深度报告-20260914-浙商证券-RSI_Latent_Reasoning深度研究_期待模型能力突破带来算力再扩容_31页_1mb

报告摘要

文档总结：期待模型能力突破带来算力再扩容 —— RSI、Latent Reasoning深度研究

核心内容

本报告分析了AI模型能力突破对未来算力需求和产业链的影响，重点探讨了RSI（Recursive Self-Improvement，递归自我改进）和Latent Reasoning（潜在推理）作为下一轮模型能力提升的关键变量。通过模型能力的提升，不仅将改变AI研发效率，也将推动更多应用场景的商业化落地，从而显著提升算力需求。

主要观点

模型能力突破是下一轮应用爆发的核心驱动力
上一轮模型ARR（Annual Recurring Revenue）的爆发源于模型能力跨越coding的可交付门槛，下一轮ARR的爆发将取决于模型能力的进一步提升。RSI和Latent Reasoning是研究模型能力突破的重要方向。
RSI正在从局部自动化走向自主研究
RSI通过AI参与模型研发，优化代码、算子、流程，缩短研发周期并提升效率。当前AI在有界研究（Bounded Research）中已能自主完成研究循环，但在核心模型研发（Frontier / Core-model R&D）上仍需人类监督。RSI的突破标志是AI能自主决定研究方向与实验内容，而不仅仅是执行任务。
RSI突破将显著提升研发与应用端算力需求
RSI在研发端通过增加实验数量和验证层级，提升算力消耗；在应用端，模型效率提升和能力突破将推动更多场景应用，带来算力需求的进一步增长。这一趋势将改变算力需求结构，使需求更集中于计算能力，而非存储容量（HBM）。
Latent Reasoning是新的Scaling范式
Latent Reasoning通过在Latent空间内进行多轮计算，提升模型推理深度，而非扩展Token长度。相比CoT Scaling，Latent Reasoning对HBM容量的依赖更低，但对算力需求更高。Astra已采用该技术，但其使用强度和可监控性仍待观察。
模型架构与训练方式成为竞争核心
随着RSI和Latent Reasoning等技术的引入，模型架构、训练方式与研发体系的重要性上升。蒸馏等传统追赶方式将面临挑战，因为前沿模型的推理过程更难复制，竞争将转向“谁能更快产生下一代能力”。
安全约束成为前沿模型研发的重要变量
随着模型能力提升，安全和监控机制的重要性上升。OpenAI、Anthropic等实验室已采取措施加强监控和防范蒸馏，未来模型研发节奏可能因安全考虑而放缓。

关键信息

RSI（Recursive Self-Improvement）

定义：AI参与模型研发，通过成果改善能力或效率，从而提升下一轮研发的生产力。
进展：目前AI在有界研究中已能自主完成实验与评估，但在核心模型研发中仍需人工干预。
突破标志：当AI能够自主决定研究方向并筛选实验结果时，才算真正跨过“自主研究分水岭”。
对算力的影响：
- 增加实验数量，提升研发算力消耗；
- 提升模型能力，推动应用需求增长，从而增加算力消耗；
- 算力需求增长将从人工约束转变为算力约束。

Latent Reasoning（潜在推理）

定义：一种新的Scaling范式，通过在Latent空间内进行多轮计算，提升模型推理深度。
结构：包括Prelude（输入编码）、Recurrent Core（Transformer层循环）、Coda（输出Token）。
算力影响：
- 每个Token内部计算深度增加，算力需求显著上升；
- 权重和KV Cache可复用，HBM容量需求增幅小于算力增幅；
- 与CoT Scaling相比，更偏向于提升算力而非存储需求。
应用现状：Astra已采用该技术，但循环深度和覆盖范围仍受监控能力限制。