据量子位报道，10月5日，诺贝尔物理学奖、图灵奖得主Geoffrey Hinton与Yoshua Bengio等22位作者发布首篇关于递归自我改进（RSI）的论文《What if automating AI R&D triggers an intelligence explosion?》，讨论AI大规模参与研发下一代AI是否可能触发智能爆炸。作者还包括强化学习先驱Andrew Barto、OpenAI首席科学家Jakub Pachocki等。
论文核心判断是，AI一旦完整参与造下一代AI，RSI可能闭环；自动化越过临界点后，数年才能完成的AI进步可能压缩到几个月甚至更短；AI实验室研发规模理论上可能从几千人跳到数百万研究员；今天一年的AI进步，极端情况下未来可能只需约5周。作者认为，智能爆炸未必需要AI先成为超级智能，只要自动化效率足够高，反馈循环就可能先启动。
论文引用Anthropic等实验室内部数据。2025年1月，AI生成的获批代码还只有低个位数比例；到2026年5月已超过80%。2026年3月，Claude在仅接受高层次人类监督时能自主完成约1%的研发工作，到同年8月升至26%。Anthropic强调，Claude尚未在任何被测AI研发工作上达到完全无人监督水平。截至2026年9月，OpenAI内部AI系统已能经常完成原本人类员工需数天完成的研发任务。
论文认为，决定AI能否像研究员一样工作的，不只是benchmark分数，而是能否把几十个步骤连续串起来，在数小时、数天甚至更长时间里推进同一目标。完整AI R&D包括提出假设、设计实验、实现实验、分析结果、定位失败原因、调整路线并重新开始。单个环节自动化只算AI辅助研究，敏感节点是这些环节被串成长链。AI研发发生在数字环境，代码可直接执行，结果快速返回，能力可通过benchmark、loss、reward等指标验证。论文将这类路径称为由软件改进驱动的智能爆炸。
论文提出有效研发劳动力概念。若AI达到顶级AI研究员水平，推理成本与今天前沿模型类似，一家领先AI公司现有算力理论上可能支撑至少数百万名顶级人类研究员等价的AI研发劳动力。当前前沿AI实验室团队仍只有几千人。AI研究员可复制、可24小时工作，底层模型更新后所有实例可同步升级，绕开人才培养速度限制。但论文提醒，100万AI研究员不会自动带来1000倍研发速度，科研存在边际收益递减，重复工作、争抢实验资源和好点子难找都会限制回报。
论文引入returns to research effort变量r。论文引用对三个AI研究子领域历史数据的研究，r的中心估计约为1.2至1.9。假设AI研发全面自动化、类似研究回报维持且无新算力数据瓶颈，模型显示AI技术进步速度可能约1.5年内提高10倍，今天一年的进步到那时约需5周。若只维持当前软件效率改进趋势，自动化AI研发劳动力在数月到数年里可能扩大100倍。
论文基调是当前证据不足以证明智能爆炸已经发生。AI研发自动化的生产率提升仍未明确越过加速门槛。作者列出条件：AI需足够可靠，能长时间自主工作；要真正提高研发产出；新成果还需反过来增强AI研发能力。现实约束包括算力，GPU不能凭空复制，前沿模型训练可能耗时数月；数据，互联网天然数据不会随AI研究员数量同步增长；实验时间，芯片制造、数据中心建设难以无限并行；以及科研越来越难，若科研难度上涨快于AI研发能力，智能爆炸不会发生。
论文没有证明智能爆炸一定发生，但认为现有证据已足以让它从科幻问题变成需要提前准备的现实问题。递归自我改进离科幻设定越来越远，未来回看，2026年值得记住的节点可能不是某个模型又多拿几分，而是人类第一次认真意识到，AI最猛的一次Scaling可能发生在研究AI这件事本身。