Deep|LLM: RSI是最重要的变量，计算是最深的护城河
核心结论：本文发表于2026年8月6日，由FUNDA发布，深入剖析了2026年7月AI板块遭遇本周期最大幅度回调（半导体月跌幅创2002年来新高，相关市值蒸发超1万亿美元）背后的认知错位。核心论点是，市场仍在用应用层视角寻找下一个杀手级用例，而行业真正的核心驱动力是迈向AGI的递归自我改进（RSI）。文章将AI进展重新定义为一个能力序列：已变现的编程能力、即将解锁企业市场的持续学习，以及决定终极格局的完全RSI。持续学习能解决模型积累隐性组织知识的“上下文问题”，将可寻址市场从千亿软件预算拓宽至十万亿级劳动力市场。文章用数据论证RSI的加速信号：模型迭代周期从年度缩短至月度（如GPT-5.5仅用一个月从预训练完成到发布），OpenAI在GPT-5.6出货三周后降价达80%，AI对内部研发速度的贡献半年内从5%升至15%-20%。当RSI跨过阈值，基于蒸馏的跟随策略将失效，算力会成为最不可压缩的终极护城河。因此，当前的AI资本支出是确保未来竞争入场券的战略必需，而非泡沫。这一观点也与面临显著算力瓶颈的中国领先实验室的处境相印证。
- 2026年7月，AI交易遭遇本周期最大回撤，半导体单月跌幅为2002年以来之最，超1万亿美元AI相关市值蒸发，主因是市场认为缺乏“下一个编程级”的杀手应用。
- 文章提出应将AI评估视角从应用层转向递归自我改进（RSI），这是一个从编程能力、持续学习到完全RSI的阶段性能力里程碑序列。
- 所谓的“上下文问题”本质是能力问题，持续学习将使模型能像员工一样在生产环境中积累隐性知识，从而将可寻址市场从软件预算提升至劳动力市场。
- RSI早期信号明确：GPT-5.5从预训练结束到发布仅约1个月；GPT-5.6发布三周后OpenAI降价最多80%；内部研发中AI贡献率从5%增至15%-20%。
- RSI一旦跨过门槛，基于蒸馏前沿模型输出的跟随策略将越发困难，算力将成为最难压缩的约束和最深的竞争护城河。
- 中国领先实验室尚未触及规模定律的极限，但当前核心瓶颈是算力不足，这限制了其冲击前沿的能力。
- AI资本支出不应被视为泡沫，它不仅是当前AI云业务增长的实际回报，更是确保在RSI阈值到来时拥有足够入场券的战略必需品。
在2026年AI市场经历剧烈回调、恐慌情绪蔓延之际，FUNDA的这篇深度分析提供了最为冷静和关键的逆向思考。文章没有纠结于“下一个杀手级应用在哪”这类老生常谈的话题，而是直指行业底层逻辑：递归自我改进（RSI）的进展。编辑强烈推荐本文，原因在于它完美连接了技术前沿、企业采纳和投资逻辑三个层次，特别是对“持续学习”如何取代“上下文问题”的论述，以及对“算力即终极护城河”的量化论证（如OpenAI迭代速度已从年度缩短至月度）。对于关注AI工程化、前线部署及长期竞争力的从业者而言，这将是一份重新校准你对行业认知坐标的必读材料。
2026年7月，AI交易遭遇本周期最大回撤，半导体单月跌幅为2002年以来之最，超1万亿美元AI相关市值蒸发，主因是市场认为缺乏“下一个编程级”的杀手应用。
—— 络石智能编辑部 · 编辑推荐Deep|LLM: RSI是最重要的变量，计算是最深的护城河
执行摘要
2026年7月带来了本轮AI周期最剧烈的回调。半导体板块创下自2002年以来最差的月份，超过1万亿美元的AI相关市值蒸发。此次波动背后的担忧很直接：编码看起来是一个难以复制的特殊情况，企业采用进度落后于预期，而能够证明数千亿美元资本支出合理性的"下一个编码"尚未出现。
我们认为这场辩论的框架是错误的。市场正在通过应用视角评估AI，寻找下一个杀手级用例，并检查当前收入是否覆盖资本支出。然而，行业自身的目标是通用人工智能（AGI），而大多数实验室指出的通往该路径的机制是递归自我改进（RSI）。一个更有用的思考方式是将其视为一系列能力里程碑，每个里程碑都有其自身的商业回报。编码能力已经以今年上半年收入拐点的形式被货币化。下一个里程碑是持续学习，它使模型能够在部署过程中像员工一样积累知识；结合诸如前向部署工程等部署机制，它将打开大部分企业机会。完全的RSI，即模型参与并加速自身发展的阶段，位于最远端，并将决定后续的竞争结构。在每个阶段都可以看到进展，并且在多个方面进展正在加速。
我们提出三个主张。
首先，市场担心的"上下文问题"是一个能力问题而非用例问题，而这正是持续学习所要解决的问题。一旦模型能够像员工一样积累隐性组织知识，寻找单一的"下一个编码式"用例的难题就消失了：企业用例将逐步打开。此时，总可寻址市场（TAM）的参考点将从数千亿美元的软件预算转向数十万亿美元的劳动力市场。
其次，RSI的早期信号已经可以观察到。模型迭代从每年一次变为每月一次。GPT-5.5从预训练结束到发布大约花了一个月。OpenAI在GPT-5.6发布三周后将价格下调了高达80%，而此前的历史是价格下调要在推理优化数月之后。实验室内代码现在几乎完全由模型编写，AI对内部研发速度的衡量贡献在六个月内从5%上升到15-20%。
第三，如果RSI跨越其阈值，基于蒸馏前沿模型输出的追赶策略可能会变得越来越困难，而计算将成为最不可压缩的约束和最深的竞争护城河。当前沿模型每月迭代时，追随者可能仍然保持固定的时间滞后，但无法轻易复制前沿实验室的完整学习、数据和实验堆栈。原生自我改进能力需要专有的实验基础设施和运行它的计算资源。这也是中国领先实验室内部的看法：中国尚未遇到规模扩展墙，但还没有足够的计算资源来达到一个。
按照这种解读，资本支出不应被斥为泡沫。最新的财报季显示，AI驱动的云增长带来了真实的当前回报，而除此之外，资本支出是为了确保在RSI阈值到来时玩家拥有足够的计算资源。战略必要性并不等同于股东回报，我们在一个情景框架中明确区分了这一点。最重要的变量不是"下一个应用是什么"，而是RSI何时到来以及谁先到达。
1. 辩论：AI是否遇到了瓶颈？
标签
相关主题
专家点评
本文由编辑团队收录整理，内容来源于公开信息，仅供参考。