RSI 还没来，中美差距 6 到 8 个月

两个都不太确定的人，坐下来把各自的「不确定」摊开对了一遍。这比任何一方给出确定答案都有用。

话题是三个当下最容易被讲成口号的东西：递归自我改进、中美模型差距、能力发展的锯齿状。

一、发生了什么

Interconnects 的主持人 Nathan Lambert 请来了 Epoch AI 的高级研究员 Jean-Stanislas Denain。他在 Epoch 带 Insights 团队，长期做算力、模型能力和产业数据的追踪。节目约 65 分钟，分九节，页面附了完整文字稿。

关于递归自我改进，Denain 的立场是「值得追踪，但公开证据不够」。他看了 OpenAI 和 Anthropic 的相关博客，认为它们不足以证明一个能自我维持的加速循环正在形成。最抓眼的数据是 OpenAI 内部研究人员使用 Codex 的支出每月翻倍；但他提醒，其他部门的支出在春季激增后于夏季趋于平台，只有研究、数据、工程这几类岗位还在加速。这可能只是统计口径造成的假象——只算了 Codex，没算此前就在用的 ChatGPT。

他还拆了「10 倍」这个说法。从想法到实验验证的循环也许能快 10 倍，但不等于研究者的净产出快 10 倍，更不等于公司产出快 10 倍，因为算力、设备、评审都是串行的。他打了个比方：一个博士生可能效率提升 10 倍，导师的研究议程不会因此快 10 倍。

关于中美差距，他给的口径是「公开发布到公开发布」约 6 到 8 个月；把口径差异算进去，4 到 8 个月是合理区间，他不认可「2 个月」的说法，认为那是过拟合。如果蒸馏被有效阻断，6 到 12 个月后差距可能从 6 个月扩大到 8 到 9 个月。他明确说，自己上调了对「蒸馏是重要因素」的评估，理由包括推理轨迹可被提取的研究，以及真实场景里出现的路由型滥用。

关于锯齿状，两人的共识是能力分布极不均匀。数学是最典型的尖峰，因为答案可证伪；越难验证的领域，进步越慢。Denain 提出可以用 Epoch 能力指数的斜率是否在一年内加速 5 倍作为观察指标，Lambert 则担心这会变成「越容易量化的东西越被拉高」。

二、跟你有什么关系

做技术规划的。 「能力每年翻几倍」是个方便的口号，但落到你的业务上，瓶颈通常在数据、流程和审批，不在模型。

看中美模型的。 6 到 8 个月是发布口径，不是内部口径。看到「追平」或「落后三年」的说法，先问它比的是哪个版本、哪项评测。

做 agent 产品的。 可验证的任务先落地。数学、代码、结构化数据有天然裁判；开放式判断没有，别用同一套预期。

三、怎么判断 RSI 是不是真的来了

1. 看加速是否出现在研究环节，而不只是写代码。 代码产出翻倍很容易，研究议程提速很难。前者是工具，后者才是循环。
2. 看瓶颈有没有转移。 如果算力、实验设备、评审仍然是硬约束，自我改进就会被卡在循环外面。
3. 看指标有没有被单一化。 只盯一个指数，很快就会被优化。要同时看能力、成本、部署速度和实际采用率。
4. 看差距的口径。 问清楚是发布对发布、内部对内部，还是最强模型对最强开源。三个答案能差出一倍。
5. 看它在哪些领域失灵。 锯齿不是噪声，是信号。尖峰之外的地方，才是真实水平。

四、三个别信的说法

「代码支出每月翻倍，说明 RSI 开始了。」 这是使用量的增长，不是能力的自循环。同一个工具被更多人用，账单也会翻倍。Denain 特意指出其他部门已经平台化，说明增长并不均匀。

「中美只差两个月。」 这个数字来自特定榜单的特定口径。Denain 给的是 4 到 8 个月，中位数 6 到 8 个月，并认为「2 个月」是过拟合的结果。

「能力到了，机器人两三年就能铺开。」 两位都不信。Denain 认为 2 到 5 年太粗略，Lambert 认为机器人更像自动驾驶的曲线，需要数十年。软件的快，不等于物理世界的快。

五、一句话结论

真正值得盯的不是「奇点哪天到」，而是加速有没有越过研究环节、差距用的是哪个口径、以及能力在哪些地方仍然是断的。

信息来源

• Debating RSI, the US-China Gap, and Jaggedness with JS Denain of Epoch AI，Interconnects，发布日期未标注（文中提及 2026 年 6 月的招聘分析）

功能与价格以官方公告为准。本文写于 2026 年 10 月 19 日。