2026年5月，Anthropic发布了一份名为「When AI Builds Itself」的研究报告。里面藏着一个让全球AI圈瞳孔地震的数字：超过80%被合并到生产环境的代码，是由Claude自己写的。工程团队每季度合并的代码量是2024年基准线的8倍，一个Claude辅助的任务在2026年4月里交出了超过800个bug修复。这相当于人类工程师4年的工作量，只要几天。
「Claude正在建造Claude。」Anthropic首席产品官Mike Krieger这句话在全球AI圈反复刷屏。
Anthropic联合创始人Jack Clark更是在几周前公开给出了一个具体的概率：他认为到2028年底，AI实现递归自我改进（RSI）的可能性是60%。
就在所有人都以为「AI自我进化」已经启动、奇点近在咫尺的时候，一群经济学家在2026年7月13日发布了一份29页的论文，问了一个被喧嚣掩盖的底层问题：就算AI开始帮人类造AI，它真的能自我引爆吗？
答案是：还没到。
一份29页的「清醒剂」
2026年7月13日，Elasticity Institute（弹性研究所）发布了由9位经济学家联合署名的论文《The Economics of Recursive Self-Improvement》。第一作者Tom Cunningham（前OpenAI经济学家，现METR研究员），联合了来自斯坦福、MIT、弗吉尼亚大学、卡内基梅隆大学、耶鲁大学、哥伦比亚大学、Epoch AI和Google AI的8位合著者。论文获得了METR和Constellation的行政与财务支持。
这不是一篇思辨性的哲学论文。它构建了从简到繁的一系列数学模型，用有向图（directed graphs）来刻画AI进步中的反馈回路，并推导出一个关键结论：净加速取决于每条反馈回路弹性（elasticity）的乘积。只要其中一条回路的弹性不足，整个加速链条就会断裂。
论文的「信封背面」估算（back-of-the-envelope calculation）直指核心：当前的反馈回路强度，还不足以生成自持加速，尽管它们正在变强。
这个结论和Anthropic的「80%代码」放在一起，形成了2026年AI行业最微妙的张力。一边是「AI正在造AI」的实证信号，一边是「飞轮尚未自转」的经济学铁律。
为什么链条比环节更重要
论文的核心贡献在于把「AI自我改进」这个模糊概念，拆解成一个可测量的经济学模型。
论文定义了「核心反馈回路」：当模型能力提升1个单位，下一代模型的能力会提升多少？这个看似简单的问题，答案取决于多个生产函数的组合。
模型区分了三个关键生产函数。算法效率提升，由人类劳动和AI能力共同生产。AI能力提升，由算法效率和训练算力共同决定。经济产出，由AI能力影响更广泛的经济。
当这三条链条串联起来，就形成了一个闭环：更强的AI带来更好的算法效率，更好的算法效率造出更强的新AI，更强的新AI产生更多经济产出，更多经济产出投入更多算力投资，再回到更强的AI。
但问题在于：每条链条都有自己的弹性系数。如果其中任何一条的弹性不足，净加速乘数就会迅速衰减。论文用了一个关键概念来表述：「想法越来越难找」（ideas become harder to find）。技术进步的边际收益递减是经济学中最朴素也最强大的规律之一，AI领域的进步也不例外。
「自动化」不等于「爆炸」
1965年，数学家I.J. Good提出了那个著名的猜想：「一旦出现超智能机器，它能设计出更好的机器；届时将毫无疑问地出现智能爆炸。」
论文用一种温和但坚定的方式挑战了这句话。「毫无疑问」这三个字，站不住脚。
论文明确指出，全自动化AI R&D（即AI能在没有人类参与的情况下完成所有AI研究）和自持加速是两个完全不同的概念。即使AI取代了人类研究人员，加速度也可能因为多重原因而衰减。
边际收益递减是第一个原因。「想法越来越难找」，这是论文数次强调的约束。瓶颈约束是第二个原因。人类不是唯一的瓶颈，算力、数据、物理基础设施都可能成为无法突破的瓶颈。论文通过扩展模型专门考虑了这些瓶颈场景，指出反馈回路可能被任何单一瓶颈打破。
还有一个更本质的区分：论文专门定义了「窄AI能力」和「宽AI能力」。一个模型可能在优化AI训练流程上极其出色，但这不代表它能自动转化为推动经济生产力进步的通用能力。AI可能在AI R&D基准测试上进步神速，但在更广泛的经济价值任务上进展缓慢。这种「能力错配」意味着，即使AI能造出更好的AI，也不代表它能造出更好的社会。
AI公司的「愿望清单」
如果说前面的分析是「泼冷水」，那论文的最后一部分则提供了「行动指南」。
论文提出了一个「愿望清单」（wish list），一系列AI公司可以也应该测量并公开分享的参数。这些参数包括反馈回路的弹性系数（核心参数）、不同能力维度上的进步速度、人类参与度对反馈回路强度的影响、算力投入与算法效率提升的替代弹性等。
论文的潜台词很明确：如果你真的相信AI在自我加速，那就拿出数据来证明。而不是靠「80%代码」或者「52倍推理加速」这类单一指标来暗示奇点将至。
这不是一个无理的要求。论文作者之一Tom Cunningham来自METR，一个专门评估AI能力的非营利组织。METR的时间线指标（time horizon metric）和Epoch AI的能力指数（Epoch Capabilities Index）已经被广泛用作衡量AI进步的标尺。论文要做的，是把这些衡量工具和经济学框架结合起来，让「AI进步速度」这个命题从口号变成可检验的假设。
这意味着什么
这篇论文的出现时机意味深长。
2026年正处于一个微妙的历史节点。Anthropic的「AI造AI」报告、ICLR首次设立RSI专场工作坊（2026年4月，里约热内卢）、AI agent在编程和科研中的渗透率飙升，行业正在经历一场真实的「加速感」。与此同时，Anthropic联合创始人呼吁全球建立AI暂停机制，Jack Clark给出了60%的概率，监管层在各国加紧行动。
论文在此时发布，提供的是一个冷静的坐标。
它把「递归自我改进」从科幻叙事拉回到经济学分析框架中。不是「会不会发生」，而是「需要什么条件才可能发生」。不是「AI正在造AI」，而是「AI造AI的速度能不能自我维持」。
它指出了自持加速和加速但依赖外部输入的本质区别。前者是真正的奇点，后者只是又一次技术进步。这次技术进步的速度可能比以往更快，但当前AI行业明显处于后者。
论文的「愿望清单」给出了一个实际可操作的路线图：如果AI公司愿意公开反馈回路的弹性参数，学术界和政策制定者才有可能真正判断我们离那个临界点有多远。
对于投资人来说，这意味着不要为「AI自我进化」的概念支付过高的溢价。反馈回路在变强，但还没到自持加速的阈值，「奇点叙事」离商业化落地还有经济学距离。
对于技术从业者来说，AI加速进步的确定性仍然很高，但「失控」的风险可能比直觉认为的更远。论文的结论和Anthropic自身的报告数据并不矛盾：AI确实在加速自身发展，但这个加速度本身是否在加速，是另一个问题。
对于政策制定者来说，悬在头顶的那把「奇点」之剑，可能还没有出鞘。但论文也提醒了另一件事：反馈回路正在变强。如果哪一天弹性乘积突破了那个临界值，没有人会提前收到通知。
AI自我进化的那扇门确实在裂开一条缝，但经济学家告诉我们，从门缝里看到的光，还不足以照亮整个房间。
快报