这条视频，我之前写偏了。
我把重点写成了 AI 工作流、企业效率、普通公司怎么用 AI。那些观点没错，但不是这个视频真正的核心。
这个视频真正讲的是一个更大的问题：
如果 AI 开始参与制造 AI，人类社会会不会进入一次指数级变化？
视频里提到的关键词是 RSI。
RSI，全称是 recursive self-improvement，递归自我改进。
简单说，就是 AI 不只是被人类使用，而是开始参与设计、训练、优化下一代 AI。
这和“AI 帮我写文案”“AI 帮我写代码”不是一个层级。
前者是工具。
后者是工具开始改进工具本身。
视频把这个问题拆成了 6 个点，我按视频原始逻辑重新整理一遍，再加上我自己的判断。
01｜第一点：Claude 已经在写自己的代码
视频开头说，Anthropic 发了一篇长文，标题大意是：
当 AI 自己建造自己。
这里说的 Anthropic，就是 Claude 背后的公司。
视频里最刺激的一个说法是：
Claude 已经在写自己的代码，而且写得比人类还好。
我查了 Anthropic 官方文章，里面确实提到一个非常关键的数据：
截至 2026 年 5 月，Anthropic 合并到代码库里的代码，超过 80% 是 Claude 写的。
文章还提到，Anthropic 工程师现在每个季度交付的代码量，是 2021 到 2025 年平均水平的 8 倍。
这个数据真正说明的，不是“程序员马上没了”。
真正说明的是：
AI 已经进入 AI 公司自己的研发流程。
以前 AI 写代码，只是帮程序员写一个函数、改一个 bug、生成一段 SQL。
现在不一样了。
它开始进入真实项目。
它开始读代码库。
它开始修改系统。
它开始参与测试。
它开始把自己的能力，用到下一轮 AI 产品和基础设施的开发里。
这就是 RSI 的预演。
还不是完全意义上的 AI 自己制造 AI，但已经不是以前那种“人类写全部代码，AI 只负责辅助”的阶段。
02｜第二点：最大瓶颈可能不再是算力，而是人类速度
视频第二个点很扎心：
AI 发展的最大瓶颈，可能已经不只是算力，而是人类的速度。
过去我们谈 AI，最常说的是算力、芯片、数据、模型规模。
这些当然重要。
但当 AI 能大量写代码、跑实验、生成方案以后，另一个瓶颈会浮出来：
人类来不及看。
AI 可以很快生成代码，但人类工程师要看懂。
AI 可以很快提出方案，但人类要判断风险。
AI 可以很快完成实验，但人类要决定是否合并、是否上线、是否负责。
视频里提到，Anthropic 自己也认为，进步最慢的环节之一，是人类工程师审查代码的速度。
这个问题很现实。
如果 AI 一天能生成过去一个团队一周的工作量，而人类审核速度还是原来的速度，那么系统的瓶颈就从“生产”变成了“审核”。
这就像工厂里的机器突然快了 10 倍，但质检还是人工慢慢看。
最后不是机器不够快，而是人反应不过来。
这也是为什么视频里会说，一旦进入指数级变化，人类可能来不及反应。
因为指数级变化最可怕的地方，不是快。
而是前面看起来没什么，后面突然垂直上升。
很多人会在前半段低估它，在后半段来不及调整。
03｜第三点：Karpathy 加入 Anthropic，不是普通跳槽
视频第三个点提到一个人：
Karpathy。
中文圈很多人叫他卡神。
他曾经在 OpenAI 工作，也曾经负责过特斯拉自动驾驶相关的 AI 工作，是 AI 圈非常有影响力的技术人物。
视频里的说法是：
Karpathy 加入 Anthropic，是为了 all in RSI。
这句话可能有短视频夸张成分，但它表达的方向值得注意：
顶级 AI 人才正在把注意力放到“让 AI 加速 AI”这件事上。
普通人看到 AI，可能还停留在：
写文章。
做海报。
改代码。
做客服。
写邮件。
但顶级 AI 公司和顶级技术人看的，已经是另一个层级：
怎样让 AI 参与模型训练？
怎样让 AI 改进评估系统？
怎样让 AI 优化数据流程？
怎样让 AI 帮助研究员提出更好的实验？
怎样让 AI 加速下一代 AI 的研发？
这才是 RSI 真正重要的地方。
不是 AI 今天能不能替代一个岗位。
而是 AI 能不能进入“生产下一代能力”的流程。
一旦它进入这个流程，速度就不再是线性的。
04｜第四点：智能爆炸，可能比很多人想得更快
视频第四个点，是最核心也最有争议的部分：
智能爆炸。
它提到一个判断：
过去很多人认为，从 AGI 到 ASI，也就是从通用人工智能到超级智能，可能还需要几年。
但如果 RSI 的正反馈真的形成，这个过程可能会被极大压缩。
视频里的表达更激进：
可能只需要几个小时。
这个说法我不会直接当成确定事实。
但它背后的逻辑要理解。
如果 AI 只是被人类训练，它的进步速度受制于人类研究、工程、实验、审查、部署的节奏。
但如果 AI 能参与改进自身能力，流程就变成：
AI 提出改进方案。
AI 写代码。
AI 做实验。
AI 分析结果。
AI 继续改进下一轮。
人类只在关键节点设定边界和审核结果。
这个闭环一旦跑起来，速度就会非常快。
这就是视频里说的指数级增长。
不是今天比昨天快一点。
而是每一轮改进，又提升下一轮改进的速度和能力。
这也是为什么很多人把 RSI 和智能爆炸联系在一起。
它讨论的不是一个工具变好用。
而是一个系统开始加速改进自己。
05｜第五点：金融市场会变成 AI 对 AI 的战场
视频第五个点讲金融。
它提到一个判断：
RSI 如果实现，不会只停留在 AI 和编程领域，而会复制到金融、法律、医疗等领域。
金融是最容易被改变的行业之一。
因为金融市场本质上就是信息、速度、策略、风险和博弈。
视频里举了一个例子：
有对冲基金使用类似 RSI 的系统做交易策略。
每天收盘以后，系统生成几十套、上百套交易策略。
然后把这些策略放进历史数据里回测、竞争、筛选。
风险调整以后表现最好的策略，第二天进入真实交易。
整个过程几乎没有人类直接参与。
这件事的关键不是“AI 帮人炒股”。
而是市场可能变成：
AI 生成策略。
AI 回测策略。
AI 调整策略。
AI 执行策略。
AI 继续根据结果更新策略。
传统量化策略可能几个月就失效，但如果系统每晚都能重新优化，它适应市场的速度就会完全不一样。
当然，这里也有非常大的风险。
金融不是谁更快谁就一定赢。
当大家都用 AI，市场会变成 AI 与 AI 的竞争。
谁的数据更完整。
谁的风控更严格。
谁的执行更稳定。
谁更能避免模型过拟合。
谁更能控制极端情况下的风险。
这些才是关键。
我自己对金融风险特别敏感。
工具越强，犯错的速度也越快。
没有规则和风控，AI 只会让错误更快执行。
06｜第六点：医药可能迎来最大变化
视频第六个点讲医药。
这里的信息非常冲击。
视频提到，Google DeepMind 的 Demis Hassabis 曾经表达过一个判断：
绝大多数疾病，可能在未来十年内被治愈。
这个说法非常激进。
我不会把它理解成“十年内所有病都能轻松解决”。
但医药确实是 AI 最可能产生巨大影响的领域之一。
为什么？
因为药物研发本质上是在巨大空间里找答案。
靶点发现。
分子设计。
候选筛选。
毒性预测。
成药性优化。
临床前实验。
临床方案设计。
实验结果分析。
过去这些事情需要大量科学家、实验室、时间和资金。
AI 进入以后，可以把很多环节连接起来。
视频里提到，RSI 以后，AI 不只是辅助科学家筛选药物，而是可能参与从靶点发现、分子设计、成药性优化到临床方案设计的全流程。
这句话要重点看。
因为它讲的不是单点效率提升。
不是“AI 帮我筛一批分子”。
而是整个研发闭环变短：
提出假设。
生成候选分子。
模拟筛选。
预测性质。
优化结构。
设计实验。
分析结果。
进入下一轮。
如果这个循环从几个月压缩到几天，甚至更短，医药研发的速度会被重写。
视频还提到，AI 可以同时研究数百万种疾病和药物组合。
这一点很关键。
人类科学家的优势是判断、创造力、经验、伦理和责任。
但在大规模搜索、并行试错、文献吸收、数据模式发现上，人类很难和 AI 比。
所以医药领域最值得期待的，不是 AI 明天发明神药。
而是它让研发闭环变短，让试错成本下降，让过去做不起、来不及做、没人能同时做的组合被系统性探索。
07｜这可能是一次和过去完全不同的技术革命
视频最后提到一个很重要的表达：
以前所有技术革命，都是人类发明工具，然后用工具改造世界。
但这一次不一样。
这一次，我们发明的工具，正在自己发明更好的工具。
这句话是整条视频的核心。
蒸汽机、电力、计算机、互联网、智能手机，都是人类发明工具。
工具很强，但工具本身不会主动发明下一代工具。
AI 不一样。
如果 AI 开始参与代码、模型、实验、训练、评估、药物、金融策略、企业流程的改进，那么它就不只是工具。
它开始成为生产力系统里的一部分。
甚至成为改进生产力系统的那部分能力。
视频里还提到霍金的观点：
人工智能可能是人类最后一项发明。
这句话听起来很重。
但如果从 RSI 的角度看，它不是纯粹的恐吓。
它表达的是：
当一个工具拥有改进工具的能力，人类和工具的关系会发生根本变化。
08｜我的判断：不要只把它看成恐慌视频
这条视频的表达方式很短视频化。
有些说法很激进。
比如几小时从 AGI 到 ASI。
比如人类完全来不及反应。
比如金融市场里人类没有入场资格。
这些话容易制造焦虑。
但我不建议因为它夸张，就把它全部忽略。
真正应该抓住的是三个层次。
第一，AI 已经从内容生成，进入任务执行。
第二，AI 正在进入研发、实验、金融、医药等复杂工作流。
第三，AI 未来可能进入改进这些工作流本身的阶段。
第三层才是最重要的。
普通人现在还在讨论 AI 能不能写文章。
公司老板还在讨论 AI 能不能替代客服。
但真正的变化，是 AI 能不能让一个组织每天都比昨天更聪明。
它能不能把客户反馈变成产品改进。
它能不能把销售过程变成话术迭代。
它能不能把代码报错变成工具改进。
它能不能把实验结果变成下一轮实验设计。
它能不能把一次失败变成系统里的经验。
如果可以，这就是普通公司的“小型 RSI”。
不一定是 AI 自己造 AI。
但它是业务系统自己改进业务系统。
09｜对普通公司和个人来说，应该怎么理解？
我觉得普通公司不用一上来就谈 AGI、ASI、智能爆炸。
那太远，也太容易空。
更现实的问题是：
你的公司有没有把经验沉淀进系统？
你的员工每天重复做的事，有没有被 AI 拆出来？
你的客户反馈，有没有回到产品和销售流程？
你的失败案例，有没有变成下一次的判断标准？
你的业务数据，有没有帮助团队越做越快？
如果没有，那 AI 对你来说只是聊天工具。
如果有，AI 才可能变成业务复利。
外贸也是一样。
AI 不是简单写英文邮件。
而是把客户、产品、报价、跟进、复购、丢单原因、国家市场差异、业务员经验，全部沉淀成一个可以持续优化的系统。
当系统越来越懂业务，人员就可以更少，效率却可以更高。
这才是我现在真正看重 AI 的地方。
不是它能写一篇文章。
不是它能做一个图片。
不是它能回答一个问题。
而是它能不能参与一个系统的持续改进。
10｜最后说一句
这条视频真正值得看的，不是“AI 要吓死人”。
而是它提醒我们：
AI 的变化可能不是线性的。
当 AI 开始参与改进 AI，参与改进软件，参与改进金融策略，参与改进药物研发，参与改进企业流程时，很多行业都会出现指数级变化。
指数级变化最残酷的地方是：
一开始你觉得它没什么。
等你看懂的时候，它可能已经跑远了。
所以我不会把这条视频当成简单的恐慌内容。
我更愿意把它当成一个信号：
AI 时代真正的竞争，不是会不会使用某个工具。
而是谁能最早建立自我改进的系统。
参考资料：