AI开始造AI，航天坐得住吗？

9月2日是个有意思的日子。

“时间设定说明：本文所有事件均设定于2026年9月2日前后；文中涉及的日期、模型版本（Gemini 3.8 Flash、GPT-5.6 Sol、Grok 4.6、Astra等）均以该时间点为基准，请读者据此理解文中的“过去”“去年”“未来12个月”等表述。

这一天，谷歌正式发布Gemini 3.8 Flash；同一天，The Information曝出OpenAI新模型Astra的技术细节；再往前，SSI宣布未来12个月算力扩张10倍。三条线索指向同一个方向：AI不只要服务用户，也开始参与训练、评估和优化下一代AI。

而几乎在同一时间窗口，加州一座14.2平方公里的小城El Segundo，挤满了造无人机的、造小型核反应堆的、在太空里造药的公司，硅谷顶级基金坐直升机过去抢项目。

这两条线索看似不相干。但在一个研发闭环正在被模型接管的时代，它们的交汇处，才是产业界真正该盯住的地方。

📈 谷歌把话说得很直白

先看最直白的一家。

Gemini 3.8 Flash是谷歌六周内推出的第三款Flash模型。这个节奏本身就是信号——按过去旗舰模型一年一发的行业惯例，六周三发意味着研发流程内部已经出现了某种加速机制。

数据摆在这里：在独立测评机构Artificial Analysis的高推理模式下，3.8 Flash智能指数达到59分，接近GPT-5.6 Sol和Grok 4.6等顶级旗舰模型；单任务成本仅0.58美元，输入价格0.75美元/百万Token。一款Flash定位的中端产品，摸到了旗舰的门槛。

但真正值得逐字读的，是DeepMind研究员姚顺宇对这款模型的定性：对模型而言，这只是迈出了一小步；但对于RSI来说，这是一次巨大飞跃。

RSI，Recursive Self-Improvement，递归自我改进。它不是模型突然有了自我意识，而是一个非常工程化的描述：让模型参与模型研发的更多环节——生成算法、编写代码、设计实验、调用训练工具、评估结果、修复错误，并把有效经验反馈给下一轮研发。

谷歌的内部备忘录写得更直白：目标是逼出递归自我进化，把编程模型硬生生改造成全自动AI研究员，彻底打通整个研发闭环。为此组建了由DeepMind CTO领导、联合创始人谢尔盖·布林直接监督的代码突击队，并从OpenAI挖来后训练负责人Barret Zoph出任研究副总裁，主管强化学习和后训练方向。

3.8 Flash的核心升级正是这套战略的产品化：模型被设计为在复杂任务上执行更多推理步骤、反复调用工具，通过长时间运行的智能体循环对自身结果进行评估和优化。翻译成工程语言——模型开始承担规划、执行、检查、修复的完整流程。

这个闭环值得画出来看：

`

生成算法

→ 编写代码

→ 设计实验

→ 调用训练工具执行训练

→ 评估结果

→ 修复错误

→ 有效经验反馈至下一轮研发（回到起点，循环加速）

`

产业判断只有一句话：当研发流程本身成为模型的产品交付物，模型迭代的节奏就不再由人类工程师的数量决定，而由算力和闭环速度决定。这就是SSI敢宣布算力一年扩张10倍的底层逻辑——不是军备竞赛的虚荣，是闭环转速的直接投入。

💡 Astra：一个十年前的旧想法

第二个信号来自OpenAI。

据The Information 9月2日报道，即将推出的新模型Astra在性能上可能带来自GPT-4以来最大的一次飞跃。部分研究人员认为，它在编码和计算机使用能力上的提升，可能堪比2023年GPT-4发布时的跨越式进步，远超2025年夏天GPT-5上线时相对平稳的市场反应。

技术上，Astra的核心与循环深度（recurrent depth）和循环变换器（loop transformers）密切相关：把问题反复传递至模型数学运算的各个层中处理，再生成答案的下一个词。效果是——在不显著增加参数规模的情况下，展现出远超自身体量的推理能力，相当于一个规模大得多的模型。

有意思的是，这个想法并不新。AI研究先驱Jürgen Schmidhuber在社交平台上指出，循环深度的核心思路实质上早已见于他2015年的论文《On Learning to Think》（arXiv:1511.09249）——论文中的控制网络本质上是一个提示工程师，通过学习查询独立的神经世界模型来调度思考过程。

十年前的论文，十年后的产品。这条时间线值得一看：

`

2015年 Schmidhuber发表循环思考论文《On Learning to Think》

2023年 GPT-4发布，带来性能飞跃

2025年夏 GPT-5上线，市场反应相对平稳

2026年9月2日 谷歌发布Gemini 3.8 Flash

2026年9月2日 The Information曝光Astra技术细节

`

这里有一个对产业从业者很熟悉的模式：突破往往不是发明新原理，而是把老原理放到新的算力和工程条件下重新做一遍。这在运载火箭上发生过——重复使用不是新想法，是工程条件成熟后才成立的商业逻辑；现在同样的剧本在模型架构上重演。当参数规模竞赛的边际收益递减，架构层面的循环深度就成了用计算时间换模型规模的路径。这对数据中心的建设逻辑是利好：单位参数的算力需求可能下降，但单任务的推理深度和时长会显著上升，算力总盘子的需求曲线未必变平。

⚠️ 闭环的代价，两笔账都得算

金句是：每一个加速研发的机制，都会同时加速问题的暴露。

Astra的技术突破附带一个不容忽视的隐患：新技术允许模型在不完整输出思维链的情况下完成深度推理。这意味着研究人员可能无法像以往那样有效监控模型的推理过程，现有的安全审查机制会被削弱。据报道称，OpenAI正采取措施确保Astra的思维链仍保持可见，但业界对这一权衡的长期走向仍存在分歧。

这个场景很具体：过去，研究人员可以通过阅读思维链来理解模型为什么给出某个答案；现在，黑盒又厚了一层。当模型开始参与评估模型——也就是RSI闭环转起来之后，评估者与被评估者的边界会进一步模糊。这不是科幻叙事，是工程质量控制的基本问题：你无法长期审计一个你观察不到内部状态的系统。

第二笔账是资本端的。当前全球数据中心的大规模建设，底层逻辑正是押注AI能力的持续提升将带动生产力增长，进而转化为更高的商业收益。Astra若达到预期，会为这一投资逻辑提供支撑；反之，如果RSI叙事先行、性能兑现滞后，前期沉淀的算力资产就会承受压力。前沿实验室的每一次发布，本质上都是在为全球最贵的一笔基础设施投资做背书。

一个可供对照的公开事实是：各家在发布会上的叙事激进程度，与其产品中实际保留的人工确认环节（human-in-the-loop）并不完全对等——嘴上讲的是递归进化，产品里写的仍是human-in-the-loop。这不是从任何内部渠道得来的消息，而是从公开演示与实际部署节奏的差距中可以观察到的一致现象。这未必是虚伪，而是负责任与求生欲的折中。

🛰️ El Segundo：另一条战线

把镜头从前沿实验室移开，看加州那座小城。

先上数据，做开胃菜：

14.2平方公里是什么概念？上海杨浦滨江总面积约15.6平方公里，比它还大。常住1.6万人，就咱们一个镇的体量；但白天人口超8万——这是一个纯粹的工作容器。去掉雪佛龙炼油厂的4平方公里，真正能干事的核心片区Smoky Hollow只有0.49平方公里，大约70个足球场。

就是这70个足球场，过去三年成了全美硬科技创业最密集的地方：造无人机的、造小型核反应堆的、在太空里造药的，一条街上全是。

有个流传很广的段子：记者去采访市长，问市议会上大家吵得最凶的是什么——高超音速？大国竞争？供应链安全？市长说，是辣椒烹饪大赛的许可证到底批下来没有。

段子归段子，它揭示了一个常被忽略的事实：产业集聚的终局形态，恰恰是 mundane（平常）的。当一项硬科技业务密集到市议会唯一争论的是辣椒大赛许可证时，说明它已经从政策叙事落地为日常工业活动。

把这条线索和RSI放在一起看，传导链条就很清晰了：

`

模型参与研发流程

→ 全自动AI研究员出现

→ 研发的固定成本（人力、场地、设备）被压缩

→ 硬科技创业的准入门槛降低

→ 小而密的产业集群成为更优的空间组织形态

`

El Segundo模式的本质，是硬科技创业的固定成本被压缩到70个足球场就能装下的程度——而RSI如果兑现，研发环节的人力成本将进一步被压缩。两者的方向完全一致。

🔭 对航天产业链的三个推演

作为航天产业观察者，最后回到本行。需要声明，以下是推演，不是素材中的既成事实。

推演一：研发闭环先吃掉软环节，再碰硬环节。RSI闭环的规划—执行—检查—修复流程，与航天研发中的设计、仿真、代码、测试评估环节高度同构。这些环节的共同特点是：数据在数字空间流转，验证成本低。而物理试验——点火、热真空、振动——短期仍在闭环之外。所以AI研究员对航天产业的渗透，会从最数字化的一端开始。El Segundo里那些在太空里造药、造小型核反应堆的公司，恰恰站在数字与物理的交界处，会是范式外溢的第一批承接者。对国内航天产业链的启示是：谁先把自己的设计—仿真—测试数据流打通成模型可消费的格式，谁就先拿到闭环的入场券。

推演二：人才争夺战已经开打。谷歌从OpenAI挖走后训练负责人Barret Zoph的案例说明，RSI时代最稀缺的不是算力，是能搭建闭环的人。航天企业长期面临与AI行业的薪酬落差，如果闭环研发能力成为硬科技公司的核心竞争力，这个落差会进一步拉大——除非航天公司自己把研发环节数字化，让AI研究员有用武之地。换句话说，应对人才流失的办法不是涨薪跟风，而是把自家的研发流程改造成AI能参与的样子，用“能调动的研发杠杆”弥补绝对薪酬的差距。

推演三：产业集群的物理形态会变。14.2平方公里、1.6万居民、白天8万人口——这种工作容器式的空间组织，对传统航天城的低密度园区模式是直接对照。当研发自动化程度提高，单位产出所需的空间和人数都会下降，小而密的集群可能比大而全的园区更有效率。这并不意味着大型航天城会消失——总装、发射场、大型试验设施仍然需要物理空间——而是意味着“研发职能”会从这些大园区中剥离出来，向小而密的城市型集群集中，形成“研发进城区、制造留园区”的新分工。

小结

谷歌、OpenAI、SSI、Anthropic，几乎所有前沿实验室——包括公开表态相对谨慎的后者——都在朝RSI的同一个方向走。这不是某一家公司的孤注一掷，而是一个行业对研发范式的集体改写。

对航天等硬科技产业而言，现在的问题不是AI会不会改造研发流程，而是改造从哪个环节开始、由谁承接。El Segundo的70个足球场已经给出了空间答案，前沿实验室给出了流程答案。

接下来12个月，值得盯住两个指标：一是RSI闭环的实际转速——看各家是否真的把模型接入自家研发管线，而不只是发布会上的一句话；二是算力扩张能否被性能兑现覆盖——看SSI们的10倍算力能否换来可验证的代际提升。前者决定节奏，后者决定这条叙事能不能走完从发布会到资产负债表的全过程。

编辑说明：

1. 补全三个推演与结尾：为推演一至推演三各补足收束句（推演一补充对国内产业链的启示、推演二补充应对策略、推演三补充“研发进城区、制造留园区”的分工结论），并在小结中明确了两个指标的观察方式，使结尾完整闭合。

2. 时间设定标注：在文首增加时间设定说明，将“去年夏天GPT-5”改为“2025年夏天GPT-5”，与2026年9月的基准时间统一。

3. mermaid图改为文字流程图：三处mermaid代码块（研发闭环、研发节奏时间线、RSI传导链条）均改为纯文本形式，并补全了原图中缺失的节点内容。

4. 删除无来源的“私下透露”信息：原“据多位接近前沿实验室的人士私下透露”一段缺乏可验证来源，已改写为基于公开现象（发布会叙事与产品中实际保留的人工确认环节的差距）的作者观察，并明确声明非内部消息。

5. 顺带修正：小结中Anthropic此前未出现，已补充一句衔接（“包括公开表态相对谨慎的后者”），避免突兀。