RSI，大模型的下一站？AI研发自动化加速下的模型、算力与应用机会

　　自动化AI研发加速，RSI正由理论进入落地前夕的阶段。1）虽然完整RSI尚未实现，但AI已经进入代码编写、研究调试、Kernel优化、自动实验和部分后训练环节，局部研

　　发反馈闭环正在形成。2）从当前前沿模型厂商落地来看，模型、Agent、Evaluator、训练平台和算力基础设施开始被整合进同一套研发系统和工作流，AI逐步由研发辅助

　　工具转向研发流程的重要参与者和工具。3）从技术和产业落地来看，当前虽然暂时无法判断RSI实现的确切时点，但是从渐进落地的角度来看，RSI正处于持续演进渗透的阶段。

　　前沿模型厂商：模型竞争由单代能力比拼转向AI Research Factory竞争，研发正反馈与平台化壁垒有望强化。1）从模型竞争来看，能力更强的模型既是争取客户的重要因素，同时也正逐渐成为研发下一代模型的生产工具；远期来看，模型能力如果能够持续提高Research Agent和研究人员产出，领先厂商可能形成“更强模型—更高研发效

　　率—更快推出继任模型”的正反馈闭环。2）模型厂商竞争要素也将由人才、数据和单次训练，扩展至模型、Agent、Evaluator、数据闭环、训练平台和算力的系统能力。3）

　　综合各方竞争要素，具备基础模型、云基础设施、Agent平台、企业客户及真实任务反馈的厂商，更有机会将技术领先转化为API调用、订阅收入、商业化和平台生态。

　　算力基础设施：训练与Research Inference共同扩张，AI研发自动化有望进一步打开算力产业链需求空间。1）训练端来看，算力需求不再仅取决于单次前沿预训练规模，RSI落地渗透之下，参数规模、训练Token、模型代际频率、候选实验、Post-training、RL Rollout、验证及研发推理均可能同步增加，更快迭代和更高实验并行度可能形成对训练需求的乘数效应，带动算力需求的天花板持续提升。2）重点关注计算芯片及ASIC、HBM与存储、先进封装、高速互联与光通信、交换设备、液冷、电力及数据中心

　　等供给壁垒较高的基础设施环节；3）同时看好具备大规模算力基础设施和持续资本开支能力的头部CSP。随着训练、Research Inference及Agent推理负载同步增长，算力

　　需求将由单次模型训练向持续研发与推理扩散；具备GPU集群、自研ASIC、云平台和模型服务能力的CSP，有望同时受益于AI资本开支扩张和云端AI调用量提升。

　　高价值应用：模型能力加速通过MaaS、API与Agent平台向应用端外溢，优先关注可验证、可闭环的高价值场景。1）模型能力持续提升、推理成本下降以及多模型接入门槛降低，将持续降低AI应用开发、试错和规模部署成本，并通过需求弹性提升调用频次、上下文长度和任务复杂度从而促进应用场景的扩展与渗透率提升。2）软件工程、研发工具、企业知识管理、客户服务和数字内容等领域数字化程度高、结果可衡量、反馈周期短，有望率先形成Agent规模化渗透；药物、材料和芯片设计等研发场景亦具备

　　较大的效率提升潜力。3）应用公司的核心壁垒将由“能否接入模型”转向专有数据、核心工作流、可靠Evaluator以及持续提高客户产出的能力。

　　风险提示：完整RSI可能长期无法形成；商业化落地低于预期风险；竞争加剧风险；监管政策风险；技术进步低于预期风险等；