前八章讲的加速，都是「AI 帮人做事」。这一章讲一个更陡的回路：AI 帮人做 AI。一台进化机器最厉害的形态，不是它转得快，而是它转出来的产物里包括「让它自己转得更快的零件」。这种回路一旦出现，加速就不是匀速的，而是带着利息的。
历史上最值钱的发明，都是造工具的工具
先讲一个工业时代的原型，因为它把道理演示得最干净。工业革命真正的引擎不是蒸汽机，而是机床——大白话讲，「制造机器的机器」。有了精密机床，才能造出更精密的机床，进而造出更精密的机器。这个「工具造工具」的回路，让制造精度几十年里从毫米级一路推到头发丝的百分之一。软件世界也演过一遍：第一个编译器是手写的，之后所有编译器都是用上一版编译器编译出来的——「编译器编译编译器」这个套娃，是软件爆发的基础设施。
规律很清楚：一个技术体系成熟到一定阶段，它的主要产出会转向改进它自身。AI 正在进入这个阶段。
回路已经在转：三个看得见的环节
- AI 写 AI 的代码。训练框架、数据处理管线、实验脚本，这些构建 AI 系统本身的软件，如今大量由 AI 辅助编写。一线实验室的工程师普遍反馈，AI 编程工具把他们写实验代码的速度翻了几倍——同样的团队，一年能多跑好几倍的实验。实验是什么？就是 AI 这门手艺的「变异」。变异环节的转速，正在被它自己的产物拉高。
- AI 帮着设计 AI 的芯片。设计芯片最耗人的环节之一是布局布线——大白话讲，「把几十亿个晶体管在硅片地图上摆得又快又省电」，过去要人类专家磨几个月。Google 从 2021 年起用强化学习方法做这件事，把部分模块的设计周期压到以天计，成果直接用在了自家几代 TPU（AI 专用芯片）里。更快的芯片训练更强的 AI，更强的 AI 设计更快的芯片——回路闭合一圈。
- AI 生产 AI 的教材。第六章说过，AI 吃数据长大，而人类公开文本快被吃完了。现在的做法之一是让 AI 生成高质量的训练材料——比如让模型出数学题再自己验证答案，把验证通过的留给下一代模型学习。合成数据——大白话讲，「AI 自己编的练习册」——正在补上数据缺口。当然，练习册编得不好会越学越蠢，所以这一关的「裁判」（自动验证器）格外重要。
大白话：判断一个正反馈回路有多猛，就看一圈下来「转速本身」涨了多少。AI 这个回路目前每转一圈，写实验代码更快一点、芯片更强一点、教材更多一点——三个因子都在给下一圈加息。
但先别急着喊「失控」
正反馈听起来吓人，好像明天就会无限加速。冷静点，回路里有几块刹车片。第一，每个环节都还有人在回路里当裁判，人的判断速度没变快；第二，算力和电力是原子世界的东西，芯片厂的建设周期以年计，不会因为代码写得快就变快；第三，「AI 编教材喂 AI」这条线如果被低质量内容污染，回路会反噬——这就像近亲繁殖，变异看似变多了，多样性其实在塌缩。
所以这个正反馈更准确的画像不是「失控的链式反应」，而是一台挂着涡轮增压、但还踩着几脚刹车的发动机。它让「AI 进步的速度」本身也在增长——这在第二章的框架里意味着：进化机器的变异零件不仅被换成了电动的，而且这个电动零件自己还在不断升级。匀速加速已经够改写世界了，带利息的加速意味着所有「线性外推」的预测——包括悲观和乐观的——大概率都会错。
讲到这里，快的一面讲完了。是时候踩一脚整本书自己的刹车：这台加速机器真的无处不在吗？下一章我们掉头看看，什么东西一点没变。