Deep|LLM: RSI是最重要的变量，算力是最深的壁垒

摘要

2026年7月，AI交易经历了本轮周期最猛烈的一次回调：半导体板块创下2002年以来最差单月表现，AI相关股票市值蒸发超过一万亿美元。市场的担忧可以概括为：coding是一个难以复制的特例，AI在企业场景的落地远慢于预期，而支撑数千亿美元资本开支的"下一个coding"迟迟没有出现。

本报告认为，这场辩论问错了问题。市场在用应用视角审视AI——寻找下一个杀手场景、计算当前收入能否覆盖资本开支——但产业真正的主线是AGI，通往AGI的核心机制则是RSI（Recursive Self-Improvement，递归自我改进）。理解这条主线的合适方式，是一条逐级兑现的能力阶梯：coding能力已兑现为今年上半年的收入爆发；下一级是持续学习（continual learning），让模型在部署中像员工一样积累知识，与FDE等部署机制结合后，将解锁企业落地的主要空间；最上层是完整的RSI，模型参与并加速对自身的改进，决定终局的竞争格局。每上一级台阶，都直接兑现为新的商业空间；而各级台阶的进展都在推进，部分环节还在加速。

我们提出三个命题。

第一，市场担忧的"context问题"是能力问题，不是场景问题​——它正是持续学习要解决的对象。当模型能像员工一样在组织中积累隐性知识，"寻找下一个coding场景"的问题将随之消解：企业场景被逐步解锁，TAM的参照系从千亿美元级的软件预算转向数十万亿美元级的劳动力市场。

第二，RSI的早期信号已经可以观测。​模型迭代从按年变为按月：GPT-5.5从预训练结束到发布只用了约一个月；OpenAI在GPT-5.6上线仅三周后宣布最高80%的降价，而历史上降价通常需要数月的推理优化周期；实验室的代码已基本由模型编写，AI对研发的提速效应半年内从5%升至15–20%。