AI开始自己训自己了，钱呢？

AI训练AI，不再是PPT上的词了。

OpenAI官方博客近日发布《研究加速：OpenAI内部视角》，首次以内部数据的形式，公开了AI"递归式自我改进"（RSI）的进展——团队已经完成去年秋天定下的目标：在今年9月前，造出一个"自动化研究实习生"。几乎同一时间，全球最大的主权财富基金NBIM致函挪威财政部，建议把基准债券指数中政府债券的权重从70%砍到50%，削减的美债敞口接近800亿美元。

一边是技术路线图上钉死的 deadline，一边是真金白银在全球债市上的大腾挪。这两件事看起来八竿子打不着，但把它们放在一起看，你会看到AI下半场最真实的两个变量：算力，和钱。

🤖 从"实习生"到"研究员"，时间表已经钉在墙上

先定目标，再补能力，硅谷这一招越来越熟练。

先看OpenAI交出的答卷。所谓"自动化研究实习生"，指的是一个能够在人类指导下执行明确定义研究任务的系统——包括那些经验丰富的研究人员需要几天时间才能完成的任务。翻译一下：这不是聊天机器人，而是能真正分担研究工作的"数字同事"。

更重要的是下一站。OpenAI预计将在2028年3月前实现完整的"自动化AI研究员"，让它能够参与深度学习和对齐研究，并通过迭代进一步改进系统本身。换句话说，AI不只是干活，还要参与"造更好的AI"——这正是RSI的经典图景。

把OpenAI的时间线摊开看，节奏相当清晰：

• 2025年秋：OpenAI定下目标，2026年9月前造出"自动化研究实习生"
• 2026年初：内部研究人员对Agent的中位使用量仍处于较低水平
• 2026年8月中旬：研究人员已将Agent融入日常工作
• 2026年9月前："自动化研究实习生"目标达成
• 2026年8月：谷歌DeepMind将RSI确立为资本开支的核心投资逻辑
• 2027年1月：挪威专家委员会完整报告预计提交
• 2027年春：挪威财政部向议会提出最终建议
• 2028年3月前：OpenAI目标实现"自动化AI研究员"

注意一个细节：从"实习生"到"研究员"，OpenAI给自己留了大约一年半。这个时间跨度本身就是一个判断——从执行明确定义的任务，到自主参与前沿研究和系统迭代，中间隔着的不只是工程量，还有对齐、评估等一系列硬骨头。

产业逻辑也在这儿：RSI不再是一家公司的内部实验，而是正在变成头部实验室之间的军备竞赛。OpenAI团队Kevin Liu在社交平台X上转发该文时直言，RSI很可能是未来几年AI能力跃升的核心驱动力，但该技术目前只存在于少数头部AI实验室之中。

💸 每天烧7000美元Token：研究员的新"燃料费"

当Agent成为日常，Token账单就是新的水电煤。

OpenAI给了一组很能说明问题的内部数据：今年年初，公司内部研究人员对Agent的中位使用量还处于较低水平；到8月中旬，相关研究人员已经把Agent融入日常工作。

按照API公开价格换算，这个"日常"的代价是这样的：

600美元一天是什么概念？一个中位研究人员一个月光Token就要烧掉将近两万美元，这还只是一个人。90百分位的用户更夸张，一天的消耗就超过7000美元——而这家公司的研究人员数量是成百上千的。

这组数字背后有两层含义。第一层是显性的：Agent用法正在从"尝鲜"变成"依赖"，研究人员的工作流已经离不开它，这本身就是自动化渗透率的直接证据。第二层是隐性的：这套模式对成本结构极其敏感。Token消耗与推理算力直接挂钩，使用量指数级增长，推理侧的算力需求和现金流压力也会同步放大。

据多位接近头部实验室的人士观察，现在业界内部讨论RSI时，第一个问题往往不是"能不能做到"，而是"算力账算不算得过来"。这不是玩笑——它决定了这条路线的推进节奏，是逐年爬坡，还是被迫踩刹车。

⚠️ 新瓶颈不在代码里：算力与不可自动化的任务

自动化推进得越快，剩下的活儿反而越贵。

有意思的是，OpenAI自己在文中提示了一个反直觉的判断：随着自动化进程的推进，最不容易被自动化替代的研究任务，反而会占据研究人员更多时间，成为未来AI研发的新瓶颈。

逻辑不难理解。当一个自动化系统能包揽大量定义清晰的研究任务后，人类的角色会向上迁移——提出好问题、定义研究边界、判断结果可信度、处理对齐这类高度依赖人类价值判断的工作。这些任务无法批量自动化，于是人力会迅速成为新的稀缺资源。

而在其他瓶颈得到缓解后，OpenAI明确指出，算力的重要性会进一步凸显。这句话值得反复咀嚼：它意味着训练侧的算力竞赛没有终点，推理侧的消耗还会因为Agent的日常化而持续膨胀。

用一张图看RSI的自我强化回路，以及它为什么会撞上算力这堵墙：

这条路线也并非OpenAI独家的豪赌。就在上个月，谷歌DeepMind首席战略官Jasjeet Sekhon表示，尽管RSI技术远未成熟，但目前AI企业已能用模型辅助设计其他模型的部分组件，这可被视为递归自我进化的"前兆"——DeepMind正把RSI当作AI资本开支的核心投资逻辑来讲。Anthropic同样在将越来越多的AI开发工作交给AI完成。

换句话说，三大头部实验室已经形成了事实上的共识：谁先把"AI训练AI"跑通，谁就掌握了能力跃升的复利曲线。而Kevin Liu在呼吁其他AI企业采取同样公开举措时还补了一句：信息透明的重要性空前凸显，这能够帮助社会公众充分讨论我们应当以何种节奏推进模型研发、是否需要对其加以约束。技术加速与节奏治理的张力，已经摆上台面。

🏦 800亿美元的转场：全球最大主权基金要卖美债了

当硅谷在讲AI的故事时，债市在讲另一个故事。

镜头转向地球另一端。据英国《金融时报》报道，全球规模最大的主权财富基金——挪威政府全球养老基金的管理机构NBIM，周二致函挪威财政部，建议将基准债券指数中政府债券的权重从70%下调至50%。这一调整将使该基金削减约1060亿美元的全球政府债券敞口，其中大部分来自美国国债，规模接近800亿美元。

这不是小打小闹。挪威政府全球养老基金资产规模逾2.3万亿美元，资金来源于挪威石油销售收入，投资于海外市场。它的每一次基准调整，都会被全球固收市场拿放大镜看。

NBIM的调仓方案拆开看，指向非常明确：

减持释放出的资金，主要转向抵押支持证券（MBS）等风险溢价更高的固定收益产品。NBIM的理由写得很直白：调整后政府债券50%的占比"足以覆盖流动性需求，包括金融市场动荡时期"，而债券指数的其余部分则应"提供更多风险溢价来源的敞口"。

更值得玩味的是时机。此次提议发生在美国与伊朗冲突加剧通胀忧虑、全球债券市场今年持续抛售的背景下。美国国债收益率目前处于多年高位，美国财政部长Scott Bessent今夏已多次干预国债市场，但收益率仍居高不下。连全球最大的主权基金都开始觉得，持有美债的风险回报不够划算了——它宁可要房利美、房地美、吉利美等政府机构担保、信用质量"接近于美国政府债券"但收益率略高的MBS，也要从国债本身挪出去一块。

当然，落地还需要时间。这封信由挪威银行行长Ida Wolden Bache与NBIM首席执行官Nicolai Tangen联署，完整报告预计明年1月提交，挪威财政部将于2027年春季向议会提出最终建议。别忘了，今年4月挪威财政部长Jens Stoltenberg还公开表示，该基金"没有减少美国敞口的计划"。半年之内，机构层面的态度已经从"不动"变成了"主动提议大调"。这个转变本身，就是全球债市风向最好的注脚。

🔗 合流点：AI资本开支的钱，正撞上债市的变局

技术需要钱续命，而钱的成本正在重定价。

现在把两条线拧在一起看。

OpenAI的RSI路线图，本质上是一个不断加码的资本开支故事。Agent日常化意味着推理算力需求持续膨胀，"自动化AI研究员"意味着更大的训练集群，DeepMind干脆把RSI直接说成资本开支的核心投资逻辑。AI行业的钱，正以前所未有的规模流向算力和基础设施。

而NBIM的调仓提议，讲的是同一枚硬币的另一面：全球无风险资产的定价正在松动。通胀忧虑叠加债市持续抛售，美债收益率多年高位、财政部多次干预仍居高不下——这意味着两件事同时发生：一是安全资产的吸引力在下降，二是全社会的融资成本基准在抬升。

对AI行业来说，这两个信号合在一起并不轻松。训练和推理的算力开支是长周期、重资产的投入，其可行性高度依赖长期的资金供给和相对温和的融资成本。当最大的长期机构投资者都开始在政府债券上做风险溢价的腾挪，整个资本市场的风险偏好和贴现率，都会随之重估。用一张图串起这个传导链：

有意思的是，NBIM刻意强调美元敞口基本不变、只降0.5个百分点——它要调的是资产类别结构，而不是赌美元崩盘。这种精细化的再平衡，恰恰说明机构的判断是：问题不在某一种货币，而在于"无风险资产"这个概念本身需要重新定价。

回头看OpenAI那句"其他瓶颈缓解后，算力的重要性会进一步凸显"，其实还有一层潜台词没说破：算力问题的本质，从来不只是芯片，而是持续为芯片及其配套基础设施买单的能力。当技术路线图越来越激进，钱的路线图就必须跟得上。

小结

OpenAI把"自动化AI研究员"的截止日期写在了2028年3月，DeepMind和Anthropic押注同一条RSI曲线，Agent的Token账单正以每天600到7000美元的速度滚动。与此同时，2.3万亿美元的挪威主权基金正酝酿着对美债的800亿美元减仓。技术加速与资本重定价，正在同一个时间窗口内发生。未来两年值得盯住三个指标：Token单价的走势、算力资本开支的实际落地节奏，以及2027年挪威财政部向议会提交的最终建议——它们会分别告诉我们，AI训练AI这件事，技术上走到哪了，商业上算得过来吗，钱还跟不跟得上。答案揭晓之前，热潮与瓶颈同在，谁也不许急着下结论。