1800 年前后，一位名叫 Henry Maudslay 的英国工程师造出了一台能切削出精密螺纹的车床。事实证明，这是人类历史上最重要的事件之一……
在 Maudslay 之前，螺纹全靠手工一根根锉出来，所以没有两根是完全一样的。这家作坊的螺母拧不上那家作坊的螺栓，于是世界上每一台机器都是孤品，必须由工匠亲手拼装，也只能由工匠来修。
你没法把任何东西量产一千件，因为零件根本对不上。这就是卡住整个工业世界的瓶颈，而这个瓶颈，就握在一个拿着锉刀的人手里。
Maudslay 的车床每次都能切出一模一样的螺纹。这意味着一台机器现在能造出另一台机器的精密零件，而且这些零件严丝合缝。不到一代人的时间，由它衍生出的各类机床就开始为其他所有东西生产零部件，工业革命也挂上了一个连自己都不知道存在的挡位。
读到这儿，你可能在想：Raoul，你没事写 19 世纪的螺纹干嘛？别急，听我往下说。因为只要你把时间轴拉长，就会发现同一个形状在不断重演。
在人类历史的大部分时间里，工具的进步速度取决于制造工具的人，也就是说——很慢……几百年才改良出一把更好的犁。后来，工具开始制造工具，每一轮循环都比上一轮跑得更快。
蒸汽机驱动车床和镗床去切削机车零件，于是蒸汽造出了铁路，铁路又运来了更多蒸汽机。
机床造出了装配线，装配线造出了汽车。如今是计算机在设计芯片，好让下一代计算机更强，因为没人能靠手摆出几十亿个晶体管。每一次，当工具承担了更多“制造下一代工具”的工作，一切就会加速，因为循环中最慢的那一环——人——被压缩了。
那么，如果循环中的工具变成了智能本身呢？
这已经在发生了
2023 年 11 月我就发过帖子，说 OpenAI 很可能已经搞明白了怎么用 AI 来构思、设计、写代码并发布产品……也就是 AI 在造 AI。
到 2026 年 5 月，Anthropic 表示，合并进自家代码库的代码中，超过 80% 是由 Claude 写的；而在 2025 年 2 月 Claude Code 发布之前，这个比例还只有个位数。这家打造前沿模型的公司，大部分时候都在让这个模型去写下一代版本要跑的软件。
OpenAI 也在 9 月公布了自己的数据：他们的研究机构现在每投入 1 天人力，就会搭配 3.1 个 Agent 工作日；每位研究员跑的实验数量在 8 月创下历史新高。
去年 5 月，DeepMind 发布了 AlphaEvolve——一个由 Gemini 驱动的 Agent，能自己编写并测试算法。它的成果包括一项调度优化，能持续回收 Google 全球算力集群 0.7% 的资源；还有一项针对 Gemini 训练内核的加速，把训练时间缩短了 1%。数字看着不大，但你要意识到这意味着什么：一个 AI 正在让下一个 AI 造得更便宜、跑得更省钱。
这就是 Maudslay 的车床，在为下一台机器切削零件。
另一种瓶颈
在这之前的每一轮循环，替我们扛下的都是体力活。车床代劳了锉削，流水线代劳了搬运，这正是它们一轮比一轮快的原因。但思考这件事从未离场。总得有人坐下来设计下一台车床，总得有人想明白这块芯片到底用来干什么。机器在“造东西”上越来越神，但下一代机器的点子还是得从人脑里蹦出来，速度也就是人脑的速度……说实话，不快，而且快不起来。
这是贯穿整个人类史的上限，却从来没人认真想过，因为你能拿它怎么办？你造不出一个会思考的工具。
但现在你能了。有史以来第一次，被外包出去的是智能本身。于是限制进步的不再是人脑转得多快，而是两个物理层面的东西：你能把多少能源转化成算力，以及每单位算力能榨出多少智能。而这两者，都走在指数曲线上。
它正在走出屏幕
到目前为止，这还是一个关于软件的故事，但它不会只待在软件里。
和我一起写 The Exponentialist 的 David Mattin 把下一阶段称为“自动驾驶式科学”。不，跟特斯拉没关系，虽然思路是一样的……
他的意思是，科学一直是一个由人来开的循环：你有个直觉，设计实验，跑一遍，通常失败，找原因，然后产生更靠谱的直觉。一圈又一圈，一次一个人，跑一圈要几个月。我们理解过的每一种药、每一种材料、每一条物理定律，都是从这个循环里以那个速度磨出来的。
所谓自动驾驶式科学，就是把这个方向盘交给机器。我们说的不是 AI 给科学家打下手……而是 AI 自己去发现——新材料、新分子，那些人类去年还不知道的东西，由一台机器自己想出来、自己测、自己读结果、再想下一步，全程不需要人插手。“搞清楚世界怎么运转”这件事正在被外包……而且就发生在当下，不是什么科幻未来。
2023 年，DeepMind 的 GNoME 模型预测出 220 万种新晶体结构，其中约 38 万种是稳定的。这比人类在整个材料科学史上发现的还要多，而且全是一个模型在任何人走进实验室之前就找到的。
接着在 2025 年 12 月，DeepMind 和英国政府宣布了一座自动化材料实验室将于今年启用：机器人每天合成并测试数百种候选材料，AI 负责挑出下一批。过去一个课题组跑一圈要几个月的循环，现在每天都在转；人在里面是看结果的，不是做实验的。
同样的事也发生在机器人身上，而且玩法相当野。2025 年 DeepMind 发布了 Genie 3，你可以把它理解为一款“自己写自己”的电子游戏。输入一句话，比如“一间乱糟糟的卧室”，它就会在屏幕上生成一个模拟房间，连真实房间的物理规律都有，里面的东西动起来得到的反馈和现实里一模一样。
然后你可以把机器人的“大脑”塞进去，让它收拾房间。它会失败，那就再来，一次又一次，在几百万个模拟房间里以计算机的速度试错，不用打碎任何真东西，也不占一丁点物理空间。最后把学到的本事灌进一台真机器人，它走进真实的卧室时就已经会收拾了。DeepMind 现在就在用自家的机器人 Agents 这么干，而且没人在写教案。Agent 自己出题，自己给自己打分。
如果你对这类事着迷，我和 David 每周都会在 The Exponentialist 里聊这些。它最早诞生于 Real Vision，现在是 Substack 上的独立刊物，也有免费版可以跟着看。
然后它开始喂饱自己
所以，机器在写自己的代码、改进自己的模型，甚至开始替我们做科研。你可能会说：行吧，但有个大家都听过的坑……这一切都要耗电，而且是海量电。数据中心已经把电网压得喘不过气，芯片已经是地球上最稀缺的东西之一，总有一天整件事会因为没电而停摆吧？
但如果一台机器能解决人类解决不了的问题，那它首先会被指向的，就是它自己的问题。我刚说的那些材料实验室不是在瞎碰运气。它们在找储电更多的电池配方、转化率更高的太阳能电池、晶体管排得更密的芯片……恰恰就是让能源和算力变便宜的那些东西。
而每一项突破，都会直接反哺发现它的那台机器。
更好的面板和电池让能源更便宜，更便宜的能源让算力更便宜，更便宜的算力训出更强的模型，更强的模型又找到下一种材料。大家担心的那个瓶颈，正是这个循环生来就要吃掉的第一口饭。
这背后有一条规律：Wright's Law（赖特定律）。某种东西的累计产量每翻一倍，成本就固定下降一个百分比。太阳能行业已经照着这条规律走了几十年。新鲜的是，现在做设计的不再是人，所以翻倍来得更快，成本降得也更快，而且芯片、电池、面板同时在降。
轮子每转一圈，下一圈就更快，而且它不再依赖外部输入。早期版本的这个循环转一圈要几十年，现在这一版几个月就能转完，而推着它转的那个东西，本身就是正在被优化的东西。
更便宜意味着更多，而不是更少
好，说到这儿，最明显的反驳来自经济学：如果智能变得这么便宜、这么快，那我们岂不是需要更少生产它的东西……更少的芯片、更少的数据中心、更少的电？
事实恰恰相反，而原因早在煤炭时代就被看透了。Jevons 注意到，当一种资源的使用效率提高时，总消耗量反而会上升，因为便宜打开了以前根本不划算的新用途。让蒸汽机更高效，一个国家烧掉的煤只会更多，不会更少。
智能正在上演完全相同的戏码。按 a16z 在 2024 年底的测算，同等能力下，单位智能的成本每年大约下降十倍，而消耗量已经冲破天际。截至 2025 年 10 月，Google 每月处理约 1.3 千万亿（quadrillion）个 token，是一年前的二十多倍；到今年 5 月，这个数字变成了 3.2 千万亿。思考成本每降一点，就会解锁一个以前“想都不敢想”的问题，而这种需求没有天花板，因为没解决的问题永远不缺。
这就是为什么资本开支停不下来。
“都是泡沫，已经见顶了。”
每隔几个月我就会听到这种话，通常是在某次发布没那么惊艳之后。热度维持一周，然后回归日常，而人们就是在“日常”里断定整件事在减速。
我喜欢用的思维模型是儿童发育。看一个蹒跚学步的小孩走不稳，你可以得出结论说他腿不行、脑子笨；或者等一个孩子迟迟不开口，就断定他嘴巴天生不会说话。直到他突然就会了。这些模型还是婴儿，在某些方面有超能力，在另一些方面远不如人类小孩……但婴儿学得极快。用“这个季度还做不到什么”去判断“三年后会走到哪”，每一次都是错的。短短三年，我们就从一个不好用的聊天机器人，走到了一个在我们教的所有科目上都超过大多数人类的东西。别像那个梗图说的一样“中途画曲线”（midcurve），仅仅因为你带着偏见。
这对你意味着什么
藏在这一切底下的恐惧是很私人的，那我也说得私人一点。
我不是技术出身。今年 1 月，我丢给 cowork 一份 PDF，六分钟后就拿回了一个能跑的网站；接着我让它做一块看板，汇总 Real Vision 在所有平台上的互动数据，十五分钟也搞定了。当时我发帖说，感觉自己有点像生化人。
今天，一个人带上一组 Agents，就能产出过去一家公司才能做出的东西。在我的新书 《The Everything Code》（11 月 3 日出版，现已开放预购） 里，我讲了一位软件工程师的故事：他用传统方式花了十多年建起一家公司，退下来之后，在一个冬天里做了一个个人 AI 项目，GitHub star 冲到六位数，还因此被 OpenAI 招了进去。同一个大脑，同一种拼劲，唯一改变的，是他站在什么东西上面干活。
“这会不会取代我？”是你的自尊心在提问，但这问错了。不管你愿不愿意，你脚下的那一层工作正在被压缩，就像 Maudslay 压缩了每一个手工锉螺纹的工匠一样。更好的问题是：有了一台能替你扛起那一层的机器，你要拿它做什么？最终拿到超能力的人，是那些往上走了一层的人——去判断到底什么东西值得造。
拥有那些“造机器的机器”
这个循环告诉你的，是价值往哪里汇聚。当智能创造智能，回报会流向拥有这个循环的人：它跑在上面的算力，喂饱算力的能源，以及 Agents 开始以机器速度互相交易时所落脚的基础设施。这些是它绕不过去的东西，而且有史以来第一次，它们每一样都是普通人能分一杯羹的。
这就是指数时代从理论走进现实的样子，它也正好撞上了我在“经济奇点”框架里写过的那个窗口期——大约在 2030 到 2032 年之间。到了那个节点，机器经济的运转速度会超过人类用来衡量它的工具（GDP、盈利、工资），老指标再也描述不了正在发生的事。从现在到那时的这几年，才是真正的赛场。
完整的推演都在 《The Everything Code》 里。书中梳理了金融体系为何崩坏至此、我们为何被困在债务周期里几十年，以及为什么指数时代的到来恰好是同一个故事的另一半。
一旦你看懂了这套机制，这篇文章里的一切都是必然；而奇妙的是，它同时也是出路：正是机器，终于让世界有机会靠增长甩掉债务。在原地打转了几十年之后，这绝对是一件值得乐观的事，而这本书就是我把整套逻辑讲透的地方。
《The Everything Code》将于 11 月 3 日上市。帮个忙：如果你打算买，我会非常感激你现在就考虑预购。这对排名真的很有帮助，对我来说意义重大。谢谢。
如果你想把任何一个话题聊得更深，随时找我！我在 raoulpal.ai 上用我 30 年的思考训练了一个 AI，而且免费。去那里继续和我讨论吧。
