從晶片設計到遞迴自我改進：AI加速週期的真實邊界在哪裡

哲學家 Toby Ord 最近發表的論文，替「AI無限遞迴自我改進」這個矽谷流行敘事，打了一個有理論依據的問號。論點的核心是「世代時間」（generation time）：一個AI系統走完一輪自我改進循環——從幫忙設計、訓練到產出下一代系統——需要多長時間。Ord 的結論是，這個時間無法壓縮至零。真實世界的實驗需要時間、訓練跑程需要時間、製造新晶片需要時間；再往底層走，光速限制了通訊速度，Bekenstein bound 限制了有限空間可承載的資訊量，Landauer 原理則對不可逆運算課了一個能量稅。物理學本身就是遞迴加速的天花板。這不是技術悲觀論，而是說「無限加速」這件事在數學上雖然可以建模，在現實中卻永遠碰得到牆。對企業決策者而言，這個框架的意義是：AI能力仍在快速進步，但不會在某個時間點突然跑到人類完全失去掌控的速度——系統性風險是真實的，但「某年某月AI就會爆炸式脫韁」這類時間表大概站不住腳。

OpenAI 的自研晶片 Jalapeño 提供了一個具體的反例，說明AI加速確實在某些維度上發生。從首次招募到 tape-out（晶片設計定稿送製造），只花了約 16 個月。更關鍵的是，這顆晶片的設計過程本身大量借助 OpenAI 自家模型協助撰寫 kernels，並從晶片主要運算區塊削減了約 10% 的計算量。效能結果是：在每百萬瓦特 token 輸出（tokens per megawatt）的峰值效率指標上，Jalapeño 比同級輝達晶片快 1.5 至 1.9 倍。這件事的產業意義不只是 OpenAI 少買幾顆輝達 GPU：它確認了頂尖模型已經能壓縮晶片設計週期，讓有能力跑這條路的公司，比過去任何時候都更快拿到針對自身工作負載優化的硬體。晶片市場因此正在走向高度異質化——不再是少數幾個架構壟斷，而是推理、訓練、低延遲、低功耗各有各的最佳解法。Cerebras 的低延遲晶片跑 ChatGPT 快速回應模式，就是一個活生生的例子。輝達的相對主導地位可能因此受到侵蝕，但整體市場規模反而可能因為需求多元化而擴大。

另一條正在形成格局的趨勢，是開放權重模型（open-weight models）在企業端的滲透速度。Vercel 平台上，開放權重模型的 token 份額單日峰值達到 62%，兩個月前這個數字還是 28%。橋水（Bridgewater）與 Thinking Machines 合作，在專家標記資料上微調一個開放的 Qwen 模型，結果在內部資訊過濾任務上比所有測試過的封閉模型都準——錯誤率少了約 30%，推理成本只有封閉模型的十四分之一。Thomson Reuters 也採用 Qwen 為基底開發第一個內部自建模型，動機是降低成本。這幾個案例指向同一個邏輯：對有能力投入微調工程的企業，開放模型在特定任務上的性價比已經不輸前沿封閉模型。但這不代表 OpenAI 和 Anthropic 的商業版圖會立刻受衝擊——服務保證、可靠性、工具鏈品質，這些東西開放模型短期內補不齊。收入會不會從封閉轉向開放，目前還缺乏足夠的反事實數據，不容易下結論。手上有特定高頻工作負載、又有工程能力的企業，現在是認真評估這條路的時候了。