AI员工越强，研发越快？先算这两笔账
AI越来越聪明，公司的研发和产品迭代就会持续提速吗？

两篇9月预印本论文，把这个问题拆成了两笔账：《The Economics of Recursive Self-Improvement》研究能力提升怎样反馈到研发；《Agentic Economies for Autonomous Scientific Discovery》讨论预算、数据、实验与贡献如何分配。

① 能帮忙研发，不等于持续加速。
更好的算法→更强的AI→新的算法改进，确实能形成反馈。但每一步都可能被人、实验算力、数据和验证卡住。增加预算带来的提速，也不能直接证明系统已经能够自持续加速。

② 局部快，不代表整体同样快。
论文区分擅长优化算法的“窄能力”和创造经济价值的“广能力”。类比产品开发：假设编码5天、验证发布5天，编码提速5倍，总周期只是10天变6天。需求、验收和客户采用还在另一条线上。

③ 约9%与约15%，是什么数字？
RSI论文粗估：每增加1单位ECI能力，研发响应约9%；其模型校准的临界值约15%。前者把自报约4倍工程提效与16点能力进步粗配，后者依赖多项模型假设。它们不是通用门槛，更不是准确率提高1%的收益。

④ 多跑Agent，收益会递减。
论文引用NanoGPT优化实验：部分模型较早找到改进，之后继续花钱，收益趋缓。图中Agent成本含推理和GPU实验，人类基线主要计人力；单次轨迹不能外推所有研发，更不能排除人机协作的价值。

⑤ 管理对象，是整套稀缺资源。
科研经济论文提出：想法先评估，再撮合验证资源；数据可以按查询或受控分析获取；成功成果要独立复现，失败也要保存条件与证据。同时保留长期探索预算，避免所有Agent只追逐短期好看的结果。

对于很多公司而言，可能需要做到每个任务设预算、期限和验收条件，分阶段追加投入；把模型、工具、数据和人工复核一起计入成本。

看新增预算换来了多少可验收产出，以及总交付周期是否缩短。

AIAgent AI创业 多智能体 研发效率