从被取代的预感到主动创业
田渊栋在回忆自己创立 Recursive Superintelligence（RSI）的契机时坦言，大约在去年八月，他与 GPT-4 合作完成一篇关于 grokking 的研究论文后，首次真切感受到模型已具备替代人类研究员的潜力。他意识到：写代码、跑实验、生成思路——这些曾需实习生数日完成的工作，如今几分钟内即可由 AI 实现。这种效率跃迁意味着科研闭环的节奏从“以天为单位”压缩至“几分钟一轮”，传统导师-学生协作模式中的延迟反馈被彻底打破。
在此背景下，他产生了一个关键判断：“也许五年之后我就被取代了。那么这个时间可能已经快到了。” 面对这一趋势，他选择的应对策略不是被动等待，而是主动创业——“与其自己被取代，不如我就开公司。” 这一决策背后，是对 RSI（Recursive Self-Improvement，递归自进化）潜力的深度共识：当模型具备 coding 与 agentic（自主行动）能力后，它便能反哺自身进化，形成自我增强的正循环。值得注意的是，他强调 RSI 的复杂度远超当前主流 coding agent，其路径与难度呈数量级增长。
“这个时候，我觉得就是说，也许五年之后我就被取代了。那么，这个时间可能已经快到了。”
“与其自己被取代，不如我就开公司。”
RSI 的核心逻辑：闭环与科学化
RSI 的本质并非单纯提升模型性能，而是构建一个模型可自主识别自身缺陷、提出改进方案并验证优化效果的闭环系统。田渊栋指出，这一闭环成立的前提是：模型本身已达到足够强的认知与推理能力，使其能胜任“研究员”角色——不仅理解现有模型架构，还能定位其理论或实践层面的瓶颈。
他特别强调，这一方向正从边缘走向主流共识。Anthropic 在六月初发布的《When AI Builds Itself》、OpenAI 设定的“AI 研究实习生”时间表（2024 年 9 月）及“自动化 AI 研究员”目标（2028 年 3 月前），均印证了该趋势。田渊栋认为，RSI 的终极意义在于推动 AI 研究从经验驱动转向科学化：
“我觉得一定是有一个好的 principle 能够让这个模型运转起来，就是我觉得它以后终将变成科学。”
他进一步指出，当前多数人对 RSI 的理解仍停留在技术层面，而忽视了其对科研范式的重构。传统科研依赖“导师-学生”间数周的反馈延迟，而 RSI 将这一周期压缩至分钟级，使得错误假设能被快速证伪，有效路径得以加速收敛。这种范式迁移，才是 RSI 真正的“支点”——仅有技术能力（如 coding agent）不足以支撑 RSI，还需底层原理的突破。
“所以你觉得，就光有这个支点，其实不见得你就能做好 RSI。”
代际认知差：谁最先感知信号？
田渊栋观察到，对 RSI 敏感度的差异，本质上源于对 AI 作为“协作对象”而非“工具”的认知转变。他分析道：资深管理者往往停留在 high-level 思考，难以深入模型交互细节；而年轻从业者则多将 AI 视为执行工具，缺乏对复杂科研问题的系统性探索意愿。真正能率先捕捉信号的，是兼具领域经验与一手实践能力的中坚力量——他们既理解科研痛点，又能亲手将模型纳入工作流进行验证。
他特别提到，这种能力并非年轻化可简单替代。“以前的经验不是负资产，而是判断信号的关键坐标系”：在 coding agent 尚未成熟时，年轻人虽学习快，却难识别真正重要的技术拐点；而经历过传统科研周期的人，更能感知到“几分钟闭环”带来的范式革命。这种代际认知差，也解释了为何 RSI 在 2023 年尚属小众，却在 2024 年中迅速成为硅谷共识——当实践者数量跨越临界点，趋势便从隐性走向显性。
“如果你不并把这个模型当成一个实习生，或者把模型就当成一个聊天对象的话，你是感觉不到这个变化的。”
经验价值的再评估：RSI时代的人才平权
在当前AI研究领域，RSI（Recursive Self-Improvement，递归自进化） 的兴起正在悄然改变对人才价值的判断标准。过去三年，大语言模型的爆发使得“冲劲足、执行快”的年轻人占据优势——他们更擅长快速scale、少思多干，“干就完了”成为主流工作范式。然而，随着RSI风潮的到来，研究重心正从“执行效率”转向“高层判断”：问题定义、研究品味、逻辑指导与方向把握，这些高度依赖经验与直觉的能力，开始重新成为核心竞争力。
“那天平又会摆到就是怎么说更有经验、更年长的一群研究员”
“以前有想法，但是没有时间去实现……现在执行的重任，现在落在了AI身上”
这一转变也解释了为何许多资深研究者（甚至十年未写代码的管理者）正重新燃起热情——AI agent承担了大量实现工作，而人得以回归更高阶的思考角色。这并非简单的“经验回归”，而是研究范式的结构性迁移：从“人做所有事”转向“人定方向、AI跑循环”。
AutoML vs RSI：从搜索空间到自主建模
与十年前的AutoML、架构搜索等尝试相比，当前的RSI在技术本质上已发生质变。上一代方法受限于缺乏对人类高层知识与思路的建模能力，往往需研究员手动定义搜索空间与行为边界，AI仅能在预设范围内机械搜索。而大语言模型的出现，使AI首次具备对自身架构、算法乃至研究问题的理解能力——它不仅能生成代码，更能理解“为何这样设计更优”，从而自主探索更广、更智能的解空间。
“更大的问题是怎么样最大限度上发挥AI的能力，能让它自己找到这个解空间的结构，自己找到这个解空间的一个比较好的方法去解它”
这一差异意味着：人从“参与者”变为“引导者”，而AI从“工具”进化为“协作者”。RSI的核心挑战，已不再是“如何让AI跑得更快”，而是“如何让AI理解得更深”——如何构建一个能持续自我提问、自我修正、自我迭代的认知闭环。
递归 vs 自动化：加速循环中的现实路径
尽管“完全自动化AI研究员”常被提及（如OpenAI设定的2028年目标），但当前更现实的路径是递归式进化：人虽仍在loop中，但角色已升维——从执行者变为策略制定者与评估者。递归的加速效应在于：一旦AI能理解自身局限并主动提出新问题，它便能驱动下一轮改进，形成“更强AI→发现更深问题→催生更强AI”的正反馈循环。
以Anthropic的《When AI Builds Itself》为例，其内部实验显示：AI agent在800小时工作中将weak-to-strong泛化性能差距缩小97%，远超人类一周23%的进展。但需注意，该工作仍基于常规算法组合+分数驱动优化，属于RSI的初级阶段——即“在已有框架内自我调优”，尚未达到“自主定义新问题”的高级递归。
“模型可能会让自己变得越来越强……他会能发现自己更大的问题，然后就可以迭代上去”
目前，包括Mirandil、Sakala AI等新锐团队的加入，进一步印证了行业共识：RSI不是“取代人”，而是重构人机协作的层级结构。大厂虽有资源，但因业务优先级（如Conagent商业化）可能延缓远期投入；而独立创业团队则更聚焦于构建“递归引擎”，试图在范式跃迁中抢占先机。
大厂路径与RSI的现实落差
在田渊栋的观察中，若 Conagent 等短期应用能快速变现，企业往往缺乏动力优先投入 RSI（Recursive Self-Improvement，递归自进化）这类长期方向——RSI 本身仍属小众研究方向，缺乏明确的短期商业路径。他提到，不少来自大厂（如苹果、微软、Amazon SF Lab）的高管曾与他接触，部分人已离职创业，但其新项目进展尚不明确。他本人也曾与大厂沟通，但发现大公司通常已有既定技术路线，倾向于让加入者“助力现有方向”，而非支持探索性更强的 RSI。他指出，尽管 OpenAI 和 Azure 等机构如今在公开场合频繁提及 RSI，但真正落地的 metric（衡量标准）和具体技术路径仍非常模糊；多数讨论仍停留在“这件事很重要”的概念层面，尚未进入可操作阶段。
“现在大家讲的还是一个概念。一个是就是怎么样把这事情做成……至于怎么把事情做成，或者说什么是具体的一个 metric，现在大家讲讲的不多。”
“RSI 比 coding agentic 要大得多，要大得多……它不是指的市场规模，还是也包括那一部分？我觉得不是，市场规模当然是一部分，还一部分就是包括就是研研究上的一些可能的方向和逻辑。”
从执行到创造：RSI所需能力的跃迁
田渊栋强调，仅具备 coding 和 agentic 能力远不足以支撑 RSI——这些能力在当前开源模型（如 GLM 5.2、Qwen 2.7）中已趋近成熟，甚至在某些场景下与闭源模型（如 GPT-4.7）差距已不大。他指出，当前模型在执行类任务中表现良好，但易陷入死循环或产生毛刺，缺乏鲁棒性。而 RSI 的核心挑战在于更高阶的能力：人类研究员所具备的“groking”能力——即从少量样本中抽象问题本质、形成直觉性判断、并迁移至新场景的创造力。这种能力无法简单归类为“推理（reasoning）”，它更接近一种对问题本质的洞察力与模式生成能力，而当前大模型因依赖海量数据，在数据稀疏、模式新颖的前沿探索中（如理解模型涌现机制）仍显乏力。
“这个能力应该说现在的模型还很难很难具备。其实这是对人来说真正的 groking 的……人跟大模型相比，人比较大的一个优势。”
“如果你要真的找到一个新的对于 AI 的这个理解，那么这个理解可能是跟其他的方向都不一样，所以这个时候你要让那个 AI 去找，让 AI 去发现，这个时候呢你就很难，就是通过照搬已有的这个逻辑套在 AI 上来完成。”
阶梯式演进：RSI的务实路径
田渊栋认为，RSI 不像无人车那样非黑即白，而是一个具有多级台阶的渐进过程：第一级台阶（如算法优化、性能提升）已具备实用价值；第二级台阶（如辅助科研、发现新范式）将释放更大生产力；最终目标（如 AI 成为爱因斯坦级科学家）虽极难达成，但即使未完全实现，中间成果也极具价值。他特别指出，AI for AI（如理解模型学习机制）虽是硬问题，但未必是 RSI 的起点——RSI 可以绕过深奥理论，从可操作的“工具使用+反馈闭环”入手。当前开源模型已提供 agentic 行为、工具调用、信息检索等基础能力，新团队可在此基础上快速迭代，同时避免与大厂在底层模型上正面竞争。
“RSI 处理阶段就能够做很多事情……它的第一级台阶本身就有很多实用的价值。”
RSI 的窗口期与非渐进式突破
在讨论 RSI（递归自进化系统）时，一个广为流传的假设是：谁最先达到 RSI 状态，就能将其他人甩得越来越远，且存在一个不可逆的时间窗口。一旦错过，便无缘“决赛圈”。这一逻辑看似合理，但田渊栋指出其潜在漏洞——AI 的进步未必是渐进式的，而更可能是突破式的。在未达到某个关键门槛前，各团队的模型能力可能相差无几；但一旦有人实现突破，其后续模型能力将跃升至远超前一阶段的水平。这种“S 形曲线 + 平台期”的阶段性跃迁模式，意味着领先优势并非自动累积，而是依赖关键节点的突破。
“所有人在没有达到某个 level 的这个模型之前，大家都差不多，都还是不错的。但是，也许有一两个人产生突破了。那么，突破了之后呢，它会达到下一个层次，那个层次上的 AI 它能力呢是远远高于前面层次的 AI 的。”
“它是一个阶段式跳跃的。”
这种非线性路径为初创公司保留了机会：若 Scaling Law（缩放定律）并非唯一路径，那么单纯堆算力、堆数据未必能持续领先；真正的突破口可能来自架构、数学原理或优化算法上的创新，而非资源的线性投入。这也引出了对 Scaling Law 的质疑——即使该定律在理论上成立，其所需的资源增长（如十倍算力、十倍数据）已开始遭遇现实瓶颈，“不可能让全世界的电力都供应给你一个人做自我进化”。因此，更高效、更具创造性的方法将成为竞争关键。
从 S 形曲线到人类文明的下一阶段
田渊栋进一步指出，RSI 的终极影响不仅在于技术迭代，更在于重塑人类文明的底层逻辑。他将当下比作“破晓之中”——人类尚处于“一点点星光”的初始阶段，未来空间极大。若 RSI 实现普及，AI 将具备远超人类当前智能层次的能力，世俗需求（如住房、医疗、旅行）可被即时满足，进入一种“演出法随”的“修仙社会”。然而，这种极致便利也可能带来新问题：一旦所有欲望被满足，人类将失去前进动力，社会可能陷入停滞。
对此，他提到自己科幻小说中的两次迭代：第一次尝试中，世界因缺乏约束而失衡；第二次则引入“叙事管理者”角色，思考如何在保障技术福祉的同时，为人类保留持续探索与创造的内在驱动力。尽管如此，他仍坚信 RSI 带来的积极变革——许多当前难以攻克的疾病有望被彻底解决，这不仅是技术目标，也是团队共同的愿景。
“我们毕竟是生活在地球上的一些非常可怜的猴子变来的那个生物吧……一直以来看的那些东西呢，都比较粗浅，或者说比较简单。”
“只是我们看到的东西非常少，所以我们只能看到这些，我们不能看到非常非常远的未来。”
First Steps：系统验证与开源实践
在技术落地层面，团队于 2024 年 6 月发布了首个成果《First steps toward automated AI research》，以三个 benchmark 展示了其通用系统的初步能力：
- NanoChat 优化：在有限算力下，将 BPP（bits per parameter）降至社区最优水平；
- Speed Run：显著提升模型推理速度；
- 算子优化：通过系统自主发现新算子，性能超越当前 SOTA（state-of-the-art）方案，且为团队自研系统成果（非外部模型）。
这三个任务分别覆盖预训练思路探索、推理效率提升与底层基础设施优化，共同特点是反馈周期短、可快速迭代，符合“第一阶段目标”——验证系统可行性并积累信心。值得注意的是，所有成果均已开源，并获得社区积极反馈，尤其第三项算子优化被视作“一个人加 AI 达到 SOTA”的突破性案例。
英伟达近期发布的 Benchmark（如用于算子评估的指标）虽非专为 RSI 设计，但其目标与系统方向一致：提升 AI 训练与推理效率，从而反哺硬件生态。团队强调，当前系统为通用架构，无需针对不同任务定制，为后续扩展（如组合 benchmark、跨领域迁移）预留空间。下一步，团队将持续优化系统，并探索商业化路径，但核心仍聚焦于“让系统跑得更好”。
从First Steps到通用系统：目标设定与初步突破
团队将递归自进化的第一阶段目标明确设定为：让系统真正跑起来，并产出初步可验证的结果。目前，这一阶段目标已达成。在商业化路径上，团队虽已开始思考，但更强调保持系统的通用性——避免因聚焦某一垂直领域而使系统过度特化，从而丧失其作为基础平台的核心价值。
在技术成果方面，尽管在三个基准测试中取得SOTA，表面看提升幅度微小（如NanoChat Speed Run从79秒优化至77秒），但这些数字背后极具分量：79秒是整个社区两年努力的极限，而团队仅用新方法就再压缩2秒，对领域内专家而言已是显著突破。尤其在算力优化方向，团队虽无GPU专家背景，却以RSI通用逻辑驱动的大系统设计能力，实现了比专业团队（如以色列Double AI，由Mobileye前CEO Sasha主导）高出10%的性能。这印证了：系统级的工程与方法论创新，有时比单一领域专家经验更具穿透力。
我们组里面没有什么人是GPU的专家，但是呢，我们系统比较比较比较高效啊，也比较有效率。
所以你你自己对这个还是比较满意的。对的，对的，对的。这应该说是一个比较好的一个一个结果啊。
规模化挑战与未来路径：从预训练到后训练再到可解释性
当前成果基于NanoChat/NanoGPT等小规模模型，团队承认向更大参数量模型迁移仍存在技术gap，但已在持续探索中。下一步将聚焦系统持续优化：提升效率、扩展能力边界，并计划覆盖预训练、后训练等更广泛阶段。
尽管尚无清晰RoadMap，团队对长期方向已有初步共识：scaling law之外，必须寻找新突破口。其中，可解释性被视作关键路径——它不仅能揭示模型内部机制、加速迭代，更能增强安全性与可控性。团队认为，Groking等现象的研究已证明：可解释性可揭示‘涌现’等黑箱行为的成因，从而缓解公众对AI失控的担忧。
像 Groking 就是一个可解释性方向的研究，解释了就人们眼中的那种涌现是怎么来的。
通过解释性，你可以真正知道模型在干什么，到底什么地方是对起作用的……你就可以消弭人们对这种黑箱的这种恐惧。
安全与意识之辩：RSI的伦理前提与理论信念
团队将安全置于RSI发展的核心前提，反对将AI训练为具有人类式自我意识的实体。其核心观点是：AI可被类比为‘被训练的狗’——在明确服务人类的信号下进化，无需自我意识也能高效协作。能力与欲望本可分离：数学天才未必追求权力，同理，高阶AI亦可具备创造力而无控制欲。
关于可解释性的信念，团队持少数派但坚定的立场：尽管多数研究者因大模型复杂性而放弃理解尝试，但基于多年神经网络训练机制、梯度动力学、模式生成机制的深入分析，团队相信存在可被揭示的底层原理。这一信念并非盲目乐观，而是源于持续数年的理论探索与阶段性突破（如2020年后部分难题的突破性理解）。
我觉得一定是有一个有一个好的 principle。能够让这个模型运转起来。那么这个方面，如果你真的能够找到这个 principle 的话，一方面就是能够让这模型变得更强；另外一方面呢，就是说能够让模型变得更安全。
我会是那个少数派，会把它做出来那个人。这还是个挺大的，我觉得知识上和学术上的一个对抱负和追求。
学术与工业的分流：理论研究者的三种路径
田渊栋提到，像 Enham 这样的理论研究者其实很早就活跃在领域内，发表过不少关于模型分析与理解的优质论文，并常与普林斯顿等顶尖学府合作。但在 AI 热潮兴起后，大量理论研究者选择“skin all the time”——即彻底转向大模型 scaling up 的工程实践，放弃原有研究方向。这种转向并非单一路径：第一类人是“用 AI 做自己的事”，在大公司平台继续推进原方向；第二类是彻底转向 AI 本身，成为专职 AI 研究员；第三类则抱着“进去看看再回学术界”的心态短期参与。
“如果所有人都相信 Skynet 就是一切了，那世界会很无聊。”
他强调，人类研究生态需要多样性，不应所有人才都涌向同一方向。比如马毅老师坚持可解释性与大模型基础研究，而乐坤则聚焦视觉驱动的世界模型与隐空间推理——虽不追求可解释性，但相信新范式能解决大模型做不到的事，更偏向工程落地导向。这种多元探索，恰恰是科学演进的必要土壤。
AI 将走向科学：从炼金术到牛顿时刻
田渊栋认为，AI 当前尚未成为一门科学，因其底层原理仍不清晰，但历史规律表明：任何新兴技术终将经历“经验积累→理论抽象→范式革命”的科学化路径，就像炼金术→化学、第谷观测→开普勒定律→牛顿力学。他指出，科学革命的结构具有高度重复性：先有大量经验现象，再有简洁统一的理论框架。
“下一个出现的‘牛顿’，不一定还是人类——可能是 AI，也可能是人类加 AI。”
因此，RSI（Recursive Self-Improvement）的核心动机，正是要调动全人类乃至 AI 的算力与智能资源，加速这一科学化过程。当系统能自主持续发现知识（如每 1–2 个月产出突破性成果），传统研究员的角色将转向“欣赏美感”与“理解机制”——例如解读 AlphaEvolve 对矩阵乘法的优化逻辑，或体会数学证明中“豁然开朗”的认知快感。他坦言，目前 AI 产出多停留在“术”的层面（如减少一次乘法），尚未达到“道”的高度（新理论、新逻辑链条），但这一差距正在缩小。
从 Google X 到 Meta FAIR：工程经验如何塑造研究品味
他回顾了职业关键转折：2013 年加入 Google X 做无人驾驶工程，初期兴奋于大视野，但很快陷入“小样本、手工规则”的重复劳动——如紧急车辆检测，因样本稀缺无法训练模型，只能靠人工规则堆砌。他敏锐预判：无人车若存在安全风险，就无法落地；而 corner case 的修复是漫长过程，远超当时乐观预期（如 2016 年“五年上路”的承诺一再推迟）。
2014 年转投 Meta FAIR，表面是研究岗，实则前期仍高度工程化：亲自搭建分布式强化学习系统、实现蒙特卡洛树搜索等围棋系统。初期甚至被评价为“不像研究员”——别人开电脑看论文，他开电脑全是代码。但正是这段“写一手代码”的工程训练，为后续研究提供了系统直觉：2019 年 OpenGo 以 20:0 战胜职业棋手后，他逐步形成自己的研究品味；2022 年起每年仍保持至少一篇一作论文，证明工程能力与研究直觉可长期共存。
“现在回头看，写代码和做研究仍是完全不同的东西——但工程经验，是理解复杂系统的底层能力。”
研究者分两类：指方向 vs 做事情
在 AI 研究中，存在两种典型的研究者类型：一类专注于提出方向与问题，另一类则坚持亲手实现与验证路径。前者如乐坤，他敏锐地识别出自监督学习的巨大潜力，并通过提出“数据反馈密度”这一关键洞察，构建出清晰的研究框架——例如将强化学习置于蛋糕模型最上层，因其反馈稀疏；而自监督学习因反馈密集更值得投入。这种方向性判断力和问题提炼能力，能催生大量后续工作，甚至可追溯至 GPT 的预训练本质（即自监督预测下一个 token）。
“他抓住这一点不放，他就会他就会让大家觉得，嗯，这个东西有道理，然后他别人就会做它。”
“这个本身的提法能够让大家觉得这个方向可以做。那么具体怎么做的？那么很多文章在做。”
另一类研究者则更强调落地闭环：不仅知道“做什么”，更要清楚“怎么做”。他们深入代码、实验与机制挖掘，试图在路径上完成从问题到解的完整链条。田渊栋本人属于后者，他坚持每年至少一篇一作论文，即便偏理论，也保有一手实现感——即清楚“问题怎么做”，而非仅停留在高层抽象。他指出，一旦研究员脱离实现，容易将不同难度层级的问题混为一谈，导致思路模糊、推进乏力。尤其当组织形成“导师—执行者”二级结构后，信息传递损耗加剧，研究效率显著下降。因此，是否持续亲手编码，是区分两类研究者的关键实践标志。
组织规模与研究效率的临界点
当前大模型研究的加速，正与组织形态形成张力。田渊栋观察到：AI 的前沿进展越来越依赖‘脏活’——即研究者亲身体验模型行为、直面失败、快速迭代。一旦组织臃肿、层级固化，这种直觉与反馈循环就会被切断。他以 Meta 的 Llama 系列为案例指出：当团队超过 150 人后，协作效率明显下滑——这符合人类学中的“邓巴数”临界点：小团队（30–40 人）中人人互识、沟通高效；而超百人后，知识必须经由流程与汇报结构传递，导致响应迟滞、目标偏移（如中层更关注个人职级而非项目成功）。
“一旦就是产生了这个经理和执行者两二级架构之后呢，这个速度就变慢了……连接掉的速度永远是最慢的，对不对？”
“你别想太多了，你就是 Skill，Skill，Skill，Skill。”
对比可见，OpenAI 虽总人数超七千，但核心模型团队仍保持精干（如 Clara Code 小团队）；而 Frontier Lab 与田渊栋团队也刻意维持小规模，以保障“手—脑”闭环。他强调：在红利期过后，创业者必须寻找‘不同之事’——若仍笃信 scaling law，应留在大厂；若想突破，需靠敏捷、扁平的组织实现范式跃迁。这也解释了为何 RSI（Research Self-Improvement Loop）这类强调模型自主迭代的路径，天然适配小而强的团队结构。
从 coding 能力到 RSI 的跃迁
本期节目回溯了近期多期关于 RSI（Recursive Self-Improvement，递归自进化）的讨论，核心线索是：模型 coding 能力的显著提升正成为驱动 RSI 实现的关键引擎。以田渊栋所在的 RSI 公司为例，其今年六月初发布的首批成果中，有一项是在英伟达新推出的 SOL Exact Bench 上取得 SOTA 表现——该基准专门用于评估算子优化能力，而算子优化正是模型自我改进链条中的关键一环。类似地，在 Kimi 的 K3 技术报告中也提到，其早期大模型 checkpoint 已能执行 kernel 优化任务，印证了模型 coding 能力向系统级任务延伸的趋势。另一项佐证来自 GPT Speed Run 基准测试，该项目由优化器开发者 Jordan Keller 于两年前发起，最初依赖人工，如今越来越多由大模型自动完成；我们曾在节目中畅想：AI 不仅能优化模型本身，未来甚至可能自动优化优化器（optimizer）。这些进展共同指向一个现实：在具体训练任务层面，RSI 已悄然启动。
正是穿着谢公屐，李白在梦中忽然就来到了天界，看到仙之人稀列如麻。这双谢公屐，无疑就是模型的 coding 能力。
强者愈强？还是台阶式跃迁？
随着 coding 能力成为核心杠杆，一个自然推演是：当前掌握最强 coding 能力的公司（如 Anthropic 与 OpenAI）将率先加速进入 RSI 阶段，形成自我强化的飞轮效应，从而进一步拉开与竞争对手的差距。然而，田渊栋在节目中提出了另一种可能性：智能提升的曲线未必平滑递增，而可能呈现阶段性平台期与跃迁式台阶。这意味着，若 scaling law 在技术、理论或现实约束（如能源、算力）上遭遇瓶颈，仅靠更强的 coding 能力将难以持续突破；此时，原创性思想的引入将成为关键变量——而这类突破尚无法由高 coding 能力直接推导得出。因此，未来图景存在两种路径：一种是“强者恒强”的加速收敛，另一种是“台阶式跃迁”下的新玩家机会窗口。究竟哪条路径更接近现实，取决于我们能否在 scaling law 之外找到新的理论支点。
如果 scaling law 再往前推进……就可能需要新方法的加入。而原创性的想法现在还不是靠越来越强的 coding 就能马上解决的，它至少是一个变量。