RSI，大模型的下一站？——AI研发自动化加速下的模型、算力与应用机会

核心要点

• RSI进展：自动化AI研发加速，RSI正由理论进入落地阶段。AI已进入代码编写、研究调试、Kernel优化、自动实验等环节，局部研发反馈闭环正在形成。模型、Agent、Evaluator、训练平台和算力基础设施开始整合，AI逐步成为研发流程的重要参与者。
• 前沿模型厂商：模型竞争转向AI Research Factory竞争。研发正反馈与平台化壁垒有望强化。能力更强的模型成为研发下一代模型的生产工具，可能形成“更强模型—更高研发效率—更快推出继任模型”的正反馈闭环。
• 算力基础设施：训练与Research Inference共同扩张，AI研发自动化打开算力产业链需求空间。参数规模、训练Token、模型代际频率、候选实验、Post-training、RL Rollout、验证及研发推理均可能增加，对训练需求形成乘数效应。重点关注计算芯片、HBM、存储、先进封装、高速互联、交换设备、液冷、电力及数据中心等环节。看好具备大规模算力基础设施和持续资本开支能力的头部CSP。
• 高价值应用：模型能力通过MaaS、API与Agent平台向应用端外溢。优先关注可验证、可闭环的高价值场景。软件工程、研发工具、企业知识管理、客户服务和数字内容等领域有望率先受益。应用公司的核心壁垒将由“能否接入模型”转向专有数据、核心工作流、可靠Evaluator以及持续提高客户产出的能力。

RSI演进与当前阶段

• RSI核心理念：持续提升“开发AI的能力”，形成跨代持续的正反馈。
• RSI边界：当前多数“自我改进”仍未进入继任模型闭环，如Self-refinement、Self-play和Coding Agent。
• 当前阶段：完整RSI尚未实现，AI研发自动化持续深化。AI已能承担代码、Debug、实验运行、系统优化和结果分析；在目标和评价标准明确的任务中，局部实验闭环已经可以自动运行；部分研发任务的表现、实验频率和单个研究人员的产出均有明显提升。
• 工程条件成熟：模型开始具备进入真实研发流程的基础能力，Agent将单轮模型能力延伸为长周期执行能力，Evaluator使部分研发任务能够自动形成反馈，研发基础设施开始把上述能力连接成可运行系统。
• 局部递归反馈能力：部分模型与工具已形成局部递归反馈能力，如Google DeepMind的AlphaEvolve。

AI在大模型研发中的应用

• AI已进入大模型研发多数环节：代码与实验执行相对成熟，实验设计和结果分析正在突破，研究方向和继任模型责任仍明显不足。
• AI已从执行单个步骤，进入目标明确的局部研发闭环：Evaluator明确的领域率先形成闭环，前沿实验室也开始将局部闭环用于真实AI研发。
• AI执行能力持续提高，长周期可靠性仍是核心约束：限制AI独立负责完整模型研发的核心问题，正在从“能否执行任务”转向“能否长时间保持正确、及时发现错误，并在失败后可靠恢复”。
• 算力、数据与基础平台决定自动化研发能否持续迭代扩展：AI可以快速提出候选方案、编写代码并发起下一轮实验，但训练、微调、强化学习和模型评测仍需要真实的数据、算力和运行时间。
• 跨代、持续、可重复是RSI成立的核心判据：严格RSI要求当前模型实质性参与继任系统研发，继任系统在独立评测中确实更强，并进一步扩大AI自主研发范围、提高有效实验吞吐量、缩短下一代模型研发周期；上述反馈还必须跨越多代，持续、稳定且可重复地发生。

前沿模型厂商的RSI路径

• OpenAI：将RSI拆成可度量能力，并设置明确的High与Critical门槛。模型已进入完整研发链条，但能力仍呈现“工程强、训练弱”。
• Anthropic：研发工作持续向AI转移，RSI呈渐进式路径。内部生产率提升明显，方向选择仍然依靠人工。
• Google DeepMind：Evaluator驱动“生成—验证—进化”局部闭环。成果已进入生产系统，但仍是受约束的局部进化。
• 横向比较：路径各异，均指向更高水平AI研发自动化。

RSI对AI研发和产业的影响

• RSI有望重构AI研发范式：竞争从单代模型转向AI Research Factory。
• RSI将推动厂商扩大基础模型与AI研发计算投入：AI研发效率提高后，前沿厂商有动力提前建设自动化研发体系。
• 开源模型迈入万亿参数时代：Scaling仍在推高算、存、互联需求。
• 参数、Token与代际频率共同放大：RSI或显著提升训练端算力需求。
• RSI若形成研发正反馈：AI渗透将从“工具普及”走向“能力供给加速”。

投资观点

• 关注模型、算力硬件、CSP、与高价值应用。

风险提示

• 完整RSI可能长期无法形成；商业化落地低于预期风险；竞争加剧风险；监管政策风险；技术进步低于预期风险等。