众注意力多集中在软件自动化上，但硬件研发自动化的影响力其实更大。估算显示，硬件研究的回报率高出约5倍。也就是说，自动化芯片设计任务对经济的推动作用，相当于自动化5倍体量的软件任务。

许多人讨论AI时，容易陷入“全知全能”的误区，认为除非AI能100%替代人类，否则增长终将被那最后一点“人类瓶颈”卡住。NBER的这项研究彻底挑战了这个观点。

论文甚至推算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，在软件和硬件这两个核心研发领域达到17%），那个驱动“奇点”的发动机就可能被彻底点燃。一旦越过这个临界点，反馈强度将超过平衡点，增长曲线将从平缓的斜坡变为陡峭的峭壁。

校准后的模型表明，全行业只需13%的自动化率就能触发爆发式增长；若仅考虑软件和硬件行业，则需要17%。关键在于，只要自动化进程持续推进得足够快，剩余的瓶颈也无法扭转这一趋势。你不需要等到AI能独立在《自然》杂志上发表论文。只要AI能让现有的1000名研究员产出过去需要5000人才能完成的成果，这个强大的反馈环就已经开始运转了。

立刻重视！

而当前的情况暗示——这个点火过程，很可能已经开始了。

基于当前AI芯片和算法的进步速率、反馈环的实测强度，以及AI领域异常低的“想法难找效应”，论文进行了一组模拟。结论指向一个具体的时间窗口：6年内，AI可能达到自我迭代的临界点。

6年，不是60年，也不是600年。大约是2032年前后。如果论文的模型是正确的，那么届时AI的自我改进速度将超越人类研究员的贡献速度。AI研发的主力军，将逐渐从人类转向AI自身。

此刻再读Tom Da vidson转发论文时写下的那句话，显得格外具有冲击力：「经济学家们，你们需要立刻重视这个事实。」这里的措辞是“立刻重视”，而不仅仅是“关注”或“思考”。

当然，对指数增长的怀疑从未停止。最常见的历史反驳是：过去每一次有人宣布“奇点将至”，最终都被证明是过度外推。摩尔定律的推动者曾预言强AI在2020年到来，雷·库兹韦尔2005年预言的奇点则在2045年。此外，AI发展史上不止一次的“寒冬”已经证明，指数曲线确实可能突然断裂。

但这篇论文的不同之处在于，它没有预先假设AI“应该”遵循某种增长曲线，而是直接测量并分析了AI研发效率增长的真实数据。这些数据所揭示的反馈强度，构成了一个不容忽视的经验事实，值得所有关注未来经济增长的人深入审视。