2026.09.24 | AC | LLM | Auto Researchers & AI Capital Returns

摘要

AI正在承担更多模型研发工作，研究活动本身成为算力需求的重要来源。OpenAI和Anthropic披露的内部用量与自动化进展，增强了这一需求的实际依据；智谱的工程案例则显示，AI也能帮助现有设备完成更多推理工作。笔者认为，RSI强化了算力需 求的长期增长预期，当前AI资产的估值仍要重视资本回报和客户付款来源。模型公司增加研究预算，可以形成上游订单，也会增加自身需要收回的投入。新增建设能否持续，取决于收入增长能否跟上资本承诺，以及客户能否用持续的经营回款承担采购。

9月21日，OpenAI将建设自动AI研究员、借助它推进对齐研究，并让人类留在改进过程中，列为三项主要目标中的第一项。模型公司开始把更多研究和工程任务交给AI，算力需求也随之扩展到下一代模型的研发过程。

跟踪AI产业收入与资本投入的研究机构Exponential View，在21日发布的AI投资简报中提到，其跟踪的AI公司样本市盈率约24倍，处于该样本三年区间的低位，英伟达股价与盈利增长也出现分歧。简报关注的是，资本承诺是否增长得比收入更快，以及客户采购还能获得多少融资支持。

图1：左图显示，Exponential View跟踪的AI公司样本滚动市盈率为24倍；右图显示，其融资质量折扣升至24.6%，数值上升表示其评估的融资质量下降。数据来源：Exponential View。

笔者此前讨论过，设备供应商取得收入和利润，往往早于客户收回资本；资金成本、建设承诺和客户付款来源，会影响这一轮扩张能够维持多久。RSI带来的新变化是，模型公司为了推进研发，本身就会持续使用更多AI。这些研究活动增加多少算力需求，又会怎样影响 收入与投资回报，是本文进一步讨论的问题。

一、AI已经开始承担更多模型研发工作

递归式自我改进，英文为Recursive Self-Improvement，简称RSI，描述的是AI参与改进自身或后继系统，并把有效成果用于下一轮改进的过程。例如，当前模型帮助编写训练代码、设计实验和分析结果，有效方案被用于后续模型和研究系统，更新后的系统再参与下一轮研发。人类可以继续负责研究方向与结果验收，把更多具体操作交给AI。

OpenAI在9月6日披露，截至8月中旬，研究组织人员的Agent日推理用量按API价格折算，中位数超过600美元；8月每名活跃实验人员的实验数量，达到其自2025年1月开始跟踪以来的新高。

图2：OpenAI内部研究人员的编程Agent日用量增长，左图为中位数，右图为第90百分位，金额按API价格折算。数据来源：OpenAI，2026年9月6日。

Anthropic在9月披露的内部研发自动化指数，也显示AI承担的工作正在增加。按照Epoch AI定义的自动化等级，在固定研发任务样本的加权测量中，截至8月，Claude能够从高层指令出发、在人类监督下完成大部分任务，即“AI leads”的工作占到26%；达到至少“AI collaborates”的工作占比已超过90%。同期，Anthropic最常用内部研发平台上约有3万个Agent同时进行研究和工程工作。

图3：Anthropic被测研发任务中，由AI主导的比例升至26%；AI主导仍保留人类监督。数据来源：Anthropic，R&D Automation Index，测量截至2026年8月。

这些Agent已经被用于实验和工程流程。研究人员能够把代码实现、排查错误和部分结果整理交出去，将更多时间用于选择问题、判断结果和设计下一轮实验。研究中的人力限制开始减轻，接下来影响进展的因素，也会更多地落到实验资源和验证能力上。

二、AI让实验做得更多，也能提高现有芯片的工作效率

研发自动化可能增加算力需求，最直接的原因是让更多研究设想进入实验。过去，一个团队可能有很多待验证的想法，却没有足够的人完成代码、排查错误和整理结果。Agent降低这些操作的时间成本后，原来被搁置的方案也能接受测试。研究Agent本身需要推理 ，运行训练实验和评测又会继续消耗计算资源。

参与推理模型和多Agent研究的OpenAI研究员Noam Brown，强调了这一过程的硬件约束。他在9月17日的Dwarkesh访谈中指出，模型研发需要真正运行实验、训练新模型并等待结果，部分步骤必须串行进行。研究操作提速以后，GPU数量和实验等待时间会更突出地限制进展。

但另一方面，AI也能参与优化提供模型服务的软件。一套推理系统需要安排计算任务、读取和搬运数据，并协调不同芯片。如果这些环节衔接不好，芯片就可能等待数据，或者重复完成本来可以复用的计算。改善这些环节，同一套设备就有机会处理更多请求。

智谱9月17日披露，由GLM驱动的基础设施Agent参与了GLM-5.3-Flash推理系统的优化。工程师设定目标、提供测试环境并审核关键修改，Agent则根据代码和运行反馈定位问题、提出修改，再通过实验检查效果。报告中的一项优化发现，某些 中间计算被重复执行了四次；调整程序后，这些结果可以共享，重复计算随之减少。经过一系列调度、通信和底层程序优化，系统端到端吞吐达到初始版本的约3.22倍。

图4：工程师与基础设施Agent共同优化推理系统，发布时端到端吞吐达到该工程初始版本的3.22倍；虚线表示后续演进方向。数据来源：智谱，2026年9月17日。

吞吐提高，意味着系统在单位时间内能够完成更多推理工作。它可以来自减少重复计算，也可以来自减少等待、改善数据传输和提高芯片利用率。服务任务数量不变时，这类优化可以减少所需的芯片工作时间，或延后设备采购；如果使用量随成本下降而增长，腾出的容量又 可能被新任务占满。

因此，总算力需求增加多少，要看实验和服务任务增长得多快，以及完成同样工作所需的设备资源下降多少。研发自动化既扩大了可以开展的研究，也在改变计算资源的使用效率。

三、实验室要先支付研发账单，再靠产品收入和成本节约收回投入

实验室向云厂商租用算力，需要支付服务费；使用自有设备，也要承担设备投入、电力和运维费用。资金可以来自现有业务扣除日常开支后留下的经营现金，也可以来自此前筹集、尚未使用的现金。如果这些资金不足以支持扩张，实验室就需要继续引入股权投资、借款或取 得其他融资支持。

实验室购买研究算力，能够给云厂商带来收入。对于实验室自身，这笔钱要先作为研发投入支出，随后再通过产品收费或成本节约收回。上游取得了订单，客户仍可能处于需要持续融资的阶段。研究需求能维持多久，因而取决于实验室筹集和创造现金的能力。

自动研究改善回报，有两条比较直接的路径。第一，更快开发出客户愿意付费的新功能，使产品更早取得收入。第二，优化研发流程和模型服务系统，降低完成同样工作的成本，让既有收入留下更多现金。新的研究方法需要通过验证并在研发中持续使用，产品改进则需要进 入客户实际使用的服务。若研究用量增长很快，却迟迟没有形成新增收费或足够的成本节约，实验室就会更长时间地依赖外部资金支付研究账单。

在实际采购上，研究任务增加还有不同的安排。原有设备有空闲时，可以先提高利用率；软件优化也能腾出容量承接新任务。集群接近满负荷后，更多研究任务就要与其他实验和客户服务争夺设备使用时间。预算有限时，实验室可能延后部分实验或调整排期；希望各项业务 继续扩张，就需要落实新增资金，再增加租用算力或采购设备。Anthropic将算力作为可以动态调配的统一资源池，正体现了这种安排。

效率提高以后，管理层也未必选择减少支出。同样的预算原来只能完成一批实验，提效后能够探索更多方案，实验室可能把节约的资源全部用于新研究，以扩大领先优势。研发成果增加，当期支出仍可能维持高位；竞争也会推动其他实验室追加投入。

当这些研发计划进一步变成设备采购和数据中心建设承诺，企业未来需要收回的资本就会增加。届时，收入增长能否支撑更大的资产规模，就成为下一笔要算清的账。

四、AI设施的收入能否覆盖投入，继续扩建又需要增长多快

Exponential View最新一期AI投资简报，分别测算了已经建成的设施和未来准备追加的投资。前一笔账比较现有收入与资产成本，后一笔账则计算继续扩建需要收入增长多快。

先看已经投入运行的资产。Exponential View估计，AI设备和数据中心的在役资本约为4,730亿美元。这些资产要在使用寿命内收回投入，运营期间还要支付费用，并为投资者提供回报。简报采用芯片5—6年、建筑约22年的使用寿命，加入每年2.4%的运营成本，并设定15%的要求资本回报率。把这些要求折算到每年，得到约1,450亿美元的年度成本与回报要求。

与之相比，简报估计当前的基础设施服务收入ARR约为1,760亿美元，用1,760亿除以1,450亿，得到约121%的覆盖率。也就是说，每100美元的年度成本与回报要求，对应约121美元的年化收入。在简报采用的资产寿命与成本假设下，现有收入能 够覆盖估算的年度要求。

后续扩建会增加需要回收的资本。新设备投用以后，需要有更多客户使用并付款，收入才能跟上扩张的资产规模。Exponential View测算，对于未来十二个月承诺投入的资本，要取得同样15%的资本回报率，基础设施收入需要在设备使用寿命期间保持约29%的年增长；把未来二十四个月的投资承诺纳入后，所需年增长率提高到约44%。

图5：左图比较已投运资产的年化收入与年度成本，基础设施收入覆盖率为121%，加入模型和应用收入后的覆盖率为160%。右图中，未来12个月、24个月资本承诺分别对应29%、44%的基础设施收入年复合增长要求。两部分均采用15%的要求资本回报率。数据来源：Exponential View，2026年9月21日。

这也解释了为什么收入增长很快，资本回报仍可能承压。企业继续增加设备采购和数据中心建设承诺，未来需要收回的资金就会更多。在资产寿命、成本和要求回报率不变的条件下，所需收入增长也会相应提高。即使收入还在增长，只要资本承诺增加得更快，完成回收的压 力就可能上升。

设备能够使用多久，也会影响这笔账。更快的技术更新如果缩短了某些设备的有效寿命，投入就要在更短时间内收回；工程优化若能延长现有设备的有效服务时间，则可以减轻追加投资的压力。因此，RSI带来的研发扩张，既可能增加新的采购，也可能改变投资者需要估 计的设备效率与回收年限。

五、RSI增强长期需求预期，当前估值仍要看资本回报

笔者认为，RSI强化了研究算力需求的长期增长逻辑。模型公司可以把更多实验和工程工作交给AI，原来受人力限制的研究计划有了推进的条件。这会增加实验室对计算资源的需求，也会推动它们为了争取能力领先而更早投入。

对当前AI资产的估值，笔者更关注这些投入是否已经跑在收入和现金回收前面。对上游公司，新增研究预算可以形成订单，客户是否有能力连续支付，决定订单能够维持多久。对实验室，融资能够支持先投入后回收的过程，研发成果带来的经营回款则决定这种依赖能够多 快减轻。

RSI带来的技术进展，使长期需求的前景更积极。资本承诺是否增长得比收入更快、客户付款来源能否持续，仍是笔者判断当前AI资产能否进一步重估的重点。

风险提示

本文所述观点仅代表笔者个人研究和分析，不构成任何投资建议。文中涉及的公司、行业及市场分析均基于公开信息和合理推测，可能存在信息滞后或理解偏差。投资有风险，入市需谨慎。