从局部优化到递归自进化，AI距离真正的RSI还有多远？

近日，Anthropic 与 OpenAI 相继释放放慢前沿 AI 能力推进节奏的信号。二级市场迅速反应，半导体与芯片股集体承压。市场担心的核心逻辑在于：当领跑者开始谈论刹车，以算力和资本开支堆叠模型的增长范式是否遭遇瓶颈？

这轮讨论的焦点指向了一个长期带有科幻色彩的概念：递归式自我改进（Recursive Self-Improvement，简称 RSI）。它描述的是 AI 深度参与设计、甚至亲手构建下一代自系统的技术图景。MIT 博士、AI 研究者瞿骜从工程与技术视角，对当下的自进化热潮进行了深度拆解。

代码生成突破让自我改进落地，但大多仍是局部循环

自进化的真正抓手是编程能力与上下文管理的原生化。从强化学习、DeepSeek R1 的推理突破，到具备长时间作业能力的先进模型，AI 已经能够在一个闭环内自行完成读取代码、修改、执行、分析结果并进入下一轮循环。

然而，今天业内跑通的绝大部分属于「持续自我改进」（Continual Self-Improvement），而非严格意义上的 RSI。持续自我改进指 AI 在与环境交互中积累经验，更新记忆、提示词、工具或者外围工作框架（harness）。

真正的 RSI 则承袭了 I. J. Good 在 1960 年代提出的超智能机器设想：机器不仅从经验中学习，更能亲自参与设计、训练下一代模型架构，甚至重构底层 GPU 内核与硬件系统。将机器定义得越完整，RSI 的门槛就越高。目前行业实现的，仅仅是自进化的局部循环。

经验沉淀困境：仅靠推理无法真正「长本事」

让 AI 智能体执行长期任务时，纯粹依赖上下文与工作框架的演进往往会遇到上限。任务结束后，很多宝贵的调试经验仅停留在临时记忆中，没有沉淀进模型权重。

目前前沿研究正通过测试时训练（Test-time Training）、测试时强化学习以及自蒸馏等手段，探索将真实任务中的试错经验学回模型内部。但在工程落地中，面临三大核心难点：

1. 反馈定义的复杂性：优化 GPU 内核有明确的速度指标（更快或更慢）；模拟经营则需要长期结果反馈；而风格化偏好更因人而异。真实世界缺少干净、即时的判定标准，AI 很难获得无偏的学习信号。
2. 模型与 Harness 的协同进化：行业曾争论应优化工作框架（规则、流程与工具）还是直接微调模型。事实证明二者并非单选，Harness 无法替模型做开放式判断，协同进化（Model-Harness Co-evolution）才是可行路径。
3. 元认知能力的缺失：面对一次失败，AI 需要像人类一样自主判断：这条经验应该作为笔记存在记忆库，还是值得更新到底层权重？具备这种元认知，经验才不会沦为低效的数据堆叠。

迈向真正 RSI 的现实阻碍与权限天花板

持续自我改进要跨入真正的 RSI，还需越过多道技术鸿沟：

• 自蒸馏陷阱与经验固化：如果只让模型学习最终的正确答案，而丢弃中途反思与试错过程，反而可能损伤推理能力；同时，过度依赖成功路径会让模型陷入采样死锁，越学越窄。
• 经验暴露（Experience Exposure）：无论基座大语言模型预训练规模多大，永远不可能提前覆盖部署后的全部现实情境，模型权重必须具备动态更新能力。
• 能力与权限的博弈：决定 RSI 进程的不仅是模型能力，更是人类授予的系统权限。AI 要制造下一代 AI，必须获得修改底层代码、接触训练管线甚至基础设施的最高权限。权限越高，安全边界就越脆弱。

AI 自我改进的奇点，未必是一个刷榜的基准测试，而是当 AI 在「构建 AI」这件事上的工程判断力全面超越顶尖人类研究者的时刻。在迈向这个临界点之前，人类愿意为 AI 打开多大的系统权限，依然是最大的决定性变量。