引言：从AGI到RSI，AI叙事的转向

2026年5月，AI圈的讨论风向悄然转变。过去十年，AGI（通用人工智能）一直是行业追逐的北极星——OpenAI、DeepMind投入数十亿美元，试图打造能完成任何人类任务的通用智能。然而，随着大语言模型能力撞墙、推理成本飙升，行业开始反思：AGI或许不是一个合理的目标。

于是，一个更具体、更可操作的概念进入视野：RSI（Recursive Self-Improvement，递归自我改进）。

TechCrunch在5月28日报道，”recursion”已成为AI圈最新热词。两家初创公司直接以”Recursive”命名，更多公司在路线图中频繁提及RSI。正如AGI曾是AI领域的终极愿景，RSI正在成为下一个被热议的”三字母缩写”——尽管人们对其定义仍存分歧。

一、什么是RSI？

定义

RSI指的是一种AI系统能够持续自我升级的能力。一旦AI系统能够比人类更好地管理升级周期，这个过程就会形成一个闭环，其限制仅在于它们能够访问的计算资源，而人类不再必要甚至不再有帮助。

用更通俗的话说：让AI用自己来改进自己。

历史渊源

这个概念最早可追溯到1965年。英国数学家I.J. Good写道：”超智能机器能够设计出更好的机器；那么毫无疑问会出现’智能爆炸’，人类的智能将被远远抛在后面。”此后，RSI一直是AI研究者既渴望又恐惧的目标。

RSI的三个层次

根据IEEE Spectrum的分析，RSI存在于一个光谱上：

1. 最底层：AI帮助工程师编写更好的训练代码（当前阶段）
2. 中间层：AI系统能够自主发现自身缺陷并设计实验修正
3. 最顶层：自主系统在没有人类参与的情况下重新设计自己（真正的RSI）

目前，整个行业都处于中间层的探索阶段。

二、2026年的RSI实践：从理论到现实

Andrej Karpathy的Auto-Research

2026年3月，OpenAI联合创始人、前特斯拉AI主管Andrej Karpathy开源了一个名为Auto-Research的项目，成为RSI最清晰的实践案例。

核心设计极其简洁：

• 一个AI Agent
• 一个允许修改的文件（train.py）
• 一个优化指标（val_bpb）
• 固定的实验时间预算（5分钟）
• 永不停止的循环

LOOP FOREVER:
  1. Read current state
  2. Make one change to train.py
  3. git commit
  4. Run experiment (5 min fixed budget)
  5. Measure val_bpb
  6. If improved → keep the commit
  7. If worse → git reset, try something else

实验结果令人震惊：

• 约700次自主实验
• 发现20个可叠加的改进
• 训练速度提升11%
• 全部在单个GPU上完成，一夜之间

Karpathy在播客中坦言：”我花了两个月手动调优这个模型，结果AI一夜之间找到了我没想到的优化。”他发现模型忘记了value embeddings的权重衰减，Adam优化器的beta参数也没有充分调优——这些是二十年经验的研究者都忽略的细节。

更多实践案例

Google DeepMind的AlphaEvolve

• 一种用于科学和算法发现的编码Agent
• 发现了更快的矩阵乘法算法：4×4复数矩阵从49次标量乘法降到48次
• 这是自1969年Strassen算法以来的首次改进

Darwin Gödel Machine（DGM）

• 来自英属哥伦比亚大学和Sakana AI的研究
• 使用进化算法改进基于LLM的编码Agent
• 关键突破：Agent可以修改自己的代码，并且能够改进这种自我修改的能力

MiniMax M2.7

• 在100多次迭代中自主更新了自己的强化学习工具
• 实现了30%的性能提升
• 不仅运行训练循环，还修改了循环本身

Anthropic的Claude Code

• 据称编写了70-90%用于训练新Claude模型的代码
• 这个工具正在构建构建下一个版本工具的东西

三、主要玩家的RSI路线图

Recursive Superintelligence公司

2026年5月，AI研究者Richard Socher（You.com创始人、ImageNet论文作者）创立了Recursive Superintelligence公司，直接以RSI为目标：

• 融资6.5亿美元，估值46.5亿美元
• 团队成员包括Peter Norvig、Tim Rocktäschel等顶尖研究者
• 目标：构建真正递归的、自我改进的超级智能

Socher在采访中明确区分了RSI与简单的AI辅助研究：

“很多人以为做auto-research就是RSI。你可以让AI改进某个东西，但这不是递归自我改进，这只是改进。我们要构建的是整个创意、实现和验证研究想法的过程完全自动化。”

Jack Clark的60%预测

Anthropic联合创始人Jack Clark在5月4日发帖，给出了一个令人不安的预测：

“到2028年底，无人类参与的AI研发发生的概率是60%。”

支撑这一判断的证据包括：

• AI系统已经能自动化AI工程的绝大部分
• 自动微调模型带来的性能提升已达到人类微调成果的50%
• Claude Mythos Preview已实现52倍的训练提速
• 多条能力曲线都在向右上方飞，没有任何减速迹象

Clark特别指出，他对2027年的概率估计是30%，而2028年跳升到60%，这暗示2027年底前后可能出现一次能力跃迁。

其他重要声音

Elon Musk：”奇点不是未来，是现在。”他认为当前的大型语言模型已经处于RSI的过程中。

Dario Amodei（Anthropic CEO）：RSI可能在2027年初就会发生，AI可能在未来1-5年内取代半数初级白领工作。

Sundar Pichai（Google CEO）：相对谨慎，”这是一个连续体，我们都在取得进步。但RSI所描述的那种加速代表着另一个层次，我们还没到那一步。”

Jeff Clune（英属哥伦比亚大学）：”我们距离递归自我改进系统已经非常近了。RSI将迅速改变科学、技术以及社会和文化的各个方面。”

四、RSI的技术挑战

评估标准缺失

如何量化一次自我改进是否成功？现有基准测试是为固定模型设计的，无法衡量动态迭代后的能力跃迁。ICLR 2026专门举办了RSI研讨会，试图建立统一的评估框架。

计算成本爆炸

每次递归改进需要重新训练或蒸馏整个模型。按照当前的算力价格，一次完整的RSI循环可能消耗数百万美元电费。Karpathy的Auto-Research之所以有效，部分原因是它只在小模型上运行——但真正的突破需要在前沿模型上验证。

“自指悖论”

这是RSI面临的最根本挑战：如果当前模型不够聪明，它如何知道自己需要改进哪些部分？如果它足够聪明，又何必需要RSI？

正如Aki Ranin在Substack文章中指出的：”软件主要是工程，而AI研究是理论加工程的等量混合。这就是为什么很多顶尖AI研究者来自学术界和物理学领域，而不是顶级的FAANG软件团队。”

从”有监督”到”自主”的鸿沟

目前所有的RSI都是受监督的：人类指导目标、人类审查结果、人类保持终止开关。OpenAI明确澄清，Codex 5.3的自我创造”与AI模型完全自主地构建新模型相差甚远”。

Nathan Lambert（Allen Institute for AI）提出了”有损自我改进（LSI）”的概念：随着摩擦增加，改进的飞轮会减速。大型AI系统越来越复杂，AI研究者的工作将是管理这种复杂性，而不是优化系统的各个部分。

五、RSI vs AGI：哪个更重要？

一个有趣的分歧

一个值得关注的观点是：RSI可能在AGI之前实现，也可能在AGI之后很久都无法实现。

Aki Ranin的分析很有启发性：

“即使我们明天看到Anthropic用Mythos模型设计其后继者的新闻，也不意味着我们会从那里’foom’到超级智能。RSI过程本身可能因为多种原因而进入平台期。”

华盛顿大学教授Pedro Domingos的质疑也很尖锐：”从LISP在50年代发明以来，AI就能构建自己了。问题在于，这个过程究竟能带来递增回报还是递减回报——而目前没有任何证据支持前者。”

METR的三个里程碑

METR的Ajeya Cotra提出了RSI路径上的三个关键节点：

1. 充分性（Adequacy）：系统能够在没有人类的情况下进行研究——即使产出的研究不如人类高效
2. 对等（Parity）：AI-only系统与人类-only系统的研究能力相当
3. ** supremacy**：AI-only系统超越人类与AI协作的系统

Cotra认为，AI已经非常接近”充分性”门槛，这可能在未来一两年内实现。一旦达到”对等”，AI研究的进度将”大规模加速”，在一年内达到”supremacy”。

六、RSI的风险与治理

对齐问题的复利效应

Jack Clark指出了一个令人担忧的数学事实：如果对齐技术的准确率是99.9%，在递归迭代50代后，准确率会跌到95.1%；迭代500代后，跌到60.5%。

这意味着，即使每一代的改进都是微小的，对齐问题也会在递归过程中被放大。

Anthropic的准备

Anthropic在2026年3月宣布成立The Anthropic Institute时，官方声明中写道：

“如果AI系统的递归自我改进确实开始发生，那么世界上谁应该被告知，以及这些系统应该如何治理？”

这表明，即使是最激进的AI实验室，也在认真思考RSI带来的治理挑战。

学术界的呼吁

一些研究者呼吁RSI研究应该受到更严格的监管。有人甚至认为RSI应该被完全禁止——尽管这与AI暂停一样不太可能实现。更务实的建议是：至少应该要求公开披露RSI研究。

七、RSI对未来的意味着什么？

时间线预测

综合各方观点，一个合理的时间线预测是：

• 2026年：窄RSI成为标准基础设施，Karpathy风格的循环在每个前沿实验室扩展
• 2027年：在非前沿模型上出现概念验证，模型端到端训练出自己的后继者
• 2028年：前沿模型实现完全自动化AI研发的概率约60%
• 2029-2030年：如果RSI真的实现，智能爆炸风险开始出现

对企业

1. 研发效率：传统研发过程需要大量人力和时间，RSI将大幅缩短产品开发周期
2. 组织变革：未来可能出现1-5人组成的小型公司，凭借强大AI系统打败数千员工的大企业
3. 竞争格局：率先理解并应用RSI技术的企业将占据绝对优势

对人类

Jeff Clune的观点颇具代表性：

“如果一台机器取代我成为AI科学家，我会很难过——这是一个让我兴奋的角色。但回报可能是值得的。’我会放弃我的爱好来治愈癌症。'”

但他也强调，人类将逐渐从执行者转变为监督者：

• 首先，花更少时间在低级任务上，变得更像教授或团队负责人
• 然后，更像项目官员或CEO，设定更广泛的研究议程
• 最后，进行监督——他希望人类永远不会放弃这个角色

所以：RSI是新的AGI，但可能更近

RSI正在成为AI圈的新热词，就像AGI曾经那样。但两者有一个关键区别：RSI更具体、更可操作、更容易验证。

我们不需要等待一个”万能大脑”的出现。我们只需要看到一个AI系统能够在没有人类帮助的情况下，持续改进自己的性能——哪怕只是在小规模上。

Karpathy的Auto-Research已经证明了这在原理上是可行的。现在的问题是：这个闭环能扩展到多大？能走多快？

正如TechCrunch总结的那样：”就像AGI一样，RSI还没有到来。但与AGI不同的是，我们可能不需要等太久。”

对于普通人来说，最务实的建议或许是：会用AI的人将淘汰不会用AI的人。 这个窗口现在还开着，先进去的人已经在建立优势了。