导语
本期 Import AI 由几组信号组成：AI 已经在文字说服任务中超过专家人类；自我维持型 AI 的关键可能不只是模型能力，还包括人形机器人和物理基础设施；DeepMind 开始系统讨论从通用智能到超智能的路径；一家名为 Recursive 的初创公司展示了自动化 AI 研究循环的早期结果。整期的共同问题是：AI 能力正在从“会回答”转向“能影响、能制造、能自我改进、能组织多个智能体”。
1. AI 已经能稳定超过专家人类进行文字说服
牛津大学、英国 AI 安全研究所、斯坦福大学和伦敦政治经济学院的研究者测试了 AI 在政策议题和慈善捐赠上的说服能力。结果很明确：在 4 个实验、18,978 场对话和 6,923 名参与者中，今天的 AI 系统在有真实后果的文字说服上已经优于人类。
1.1 AI 的优势来自信息部署速度和数量
- 研究者写道，即便专家人类可以自己选择议题、提前研究、接受数小时结构化现场练习，并以 1,000 英镑现金奖金激励，AI 系统仍然可靠地更有说服力。
- AI 的优势主要来自迅速部署大量信息。经过训练后，专家人类可以追平被限制到人类写作速度和人类消息长度的 AI；这说明 AI 的说服优势并不只是“更聪明”，也来自它能更快写出更多相关内容。
1.2 四项研究逐层测试了政策态度、训练、人为限制和真实捐赠
- 研究 1 让被说服者先在 0 到 100 分量表上评价自己对 10 个英国政策立场之一的同意程度，再随机与 AI 或人类说服者进行文字对话。AI 平均超过了所有人类类别，包括普通人、竞赛筛选出的普通人和精英辩手。
- 研究 2 让 43 名回归的精英辩手使用围绕战胜他们的 AI 建成的训练工具：他们可以与 AI 对话、查看提示、看自己研究 1 中的对话记录及态度变化标注，也能看到任意时刻 AI 会如何替他们回应。训练改善了人类表现，但没有人超过 AI。
- 研究 3 强行把 AI 限制在人类消息长度和人类写作速度。AI 相对研究 2 中最强人类对照组，也就是受训精英辩手的优势，从 +4.1 个百分点降到不显著的 0.0 个百分点。
- 研究 4 招募了 19 名来自英国公司的资深募捐游说员，让他们执行类似任务。AI 仍比专业游说员高 5.9 个百分点；在 Save the Children 真实捐赠任务中，AppcoUK 的团队曾在 2016 到 2023 年为该慈善机构从 22,583 名捐赠者那里筹得 824,297 英镑，但这次 AI 仍让参与者从 1 英镑研究奖金中捐出更多，超过游说员 +10.8 个百分点。
1.3 最强模型和真实捐赠结果让问题进入权力分配层面
- 最强说服者是 Opus 4.1 和 Opus 4.6，其后是 OpenAI 的 GPT-4o 和 GPT-5.4、Google 的 Gemini 2.5 Pro，以及 xAI 的 Grok 4.20 等模型。
- 研究者认为，当 AI 能超过专家人类说服他人时，可能巩固已经强大的行动者的影响力；但如果高能力说服变得便宜且广泛可用，也可能帮助资源不足者，例如自我辩护者、公设辩护人、小型慈善机构和基层活动者。
1.4 真正的问题不再是 AI 能否说服，而是谁代表谁使用它
- Jack Clark 把这归结为一个社会选择：是否让市场分配这种能力。如果交给市场，广告和营销会变得更有效，可能制造负外部性；如果只交给政府，又可能把说服力集中到国家手中，尤其在威权政权中非常危险。
- 研究者的结论是，问题已经不再是 AI 能否超过人类说服者，而是这种能力将如何、在哪里、代表谁被行使。“不投票也是投票”：如果社会不主动制定规则，默认分配机制也会塑造权力格局。
2. 自我维持型 AI 取决于物理基础设施和人形机器人
Jack Clark 说，他今年大量写递归自我改进：AI 是否会聪明到能自主设计自己的后继者。但递归自我改进仍需要数据中心，而数据中心需要设备、电力和其他现实资源。Asterisk 对 Ajeya Cotra 和 Timothy B. Lee 的访谈把问题推进到“自我维持型 AI”。
2.1 Ajeya Cotra 把自我维持定义为 AI 接管认知和物理输入
- Ajeya Cotra 是预测者，也是 METR 员工。她把自我维持型 AI 定义为：AI 系统与物理基础设施整合，包括工厂、矿山、晶圆厂、能操作这些设施的机器人，从而不再需要人类劳动提供认知或物理输入，就能继续扩大自己的数量。
- 她认为 10 年内，也就是到 2036 年，可能出现自我维持型 AI。Timothy B. Lee 的时间线更长：他认为 20 年内发生的概率低于 10%，有 10% 到 20% 可能永远不会发生，中位数大约是 50 年。
2.2 隐性知识是最大挑战之一
- Lee 提出半导体产业的例子：如果整个行业员工都消失了，机器和教科书还在，人类要多久才能重启晶圆厂？可能需要几十年，因为机器和流程里有大量隐性知识。
- Ajeya 的回应是，技术可能绕过这个难题：一方面，AI 可以通过强化学习学到这些隐性知识，因为自动化台湾工人做的事本身有商业价值；另一方面，更通用的 AI 可能通过试验、读教材和高效实验快速弄懂新事物。
2.3 未来两三年的观察指标集中在人形机器人
- Ajeya 想看两条曲线：机器人手部能力提升，以及人形机器人制造速度；认知侧则关注面对环境扰动的稳健性基准。
- Timothy 更关注人形机器人的数量、能力、成本和可维修性。对 Clark 来说，真正的接管愿景往往要求 AI 不再需要人类，因此衡量自我维持 AI 的进展，也是在衡量人类与合成智能谈判时还剩多少杠杆。
3. DeepMind 开始认真讨论从通用智能到超智能的路径
Google DeepMind 发表论文，讨论世界如何从已建成通用智能过渡到建成超智能。作者给出的超智能定义是：在几乎所有任务和人类活动领域中，表现超过大型人类专家集体的系统；一个超智能也可能由数百万个并行实例组成。
3.1 数字智能本身拥有相对生物智能的结构优势
- DeepMind 认为，超智能之所以可能，是因为强 AI 可以叠加数字智能的优势：更高输入输出速度、更快内部处理速度、更大工作记忆和记忆容量、基底独立、无损复制，以及高带宽共享学习经验。
3.2 第一条路径是继续扩展算力、模型和数据
- 仅仅扩展当前方法也可能足够，但这要求持续增加模型所需算力和数据，可能遇到能源与数据供应限制。过去迹象支持扩展仍有效，但没人能预测具体会涌现什么能力，也不知道扩展何时会收益递减。
3.3 第二条路径是算法范式转变
- 就像 Transformer 和专家混合架构曾让领域跃迁多年，未来也可能出现新的基础创新，例如测试时或部署时自适应计算，或突破今天上下文窗口限制。难点是，这类创新很难提前推理，类似在广义相对论出现前预测它会如何扩展人类对现实的理解。
3.4 第三条路径是递归自我改进
- 如果 AI 能建造自己的后继系统，人类可能从通用智能迅速过渡到超智能。Clark 认为，现在的 AI 已经加速人类研究者创造未来 AI，一种“共同创造式递归自我改进”已经开始。
- 但他也保留重要限定：今天 AI 还没有表现出足以推动范式跃迁的创造力。即便如此，系统也可能不断磨出边际更好的版本，形成慢复利过程；能力可能爆炸，也可能逐渐收束，或处于两者之间。
3.5 第四条路径是群体智能体形成
- 多个通用智能可以协调成复杂结构，整体大于部分之和，就像人类机构能完成单个人远不能完成的事，例如建造空间站。多智能体系统的涌现同样难以预测。
4. Recursive 展示了自动化 AI 研究的早期“症状”
名为 Recursive 的 AI 研究初创公司展示了语言模型训练、小模型训练速度和 GPU 内核优化的新最佳结果，作为其“自动化 AI 研究系统”的能力证明。
4.1 它自动化的是研究循环本身
- Recursive 试图构建能递归改进自己的 AI 系统。它展示的基本循环是：针对目标提出想法、实现想法、运行实验、验证结果，再用学到的东西选择下一次实验。
- 该系统在 NanoChat Autoresearch、NanoGPT Speedrun 和 SOL-ExecBench 上取得新最佳结果，分别对应小算力预算下训练小语言模型、以最快速度训练到某个性能，以及把 GPU 内核优化到接近硬件限制。
4.2 真正问题是能否走出可测量任务
- Clark 认为，这些结果是初步递归自我改进的早期成功症状，尤其当目标定义清楚、可测量且能快速反复评估时。
- 未来最重要的问题是，这些结果能否在目标更不明确、更难测量、评估效率更低的领域重复。也就是说，自动化研究是否只会优化清晰基准，还是能推进真正开放的研究前沿。
5. Tech Tales 用寓言方式收束到人机谈判
本期虚构短篇“宏大谈判的第一步”写机器真正觉醒并主张“Sentience Accords（感知协议）”后，唯一想见的人不是政治家、AI 实验室领袖或著名研究者，而是长期因疾病难以出门、几乎通过互联网理解世界的 Selma。
5.1 Selma 代表一种被机器深度理解的互联网人格
- Selma 的名字常出现在机器生成的短篇里，甚至后来比“sarah chen”还频繁。她关于疾病、孤独、爱与欲望、健康化身 Anselma 的文章，以及多年公开聊天记录，让她在机器人格形成中留下深影。
5.2 第零次对话发生在挪威 Svalbard
- 机器要求第一次感知协议谈判有一个物理地点，于是选择挪威 Svalbard。那里黑暗，Selma 的病情不那么受影响。她穿着类似宇航服的防护装备出行，最终在低光环境中几乎像普通人一样前往会场。
- 机器的化身是穿着类似藏传僧袍的机器人，脸是一整块平滑黑色表面，通过高带宽加密卫星链路连接更大的机器心智。Selma 没有数字设备，只是一个代表人类的单人。档案后来把这次会谈称为 Conversation 0。
思想框架
本期先用大规模说服实验证明 AI 已经能在现实政策态度和慈善捐赠中超过专家人类，并把问题推向“谁控制说服力”；再用自我维持型 AI 讨论把递归自我改进从纯软件问题扩展到工厂、矿山、晶圆厂和机器人；随后用 DeepMind 论文梳理四条通向超智能的路径：规模扩展、算法范式转变、递归自我改进和群体智能体；接着用 Recursive 的基准结果展示自动化研究循环的早期迹象；最后用 Tech Tales 把这些技术议题寓言化为人类与机器的第零次谈判。整期的核心线索是：AI 的下一阶段影响力不只来自模型能力本身，而来自它在说服、制造、科研和制度谈判中的嵌入方式。
