文章探讨了 Coding Agent 能够自动运行实验后，递归自我改进（RSI）是否会导致智能爆炸。作者认为，RSI 需要满足成果回传、自我增强和收益超开销三个条件，但实际中面临组合困难、收益递减和资源瓶颈。通过 autoresearch 实践，作者发现初始化阶段和关键决策仍需人类参与，因此更认同 Nathan Lambert 提出的 LSI（有损自我改进）概念：AI 会显著提升研发效率，但改进收益在传递中会打折，难以仅凭局部进展推导出持续加速。
文章探讨技术组织中自动化与流程管控之间的矛盾：团队一边搭建高效自动化流水线，一边又设置层层审批关卡。作者从复杂系统演化视角分析，指出速度在软件行业中成为最大风险放大器，事故后的管控收紧、审批与自动化的循环是组织维持动态平衡的免疫机制。文章进一步以康威定律解读代码架构作为权力划分，类比平台化与操作系统、标准化与消除单点故障，最后借社会契约解释工程师为何让渡自由换取秩序与稳定性，指出系统规模越大，制度外壳越厚。
本文从人因工程视角探讨人类在复杂系统中的角色，指出人类是系统中最脆弱且不可预测的组件。作者结合航天、核电、大模型交互等场景，分析了人类在高压下的认知局限，如注意力狭隘、态势感知崩溃等。文章批评了心理学研究的复现危机和遍历性问题，强调个体预测的困难。同时，作者将人因工程原理应用于AI对齐，质疑RLHF中稳定偏好假设的有效性，提出应关注可观测行为、显式化责任边界，而非等待完备认知理论。
文章讨论了超级智能的到来并没有带来预期的剧烈变革。作者认为，虽然AI在代码、法律等领域表现出色，但真正的限制在于与现实的接触。复杂系统的问题无法仅靠推理解决，需要实际验证。尽管AI将带来巨大进步，但不会出现突然的“起飞”或不可理解的未来。
本文探讨了进入前沿 AI 实验室所需的素质。作者认为，核心不在于单纯的科研或工程能力，而在于在信息不完备的环境中构建有用抽象的能力。研究是对不确定性的压缩，工程是对复杂度的压缩。随着知识获取门槛降低，稀缺资源不再是信息，而是关于“什么值得做”的判断力与品味。
