TREE NEWS 报道， OpenAI联合创始人John Schulman与研究员Charlie O’Neill、Beren Millidge在访谈中指出，递归自我改进（RSI）未必在短期内引发智能爆炸，当前“Transformer+强化学习”范式可能在泛化、持续学习与样本效率上遭遇渐近瓶颈。他们认为，大模型进步正从单纯算力扩展转向数据效率与稀疏、模块化架构，蒸馏与基于真实部署数据的持续学习将成为中小实验室对抗头部模型垄断的重要路径。
OpenAI联创：递归自我改进存重大技术不确定性
AI 解读
这番判断把讨论从“智能爆炸”拉回到工程瓶颈：泛化、持续学习与样本效率的渐近限制，意味着算力堆叠的边际收益可能递减。受影响最大的是依赖规模优势的头部实验室，而蒸馏与真实部署数据的持续学习被点名为中小实验室的可行路径，这实际上是在重新分配竞争筹码。值得观察的是，稀疏与模块化架构能否成为主流范式，以及部署数据是否真能转化为可持续的能力差距缩小。
由 AI 生成，仅供参考。