2026年，OpenAI曾把下一代前沿训练暂停约两周。但研究人员和算力没有闲下来。它们被转向对齐、安全监控，以及强化学习阶段的评测。公司也没有取消规模最大的计划训练任务，只是等待安全措施完善。这是一次局部暂停和资源重配。
同一时期，Anthropic首席执行官Dario Amodei主张放慢模型能力提升速度，让安全研究、对齐和独立评测有时间跟上。相关公司及合作方对大型计算基础设施的投入却没有停下。
刹车踩在模型能力提升的节奏上，资金继续流向芯片、数据中心和电力。
这个反差比“AI是否应该减速”更能解释前沿竞争的变化。真正的递归自我改进，也就是RSI，距离现实仍然很远。决定谁能进入下一轮竞争的资源，却已经开始集中。
01减速是一组具体选择
前沿公司面对的选项，从来不只有继续训练和停止训练。
它们可以继续训练并加强监控，也可以暂停某个训练阶段，把算力转给安全评测；还可以延迟发布、限制模型访问，或者让第三方持续检查训练流程。
2024年5月，16家前沿AI开发者在首尔AI峰会期间签署自愿承诺。企业表示将发布安全框架，识别模型生命周期中的严重风险；如果风险无法降到设定阈值以下，就不开发或部署相关系统。
到了2025年，国际AI安全报告记录了12家公司发布或更新前沿AI安全框架。中国也有17家AI企业在2024年12月发布相关承诺，并在2025年更新。
16家签署承诺和12家发布或更新框架，统计口径不同。它们共同呈现出一个变化：安全评测开始进入前沿模型的研发流程。
模型走向智能体后，这件事变得更急迫。
对话模型通常交付一个答案，智能体则会连续调用工具、访问互联网、操作软件。安全检查也要从“答案有没有问题”，延伸到“它每一步做了什么”。
一项针对14个前沿模型的评测发现，如果只检查最终结果，不记录行动轨迹，可能漏掉44%的安全违规和13%的稳健性故障。这个结果不能推及全部模型和任务，但它说明，最终答案正常，不代表执行过程安全。
OpenAI公开的安全工作也开始覆盖强化学习阶段的监控、互联网访问和软件控制行为，以及未经授权访问、数据窃取和规避安全措施等行为。
能力越接近连续行动，企业越难依靠发布前的一次测试解决问题。安全评测进入训练、部署和运行监控的全过程，“控制节奏”因而有了现实依据。
它也带来商业收益。安全评测机构、第三方审计者和监管部门获得更多时间建立风险阈值与事件报告机制。前沿公司则可以把监控、评测和合规能力变成新的进入门槛。
02RSI缺少的仍是完整闭环
巨头谈减速，很容易让人产生一种错觉：AI已经逼近能够持续改写自身、推动能力跃迁的RSI拐点。不过现有研究并不支持这个判断。
2026年的递归自我改进研究综述列出了几项基础障碍：行业缺少明确的“改进算子”定义，对计算、数据和反馈资源的约束缺乏充分理解，评测标准也很碎片化。
另一项综述把当前多数工作归入“有界自我优化”。模型可以生成代码、调用工具，也能根据测试结果进行局部迭代，但这些闭环通常依赖外部测试、执行反馈或人工审计。
真正开放式的RSI要求更高。系统需要持续改变自身的学习流程与能力，还要能够处理评测机制本身。当前公开系统尚未证明能完成这样的完整闭环，并稳定获得开放式能力跃迁。
行业甚至缺少统一、可复现的认证标准，用来区分两个容易混淆的结果：模型能力真的实现了递归提升，还是系统增加了计算量、尝试次数和外部工具。
所以，今天的减速讨论主要围绕安全、成本和竞争秩序展开。RSI更像一条尚未抵达的远线。
竞争却不会等到那一天才开始。
03三张入场券提前涨价
第一张入场券是算力。
前沿公司即使暂缓某次训练，也不会轻易放弃芯片、云平台和数据中心。算力可以在训练、安全评测、推理和产品部署之间重新分配。暂停训练，并不等于资源投入下降。
第二张是电力。
微软CEO Satya Nadella曾表示，数据中心扩张面临的最大瓶颈是电力供应，而非半导体供应。一项2026年的研究预测，六家领先科技公司的合计用电量可能从2024年的约118 TWh，增加至2030年的239—295 TWh，约占全球电力需求的1%。
这项预测覆盖企业数据中心的整体用电，不能等同于单个模型的训练耗电。它仍然揭示了基础设施竞争的下一层约束：芯片买到以后，还要找到电网容量、数据中心和稳定能源。
第三张是评测权。
谁定义严重风险，谁设定暂停阈值，谁能检查训练过程，谁又拥有最终发布权，这些规则会直接影响一家公司的研发时间和产品边界。
首尔承诺要求企业建立风险识别、内部问责、外部红队测试和阈值管理机制，却没有规定统一的暂停触发程序，也没有要求企业交出模型权重或接受完全独立的强制审计。
企业仍然掌握较大的裁量权：何时发布、怎样定义风险、披露多少信息，都缺少统一的强制标准。
安全规则因此具有双重作用。它可以降低模型进入现实业务的风险，也可能提高后来者参与竞争的成本。现有材料还不足以证明某家公司已经借此排除竞争者，但评测框架和审计权限的竞争意义已经出现。
04中国公司的两条路径
中国公司的选择，集中体现了算力规模与使用效率之间的关系。
2025年，阿里巴巴宣布未来三年向云计算和AI基础设施投入超过3800亿元人民币。资金投向算力供给、云平台和模型服务，属于重资产基础设施布局。
DeepSeek走出了另一条路径。
DeepSeek-V3技术报告披露，模型预训练约使用266.4万H800 GPU小时；加上上下文扩展和后训练，完整正式训练约为278.8万GPU小时。按每GPU小时2美元估算，成本约557.6万美元。
这个数字没有覆盖前期架构、算法和数据实验，也不包括人员、数据获取、基础设施折旧与部署开支。它不能代表DeepSeek的完整研发成本，更不能直接拿来与阿里的三年基础设施投资比较。
两者处于产业链的不同环节。阿里扩大算力供给，DeepSeek提高单位算力产出。
效率提高也没有让芯片需求消失。2025年2月，路透社报道，随着中国企业采用DeepSeek的低成本模型，阿里巴巴、字节跳动和腾讯增加了英伟达H20芯片订单。
单次训练成本下降，会让更多企业使用模型。应用规模扩大，推理和部署随之消耗更多算力。模型更省算力与产业减少算力投入，可以同时不成立。
中国企业还要处理更明确的备案、数据安全、内容治理和安全评估要求。安全测试必须进入发布决策，不能只在上线后补救。美国头部公司的前沿安全治理目前更多依赖自愿框架和第三方压力，两套制度的约束方式并不相同。
OpenAI暂停两周训练的动作，最终没有把前沿竞争按下暂停键。
它显示的是资源如何重新分配：一部分算力离开能力训练，进入监控与评测；更大规模的基础设施计划继续保留。巨头争取的也不只是更强的模型，还有稳定的电力、持续的算力，以及定义何为安全的能力。
RSI尚未形成完整闭环。它所需要的计算、反馈和评测条件，却在今天影响产业门槛。
未来真正稀缺的，可能不只是训练出一个更强模型的能力。谁能承担持续评测的成本，谁能获得电力和算力，谁能参与制定暂停与发布规则，同样会决定下一轮竞争的参与者名单。
