AI自我加速已达4.5倍？METR研究员修正预测，ASI时间线大幅提前

引言：一个让预测者自己都惊讶的更新

METR研究员Ryan Greenblatt近日在社交媒体上公开修正了自己对AI自我加速（RSI，递归自我改进）速度的预测。根据一份关于AI研发自动化的最新报告，他估计AI目前正在以约4.5倍的速度加速AI软件研发——这一速度比此前备受关注的「AI 2027」情景预测中对应节点（约2027年3月）早了5个月。Greenblatt坦言：「我在RSI加速这件事上严重判断错了……这是朝着1-2年内实现ASI（人工超级智能）的一次重大更新。」

这一表态之所以值得关注，不仅因为Greenblatt本人的研究背景，更因为它揭示了一个正在发生的转变：AI对AI研发的加速效应，可能比主流预期来得更早、更强。

从2倍到4.5倍：数字背后的逻辑

Greenblatt的分析起点是公开报告中的一个核心观察：当前AI进展因RSI而加快了约2倍。但这2倍的整体加速，并不意味着AI软件研发本身只加速了2倍。他给出了两个关键的推导理由。

其一，AI进步并非全部来自软件。 Greenblatt此前推测，AI进步中约三分之二来自软件改进，其余来自训练算力规模的扩大。因此，整体2倍的加速对应到软件进步上，需要约3倍的提速。

其二，收益递减规律。 同样数量的进步，随着时间推移需要投入更多工作。要持续维持3倍快的软件进步，AI自动化带来的速度提升必须越来越大。Greenblatt根据自己此前的建模估算，如果投入固定，软件研发速度大约每经过一年的软件进步就会减慢一半。而根据这份报告，目前已纳入训练模型的额外软件进步大约在0.35到1.0年之间（几何平均约0.6年）。将这两个因素结合：3 × 2^0.6 ≈ 4.5，即当前RSI对AI软件进步的加速约为4.5倍。

这个估算并非精确测量，而是基于公开建模的粗略推算。Greenblatt本人也强调，由于报告中大量底层证据被涂黑，关于「这一加速是否真的来自RSI」等结论，很大程度上依赖于对报告作者的信任。

RSI（递归自我改进） 指的是AI系统能够改进自身的算法、架构或训练流程，从而在下一次迭代中变得更强，形成自我强化的循环。这一概念在AI安全与能力评估中备受关注，因为它意味着进步速度可能不再受限于人类研究者的产出。Greenblatt所讨论的加速倍数，本质上是在量化这种反馈回路的强度：AI软件研发因自动化而提速，提速后的研发又催生更强的AI，如此往复。理解这一机制有助于把握文中「整体加速」与「软件部分加速」的区分——前者是宏观观察，后者才是RSI直接作用的环节。

收益递减 是Greenblatt推导中反复出现的关键假设。它指的是随着容易改进的部分被逐步攻克，进一步获得同等幅度的进步需要投入更多研发资源。在AI领域，这意味着即便软件研发因自动化而变快，维持同样的进步速率也会越来越费力，因此RSI带来的瞬时加速倍数必须显著高于表观加速倍数，才能抵消递减效应。文中的「每经过一年软件进步，速度减慢一半」正是这一假设的具体化，也是从3倍推导到4.5倍的数学桥梁。

预测者的自我修正：从1.15倍到4.5倍

Greenblatt的修正幅度相当大。他此前预计，在2026年RSI带来的加速大约在1.15倍到1.3倍之间。而现在的估算——4.5倍——远超这一区间。

他将此归因于「特定的非公开证据」：这些证据本可以改变他的判断，但并未出现在公开报告中。他明确表示，自己并未看到未经涂黑的完整版本，所有分析仅基于公开报告。这也引出了他对信息透明度的呼吁：更少的涂黑将大幅降低对外部信任的依赖。

值得玩味的是，Greenblatt与METR存在隶属关系，他在推文中也主动披露了这一点。同时，由于当前角色可能接触到其他机密信息，他谨慎地表示无法给出自己「全盘考虑后」对ASI时间线或软件智能爆炸概率的判断，只能基于此前公开声明进行分析。

对ASI时间线意味着什么

「AI 2027」情景曾预测，RSI带来的类似加速大约发生在2027年3月。而Greenblatt的新估算将这个节点提前了约5个月——如果他的推算成立，我们可能已经处于该情景描述的加速阶段之中。

他直言，这是「朝着1-2年内实现ASI的一次重大更新」。不过，这并不意味着ASI必然在两年内到来。Greenblatt的表述留有余地：他分析的是当前加速速度的含义，而非给出确定的时间表。RSI能否持续、加速是否会遇到瓶颈、以及从软件研发加速到整体智能爆炸之间还有多少环节，都是尚未解决的问题。

从更广的视角看，这一修正的意义在于：它来自一位此前对RSI加速持保守态度的研究者，且修正方向是「更快」。当预测者因为新证据而大幅调整自己的预期时，往往比一贯乐观的预测更值得重视。

ASI（人工超级智能） 通常指在几乎所有认知任务上都远超最优秀人类的AI系统，其能力范围与深度均显著超越当前的大语言模型。与「AGI（通用人工智能）」相比，ASI强调的是「超越人类」而非仅仅「比肩人类」。Greenblatt所说的「1-2年内实现ASI」属于相当激进的预测，因为主流讨论中ASI往往被视为数十年尺度的目标。将RSI加速与ASI时间线挂钩的逻辑在于：如果AI能高效改进自身软件，那么从当前能力到超级智能所需的迭代次数可能被大幅压缩。但这一链条存在多个未验证环节，包括RSI能否持续、硬件与数据瓶颈是否构成硬约束，以及软件进步能否线性转化为综合能力跃升。

信任与透明度：被涂黑的证据链

Greenblatt的推文中反复出现一个关键词：信任。公开报告中大量底层证据被涂黑，导致外部读者无法独立验证关键结论。他指出，关于「加速是否源于RSI」的判断，依赖于对报告作者的信任——而他本人信任这些作者「谨慎、严谨、整体做得很好」。

这暴露了当前AI能力评估中的一个结构性难题：最关键的证据往往掌握在少数机构手中，公开版本经过大量删减，外部研究者只能基于不完整信息做判断。Greenblatt呼吁减少涂黑，正是为了让时间线分析建立在可验证的证据而非信任之上。对于关注AI进展的从业者和观察者而言，这意味着在解读任何关于RSI的公开结论时，都需要区分「观察到的现象」（如基准测试上更快的进展速度）和「对现象的解释」（如这是否由RSI驱动）。

涂黑（redaction） 在此语境下指公开报告在发布前对敏感信息进行的删节处理，通常涉及具体的实验数据、内部评估方法或可能带来安全风险的细节。这种做法在AI能力评估中很常见，目的是防止信息被滥用或泄露商业机密，但代价是外部研究者无法复现或独立验证关键结论。Greenblatt的困境正源于此：他需要判断「加速是否由RSI驱动」，而支撑这一判断的底层证据恰恰被涂黑，导致结论只能建立在「信任报告作者」的基础上。这不仅是透明度问题，也涉及AI治理中的一个核心张力——安全保密与可验证性之间的平衡。减少涂黑、提供可验证的中间指标，是缓解这一张力的可能方向。

结语：一个正在被改写的共识

Greenblatt的这次公开修正，为AI自我加速的讨论增添了新的分量。4.5倍这个数字本身是粗略估算，依赖于建模假设和对未公开证据的信任，但它传递的信号清晰：AI对自身研发的加速效应，可能正在以超出多数人预期的速度显现。对于ASI时间线的讨论，这无疑是一次需要认真对待的更新——正如Greenblatt所说，他「严重判断错了」，而修正的方向指向更快的未来。