AI智能爆炸已开启？递归迭代18个月倒计时,边际成本趋零,双寡头估值或冲十万亿

凭借寥寥数段推文，Chamath Palihapitiya将整个AI领域推向了风口浪尖。

2026年8月3日，这位Social Capital的掌舵者、All-In播客的当家主持在X平台突然发声：人类或许已踏入"AI递归式自我迭代"的轨道。

这一回，他将目光投向了更本质的演进：AI开始参与打造更强大的AI； 而更强的AI，又将孕育出下一代更优的版本。

Chamath勾勒的时间线更加令人目眩：未来18个月将是疯狂的窗口期，能力将迎来井喷式增长，所有模型的边际成本将无限逼近零。

若他的判断成立，数万亿美元规模的产业格局将被彻底重构； 若判断失误，我们所见证的，可能不过是有史以来最烧钱的一场"奇点造势"。

▲ Chamath宣称AI已进入递归式自我迭代的闭环，并预判未来18个月能力将急速攀升。

Chamath所复盘的，是一条可追溯至六十年前的"智能爆炸"链条：

这套理论的源头可追溯至数学家I. J. Good：一台足够聪慧的机器，若能设计出更优的机器，便可能触发一场智能大爆炸。

然而，其中存在一个极易被混淆的概念

能够编写代码、刷出更高的模型指标，不过是递归自我改进的入门级表征。 严格界定，它要求系统既能优化产出，又能优化"优化自身的方式"：自主设定目标、调整架构、运行实验、完成评估，并将成果注入下一轮迭代。

换一个类比：往昔是工程师将AI当作扳手使用； 而完整的RSI则意味着这把扳手开始设计下一代扳手，甚至自主决定该维修哪台机器。

现有公开证据所能佐证的是：这个循环已部分连通，但人类尚未交出驾驶位。

Chamath的论断刚一抛出，质疑者便精准戳中了最现实的一道屏障：硬件。

"若芯片产能跟不上节奏，智能便无法无限延伸。" 一位评论者如此写道

▲ 质疑者强调，芯片制造能力或将成为智能扩张的硬性瓶颈。

Chamath随即澄清道："我并未断言这项成本会归零。"

▲ Chamath厘清了模型边际成本与芯片、能源等硬件投入之间的界线。

这一厘清极为关键

所谓边际成本趋近于零，特指系统搭建完成后，每多处理一份文件、多生成百万token、多服务一名用户，所追加的成本越来越低。 这并不意味着训练前沿模型可以免费进行，更不代表数据中心、GPU、电力、散热和土地成本会从财报中凭空蒸发。

因此，Chamath论断的核心要义是：每一单位有效智能的成本将断崖式下坠。

这同样预示着，未来的胜负关键可能系于一兆瓦电力所能产出的智能倍增之上。

这场论战并非纯粹的空想

Anthropic在《When AI builds itself》中坦承：完整意义上的递归自我改进，即AI自主设计并打造自己的接班者，"我们尚处于这一阶段之前"。

但另一半事实同样震撼：AI已开始大规模介入AI的研发流程。 编码Agent能够修改文件、运行程序、分配任务、排查缺陷； 在目标明确的实验执行环节，它们的表现已可与资深工程师比肩，甚至更胜一筹。

尚未跨越的鸿沟聚焦于研究的判断力：开展何种实验、追踪哪条路径、何时选择放弃。 执行环节正在被机器接管，但方向抉择仍主要由人类掌控。

▲ Anthropic指出，AI加速AI研发的进程已然启动，但完全自主的闭环尚未成型。

DeepMind推出的AlphaEvolve则将这一循环演绎得更为直观：大模型产出候选算法，自动评估器予以打分，系统筛选出优胜方案，继而展开新一轮变异。

生成、评估、筛选、再生成

它已被应用于优化数据中心调度、精简加速器电路设计，并改进了训练大模型所依赖的部分计算流程。 机器确实开始介入"制造机器之工具"的制造过程。

▲ AlphaEvolve将大模型的创造力与自动评估器相融合，构建出可循环运作的算法进化闭环。

然而它也暴露了边界：在拥有廉价、可靠答案验证器的领域，循环运转最为高效。 代码能否运行、延迟是否下降、数学答案是否正确，都易于评判； 而开放世界中的科学判断、商业抉择与价值取向，却没有这般明晰的评分标尺。

奇点虽听起来充满科幻色彩，但资本市场紧盯的却是另一条走势线：推理价格。

a16z依据等效性能门槛估算，LLM推理成本曾一度以每年约一个数量级的速度递减，三年间差距可达千倍。 Epoch AI针对不同任务的统计更为悬殊，也更为复杂：年降幅跨度从约9倍到900倍不等，中位数约为50倍。

▲ 推理价格正快速下行，但不同任务间的降幅差异显著，历史降速未必能长久延续。

距零仍有相当距离，却足以颠覆旧有的商业模式。

一旦基础模型愈发廉价、愈发可替代，利润重心便可能从模型层迁移至新的稀缺资源：电力、芯片、专有数据、企业上下文、工作流、评测体系与组织协同。

Chamath此前曾探讨OpenAI与Anthropic若维持双寡头格局，是否可能分别斩获5万亿至10万亿美元的估值； 随后又表示，这一万亿美元级的预判将在2026年底前迎来更为清晰的验证。

他的估值参照系也发生了转变：不再单纯审视收入增速，而是关注token效率、开源模型竞争压力，以及EV/MW，即每兆瓦电力所对应的企业价值。

这是一个值得警惕的信号：AI公司正越来越趋向于能源密集型工业的形态。 模型能力越强，并不必然意味着模型利润越丰厚。 一旦智能迅速商品化，前沿实验室或许会在奇点降临之际蓦然发现，智能已丧失了稀缺性溢价。

与此同时，单位token虽趋于廉价，总账开销却可能更上层楼。 企业会驱使Agent反复推演、重跑任务、互相校验，陷入所谓tokenmaxxing的怪圈。 这恰似公路拓宽后车流不降反增：廉价会激活需求，也会催生浪费。

怀疑论者的反击同样犀利

Ramez Naam在剖析相关RSI研究时强调，自我改进的成效可能仅呈现极低次幂，约为输入智能的0.075次方。 通俗而言，即你倾注巨量能力，下一轮却仅能换来微乎其微的提升。

若反馈系数远低于1，循环非但不会引爆，反而会渐次熄火。

▲ 怀疑阵营主张，显著的收益递减或致"智能爆炸"迅速熄火。

此外，还横亘着三道屏障：物理墙——芯片、电力与散热； 验证墙——AI产出的答案未必能被自动判别对错； 质量墙——劣质AI内容被再度用于训练，谬误与"AI垃圾"可能呈复利式累加。

▲ "slop复利"虽属戏谑之语，却戳中了数据污染与质量退化的潜在隐患。

因而，将近期基准的提升径直冠以"奇点"之名，确实为时尚早。 现有证据仅能佐证AI辅助AI研发，距离无人掌舵的智能爆炸仍有漫漫长路。

褪去最激动人心的外衣，目前可沉淀出三条相对笃定的判断：

Chamath所抛出的"未来18个月"，乃是一项高风险的预测。

更值得警觉的变化正以季度为单位推进：机器在研发闭环中承担着越来越多的代码、实验、评估与优化工作，人类仍紧握方向盘，却愈发鲜少亲自踩下油门。

当智能趋于廉价之时，判断、信任、能源、上下文与协调将变得愈发珍贵。

奇点是否已至，仍悬而未决

但围绕下一个时代的角逐，已悄然拉开帷幕。