当所有人都在幻想AI左脚踩右脚飞升时，最懂大规模系统的那个男人说：芯片还得老老实实跑完。
“RSI能让AI的进步速度快到无限吗？”
Jeff Dean的回答只有三个字：不太现实。
在斯坦福HAI与李飞飞的对谈中，这位亲手缔造了谷歌大脑、参与创建TensorFlow、带队做出Gemini的传奇工程师，没有顺着硅谷的狂热叙事往下说。他做了一件更“工程师”的事：把RSI从科幻滤镜里拽出来，放回物理世界里，一寸一寸地看它到底卡在哪里。
RSI被神化了，但大多数人连它的门槛都没摸到。
李飞飞在现场打了个让全场会心一笑的比方。她说自己厨艺很差，第一次煎蛋卷大概率把锅烧糊，练十次能端出一盘及格的——这叫自我改进。但如果她在煎蛋的过程中大脑神经连接被彻底重构，甚至长出一根更适合颠勺的第六根手指，整个系统完成底层升级，那才配叫递归自我改进。
区别不在于“结果变好了没有”，而在于“做研究的能力本身有没有进化” 。Jeff Dean补了一刀：让AI自动调参、跑实验、把MRI模型的准确率刷上去，变强的只是那个MRI模型；背后负责“设计实验、提出假设”的基础系统原地踏步，这叫哪门子递归？
市面上90%被叫做RSI的东西，在这一刀之下现了原形。
那“无限加速”呢？先问问芯片答不答应。
Jeff Dean讲了一个所有做过实验的人都懂的痛：傍晚提交训练，凌晨两点跑完了，但你人在睡觉。早上八点端着咖啡坐回工位，才看到日志，才决定下一步改什么。中间六个小时，算力在空转，研发进度在等人。
自动化确实能把这段等待清零。凌晨两点结果出来，系统立刻分析、立刻启动下一轮。这是实实在在的提速，也是Jeff Dean新公司Discovery Loop的核心切入点之一。
但提速的边界，卡在物理世界里。
模型训练要跑矩阵乘法，芯片就要真真实实地发热、耗电、花时间。数据要落盘，结果要评估，下一轮实验的设计又死死依赖上一轮跑出来的数字。因果链摆在那里，决策再快，也跨不过去。
李飞飞追问：那物理极限在哪里？Jeff Dean的回答没有留幻想空间：在物理现实面前，无限加速根本不成立。
Jeff Dean自己也在赌，但他赌的不是“无限”，是“20到50倍”。
今年8月，Jeff Dean结束了在谷歌27年的生涯，带着Sanjay Ghemawat、Quoc Le、Oriol Vinyals三位老战友，创办了公益公司Discovery Loop。方向不是做更强的聊天机器人，而是把科学研究里“提方案—跑实验—看结果—再迭代”的循环交给AI。
目前已经有约20个自动改进循环在运行，目标是让少量领域专家带着大量Agent做研究，把专家生产力拉升20到50倍。
注意，这是目标，不是战报。而且Discovery Loop很清醒地只先啃那些全流程能在数字世界闭环的领域——机器学习、工程优化、芯片设计。材料、化学、生物制药里的细胞生长和化学反应，不归算法管，快进键按不了。
人类最后的那一环，不是“跑实验”，是“决定跑什么实验”。
整场对谈里，最值得细品的不是RSI的定义之争，而是两个人反复回到的一个问题：人还剩什么？
AI可以把实验执行加速到极致，但“研究品味”——判断哪个问题值得解、哪条路有前途、机器给出的方案靠不靠谱——仍然卡在人类这一侧。Anthropic自己的报告也承认，当前模型的研究品味相当有限。更微妙的是数学：机器可以吐出500页形式化证明，证明“这个问题可解”，但从中提炼出真正优雅、可复用的方法，仍然需要人的审美和判断。
Jeff Dean在斯坦福的讲台上没有否定RSI。他否定的是把RSI想象成一种脱离物理定律的魔法。真正值得关注的，不是“AI什么时候自己造出下一代AI”，而是一个更朴素、也更难的问题：
当实验可以24小时连轴转，人类的判断力，能不能跟上机器的执行力？
Discovery Loop的20个循环已经在跑了。20到50倍是口号还是现实，没有人知道。但有一件事是确定的：
自动化拆得掉人的空窗期，拆不掉物理定律，也暂时拆不掉人类在方向感上的最后优势。
RSI的上限，不在科幻作家的想象里，在芯片的散热曲线里，在数据落盘的带宽里，在下一个值得解决的问题被谁选中的那一瞬间里。
那才是真正的战场。
热门跟贴