一篇36页的工作论文，第一次给"智能爆炸"算出了具体门槛。Elasticity Institute——由METR研究员Tom Cunningham领衔、联合斯坦福、卡内基梅隆等多所高校学者组成的团队——在2026年7月13日发布《The Economics of Recursive Self-Improvement》，用一套可计算的弹性模型回答了一个此前只停留在哲学思辨里的问题：AI帮AI做研究，到底能不能自己滚起雪球。
论文给出的答案很具体：AI模型能力每提升一个单位，需要让AI研发生产率至少提高15%，反馈循环才能自我维持加速。团队用AI编程助手带来的工程师效率提升做粗略测算，目前这个回报大约只有9%——没到临界点，但论文特别强调这个数字"最近在上升"。
一张图和一个临界值
论文的核心贡献不是这个9%和15%的对比，而是把"智能爆炸"拆成了一条可以逐段测量的反馈链：研发人力和AI能力共同产出算法效率的提升，算法效率再叠加训练算力，反过来推高下一代AI能力。每一段连接的强弱，用经济学里的"弹性"衡量——一个变量变化1%，会带来另一个变量变化多少。
论文的另一个关键区分是狭义能力和广义能力：AI可能只是在优化"写代码、调实验、跑基准"这类AI研发本身的任务上突飞猛进，却未必在更广泛的经济价值任务上同步变强。这个区分很重要——它意味着即便AI研发这一环加速了，也不等于全社会生产率跟着加速。
缺失的参数，别人早就在算
论文摘要里给出的15%和9%只是一个粗校准，具体每一段弹性怎么来的，正文并没有展开。但这条弹性链上的关键数字，其实已经有别的团队在测。Epoch AI长期跟踪软件研发的"回报参数"：国际象棋引擎Stockfish的实证案例给出约0.83（正负0.15），计算机视觉、SAT求解等领域的估计值经常超过1，但可靠性远不如Stockfish。Epoch自家增长模型GATE默认取1.25，但给出的不确定区间宽达0.5到3——这个跨度本身就说明，弹性到底是不是大于临界值1，学界现在没有共识。
Epoch同时估计，美国经济层面的劳动弹性约0.6，而全局研发回报的弹性只有0.25到0.32，意味着放到整个经济体量级，研发投入的边际递减比单个软件项目严重得多。METR的另一把尺子是"时间跨度"指标——AI agent能以一定成功率完成、按人类完成时间衡量的任务难度。按METR最新的简化模型，99%的AI研发自动化中位数预测落在2032年年中，但METR自己反复提醒，这个具体日期不该被太当真，核心不确定性在于算法进步怎么度量、能力怎么映射到真实任务。
- 提醒.算力瓶颈是这条链上最容易被低估的一环。历史上算法进步始终依赖算力持续扩张，一旦电力、资本或宏观增长掐住算力供给，前面所有弹性数字都要打折扣。
不是一篇孤立论文
检索这篇论文时会发现一个有意思的现象：同一批作者名字反复出现在相邻的研究里。Basil Halperin既是这篇论文的共同作者，也出现在今年1月由Davidson、Halperin、Houlden、Korinek联合发布的姊妹论文《When Does Automating AI Research Produce Explosive Growth?》里；Tom Cunningham本人6月还单独发过一篇定义综述，为这篇论文的术语体系打了地基。
这说明一件原文摘要不会明说的事：递归自我改进正在从个别学者的思辨命题，变成METR、Epoch AI周边一群人共同推进的量化辩论。争的不再是"会不会发生"，而是每一段弹性该取多少。
争论的焦点，正从要不要信，变成信几成。
LessWrong上流传较广的一个框架，把"递归自我改进"拆成三层：脚手架层面的提示词和工具优化、研发流程层面的自动化、模型直接改写自身认知——三者的经济学连续性天差地别，很多争论其实是在鸡同鸭讲。Tom Davidson在Alignment Forum的分析里也指出，反对RSI最常见的理由是算力瓶颈会掐死软件层面的加速，他的反驳依据是认知劳动和算力之间的可替代性可能异常高——这恰恰是Epoch那组0.5到3的宽区间背后，谁也说不准的那部分。
- 结论.这篇论文最大的价值不是给出答案，是给出了一把可以被推翻的尺子——下一次弹性测算超过15%，才是真正该盯的信号。
对前沿实验室来说，论文点了名：它们内部的AI辅助研发效率数据，是校准这套模型最缺的一块拼图，论文明确呼吁公开分享。对安全与治理研究者、算力投资者来说，接下来该看的不是这篇论文本身，而是姊妹论文的交叉验证会不会得出不同结论，以及有没有实验室真的把这些数据摆到桌面上。