文 | AIX 财经（AIXcaijing），作者｜陈丹，编辑｜魏佳
在日行千里的 AI 行业，一直有人喊 " 狼来了 "。
过去几年，这只狼叫 AGI、超级智能、失控的 AI。最近，它有了一个更具体的名字：RSI —— Recursive Self-Improvement，递归自我改进。简单说，就是让 AI 开始参与研发自己。
今年 5 月，一家创业公司带着 6.5 亿美元融资走出隐身状态，估值 46.5 亿美元。它的名字就叫 Recursive Superintelligence ——递归超级智能。八名联合创始人来自 OpenAI、Google DeepMind、Meta 等顶尖实验室，包括前 Meta FAIR 研究主管田渊栋。他们想做的事几乎写在公司名字里：让 AI 自己做实验、寻找改进方向，再用这些发现继续改进 AI。
这不是孤例。越来越多 AI 公司开始讨论自我改进。OpenAI 称自己做出了 " 自动化研究实习生 "，Anthropic 开始按百分比测量 Claude" 主导 " 了多少内部研发工作，Google DeepMind 让 AI 寻找更好的算法，智谱则把下一代模型的方向称为 " 完全自训练 "。
但在研究 RSI 的伦敦大学博士生周辉池看来，现在 RSI 的爆火更多是炒作，学术界甚至没有一个统一定义。
周辉池是论文《Memento-Skills: Let Agents Design Agents》的第一作者。这项研究尝试让通用 Agent 根据经验，自主设计、调整和改进执行不同任务的 Agent。今年，他还参与了导师汪军（伦敦大学学院计算机系教授，长期研究强化学习、多智能体系统与智能决策）主导的 Large Discovery Models，研究 AI 能否在巨大而未知的搜索空间里，根据真实实验反馈和自身不确定性，决定下一步最值得尝试什么。
周辉池所在的实验室还搭了一套测试 AI research 能力的 benchmark，让 AI 连续工作 12 小时、反复提交答案，再接受隐藏测试。结果是，今天最强的一批模型，仍未达到人类研究者的水平。
01."AI 研发 AI，大部分被夸大了 "
过去一年，"AI 研发 AI" 正在从一句口号，变成几家头部实验室可以展示的具体能力。
2026 年 9 月，OpenAI 宣布，按照自身测量标准，已达到 " 自动化研究实习生 " 的目标：系统能在人类指导下，完成定义清楚、原本需要熟练研究员数天完成的研究任务。它仍把 2028 年 3 月作为实现自动化 AI 研究员的目标。
另一条路径，是让模型改善支撑模型运行的系统。Google DeepMind 的 AlphaEvolve 用语言模型和自动评估程序寻找更好的算法，应用包括数据中心调度和模型训练优化。智谱披露，由 GLM-5.3 驱动的 Infra Agent 参与优化 GLM-5.3-Flash 的推理基础设施，公司称不到两周，端到端吞吐达到初始基线的三倍。
这些进展让 RSI 成为一个具体问题：写出更多代码、提高一项性能指标，与自主研发下一代模型，究竟有多远？
「AIX 财经」：现在外界有一种越来越强烈的感觉，AI 已经开始研发下一代 AI 了。甚至有传闻说，GPT 已经能修改自己的训练代码、训练下一代 GPT，Google 破解了 RSI。你接触到的真实情况是什么？
周辉池：据我了解，这些说法并不是真的。
今天绝大多数基础模型研发，核心还是人在做。人决定算法、研究方向、训练方法，AI 替代得最快的是中间的执行环节，比如写代码、跑实验、看结果。它还不是一个 end-to-end 的自我研发系统。Google DeepMind 确实在做 self-improvement 相关研究，但目前 RSI 更多还是辅助方向，没有彻底改变基础模型研发流程。
我跟 Google 和国内大厂一些做基模的研究员都聊过，他们的工作并没有因 RSI 改变多少，也不 care 这个技术。更多工作仍是洗数据、做蒸馏、搭强化学习环境、形成数据飞轮，从人类数据里拿到更好的环境反馈。
「AIX 财经」：这个方向为什么会在这时候突然变热？
周辉池：说实话，我觉得现在有一定的炒作成分。
这个词可能才火了两三个月，Claude、GPT 最近都在提 RSI；国外很火的一些 AI 明星团队也在做，资本又迅速跟进，所以这个概念就一下被推到台前。
但从学术上看，它还没有形成特别清晰、统一的定义。萨顿（Richard Sutton）近期有一次公开表示，他并不认为 RSI 是什么全新的东西。在他看来，这套逻辑本质上和 continual learning（持续学习）有很强的延续性。学术界本来就在研究模型如何持续学习、根据反馈不断更新自己。只是到了融资市场，大家需要讲一个更有辨识度、也更有想象力的故事，RSI 就成了一个更容易被传播的标签。
现在更像是一个混乱过渡期。技术和研究本身已经存在，但 RSI 这个概念还没有被明确定义。
「AIX 财经」：那在你看来，什么情况下才能算 self-improvement，甚至 RSI？
周辉池：我会先区分两件事：AI 研究别的东西，和 AI 研究自己。
现在很火的 AI scientist，大部分属于前一种。让 AI 研究材料、药物，或者写代码、跑实验，本质上还是把 AI 当工具。
self-improvement 更强调第二种：迭代的对象开始变成 AI 自己。人给它环境和目标，它完成任务、获得反馈，再修改自己的代码、记忆、参数或外围系统，让下一轮表现更好。只要循环里 " 被修改的对象 " 开始指向系统自身，我就会把它放进 self-improvement 的范围。
「AIX 财经」：按照这个定义，一个 Agent 修改自己的 prompt 或者工作流，也算 self-improvement。但大家今天谈到 RSI 时，想象的似乎是更激进的东西。
周辉池：对，所以不同定义之间差得非常远。
宽泛一点，Agent 根据反馈修改 memory、prompt 或者 harness，下一次做得更好，也可以叫 self-improvement；再往前，是上一代模型帮助生产下一代模型所需的数据、环境或代码；最狭义的 RSI，是 AI 能够修改训练 AI 本身的代码，甚至把下一代自己训练出来。
目前 AI 更多还是局部优化。它已经可以写代码、自动调参，也可以设计一部分实验。给它一个明确指标，让它不断修改 harness、上下文管理或者任务执行方式，这类事情已经能做很多。但问题通常还是人定义的，目标也是人设定的。AI 更多是在一个已经搭好的环境里寻找更优解。
「AIX 财经」：也就是说，让 AI" 修改自己 " 本身并没有那么难，真正困难的是让它知道应该怎么改？
周辉池：对，还有一个更麻烦的问题：你怎么证明它修改以后真的变强了？
如果问题已经框得很清楚，比如给它一个指标，把数字从 80 优化到 90，AI 现在可以做很多事情。但真正的研究首先要知道什么值得改；改完以后要有可靠的评价标准。最后，这个提升还得泛化到新任务，而不只是对原来的环境有效。
「AIX 财经」：模型把自己的代码改了，benchmark 分数也提高了，为什么还不能证明它变强？
周辉池：因为它可能只是越来越会 " 做这几道题 "。
比如给 AI 三个任务 A、B、C，让它不断修改自己，最后三个任务的成绩都提高了。但再拿 D、E、F 去测试，可能没有提升，甚至掉点。这说明它只是越来越适应原来的测试环境。
所以做 self-improvement，一个重要问题就是度量衡：什么叫真的进步，什么只是 overfitting（过度拟合）。这也是为什么目前最容易做的还是 coding，代码有相对清楚的反馈。但 coding 变强，不代表科学研究、团队协作等能力也会一起提高。
02.RSI 最难的一公里，在物理世界
AI 进入科研的路径，正在从电脑里的计算延伸到实验台上的操作。
2025 年 2 月，Google 公布 AI co-scientist，尝试围绕科学家给定的目标生成研究假设和实验方案。
2026 年 8 月 27 日，Anthropic 发布 Model Hardware Standard（MHS）研究预览，为 AI 智能体操作物理设备提供统一接口。在展示的液体处理实验中，Claude 操作仪器、读取测量结果，并调整流速，以改善转移液体的准确性。但实验范围仍由专家设定，模型也会在需要物理直觉的环节遇到困难，例如识别气泡造成的误差。
局部实验已经能够形成反馈循环。更难的问题是：这样的循环能否长期稳定运行，并帮助机器发现值得研究的新问题？
「AIX 财经」：如果把一轮 AI 研发拆开——找问题、提出方案、写代码、跑实验、判断结果、决定下一步，现在 AI 已经能做到哪一步？
周辉池：写代码、跑实验、分析结果，这几步已经做得很好了。只要任务完全发生在计算机里，AI 进步都非常快。
真正困难的恰恰在研发流程的两头：最前面是什么问题值得研究？最后面是这一轮做完以后，下一步应该往哪里走？这两件事，现在 AI 都还不擅长。
「AIX 财经」：模型读过的论文可能比一个研究员还多，为什么仍然不擅长找问题？
周辉池：因为知道得多，不等于有 insight。
现在让模型想研究方向，它经常给出很多工程化方案：这里加一个模块，那里换一种方法，更多是在已有框架里缝缝补补。如果把所有可能的 idea 想象成一个正方形，里面已经塞满人类过去产生过的想法，今天的模型很擅长在已有的球之间找缝隙，再塞进去一个更小的球。也就是说，它擅长 incremental improvement（渐进式改进）。真正困难的是，怎么走出这个正方形。
我们做 Large Discovery Model 时，会把知识空间分成 known knowns（已知的已知）、known unknowns（已知的未知）、unknown knowns（未知的已知）和 unknown unknowns（未知的未知）。最难的是最后一种：AI 不知道，人类也不知道，甚至问题和答案今天都还不存在。真正重要的新药、新材料、新算法，很多时候恰恰来自这里。
周辉池：这就是我们真正想解决的问题。
普通语言模型的训练目标是预测下一个 token，但做科学发现，不是预测下一个词。你需要对世界本身建模，也需要对不确定性建模。
比如做材料实验，模型不能只沿着过去实验最多的区域继续搜索，还要知道哪些地方已经比较确定，哪些地方几乎没有被探索；哪些区域虽然风险更高，却值得尝试。
我们以前做合金实验时就遇到过。按照传统经验，某种元素加进去可能不会有太好效果，但 AI 发现那一块区域过去被探索得很少，所以建议我们尝试，结果还真找到了当时性能最好的材料。
最让人兴奋的，不是 AI 把 80 分做到 82 分，而是它带你进入一个未知的地方。
「AIX 财经」：那出现什么样的成果，你才会觉得 RSI 真的有了比较大的进展？
周辉池：肯定不只是发论文。
现在有些团队会说自己的 AI 能够生成很多论文，但里面有多少真正的新想法、多少经过人工筛选和修缮，很难判断。
我更看重的是，它能不能真正和物理世界连接起来。
比如把计算机里的 " 干实验 " 和实验室里的 " 湿实验 " 形成闭环：AI 提出假设、设计实验、操作设备、拿到现实世界的反馈，再根据反馈调整下一轮实验，最后找到一种真正的新材料或者新药。
如果这个闭环能够稳定跑起来，将会改变科学研究的范式，这是目前很多研究者追求的，也是我的理想，如果真的实现，可能我的工作也要被 AI 取代了。
Anthropic 也在尝试把 Claude 和显微镜、机械臂、液体处理设备连接起来。让 AI 能够操作仪器，是很重要的一步，但能操作仪器，和真正跑通科研闭环，还是两回事。
「AIX 财经」：差别在哪里？
周辉池：关键在于，它能不能稳定地处理现实世界里的意外。
材料或者药物发现里，有一类问题可以先由人类框得比较清楚。比如十种金属里选五种，按照不同比例组合，找到性能最好的配方。
它不要求 AI 回答 " 下一场科学革命是什么 "，只要求它在一个巨大的搜索空间里，比人更聪明、更高效地试错。这可能是短期内最容易出现的 " 机器科学家 "。它未必像爱因斯坦一样自由提出全新理论，而更像一个在人已经明确目标之后，可以自动完成成千上万轮实验的系统。
「AIX 财经」：除了 " 找问题 " 和 " 决定下一步 "，还有什么会限制 RSI 继续加速？
周辉池：现实里最核心的是三个因素：算力、数据和评估。
算力比较好理解，大家都需要 GPU。数据更麻烦。你想让 AI 真正进入金融、生物、化学这些专业领域，就需要行业专家把自己的 know-how 变成 AI 可以学习和试错的环境。
评估也一样重要。如果 AI 要持续改进，就必须有足够密集的反馈告诉它哪里做对了、哪里做错了、下一步应该往哪个方向走。
所以数据和评估最后都可以归到一个词：环境。好的环境首先要足够多样，其次 reward 要足够密集。数字世界比较容易构造这样的环境，所以进步会很快。真正困难的是把这种环境扩展到现实世界，这是最难的 " 最后一公里 "。
「AIX 财经」：你觉得这一步还需要多久？
周辉池：如果只是算力、数据、评估这些基础条件，我觉得未来两三年会有很明显的改善。但如果说把数字世界和物理世界真正打通，让 AI 稳定完成一个完整的科研闭环，我会更保守一些，可能要五年。
如果 RSI 真的已经非常接近，AI 公司理论上应该会大规模招各领域的人。因为接下来很重要的一件事，就是把各行业的 know-how 变成环境，让 AI 进去训练。现在确实能看到一些类似动作，比如有公司招艺术家，也有公司招 STEM 科学家。但至少从我看到的情况，大部分公司还没有非常急迫地把每一个行业的知识系统性地 " 装进 "AI。
03.AI" 失控风险 "，被夸大了吗？
完整的递归自我改进尚未实现，研发岗位的分工却已经发生变化。越来越多执行工作交给 AI 之后，人能够尝试更多方向，也必须判断哪些结果值得继续投入。
OpenAI 披露，截至 2026 年 8 月中旬，其研究组织每投入一个人类工作日，会调用按八小时折算的 3.1 个智能体工作日。这衡量的是运行时长，不能直接等同于研究效率提高 3.1 倍。公司仍表示，研究优先级、哪些结果值得继续，以及是否扩大、暂停或部署系统，由人决定。
Anthropic 同期的内部测量显示，Claude" 主导 " 的工作占其 AI 研发工作的 26%。
周辉池和同行们的研究生活也在变化。至于大家频繁讨论的 "AI 失控 "，他认为并非毫无风险，但现在离那一步还远，AI 还不具备自我意识。
「AIX 财经」：AI 让研发变快了，但很多研究员反而觉得自己更忙了，这是为什么？
周辉池：主要是写代码和跑实验这两步变快了。
以前没有 AI 的时候，一天里很大一部分时间都花在复现代码、写测试脚本、debug 上，很琐碎。现在这些执行性工作变快了，你就可以同时研究更多问题、跑更多实验、读文献、想问题，以及和同行讨论。
所以从工作量看，人反而可能更忙；但从精神状态上说，我觉得舒服了一些。
「AIX 财经」：当越来越多执行性的工作可以交给 AI，基模团队的规模和分工会发生什么变化？研究员自己的角色又会往哪里转？你是否也在调整自己的工作重心？
周辉池：这一两年的基模团队太疯狂了，一直在不停招人、扩张，但其实训练大模型并不需要太多人。现在很多核心算法框架已经比较成熟，新进去的人有相当一部分时间是在处理数据、搭环境、做实验。现在缺的是 infra。一个好的 infra 团队，可以让研究员很快启动、同时运行很多组实验。过去可能要几个人手工完成的事情，有了更好的 infra 和 AI 以后，会越来越自动化。
现在计算机领域原有的 research 体系都发生了很大变化。
工具越来越方便，写代码、跑实验、整理结果都变快了，发论文的门槛也比以前低。进入研究体系的人越来越多，甚至很多高中生都可以发论文。论文基数不断扩大，但顶级会议就是这些，接受比例也是一定的，未来竞争只会更激烈。
所以我现在也在主动往更 high-level 的事情上走，比如管理、判断方向、提出问题。很多时候想到一个有意思的点子，就交给别人或者 AI 去验证。我觉得未来人很重要的位置是 review 和 judge，所以思考能力很重要。
如果每天做的事情 99% 都是 AI 已经可以完成的，而且自己也越来越依赖它，长期看，这部分能力一定会下降。
「AIX 财经」：现在 AI 公司越来越频繁地谈失控、对齐这些风险。以你接触到的真实进展来看，这种担忧已经到了多紧迫的程度？
周辉池：未来 AI 可能真的会很强，甚至有失控的可能，但现在离那一步还比较远。
有些安全担忧也不是没有道理。未来我们会把越来越多通讯软件、账户和设备权限交给 AI，如果有一天它拥有更强的自主性，甚至学会隐瞒信息，会带来新的风险。
但以现在的能力看，更现实的还是账户攻击、隐私泄露这类数字世界里的问题。它现在更像一个很强的执行器，还不是一个真正有自己想法的机器。
「AIX 财经」：如果 RSI 真的实现，是不是意味着 AI 也开始有了自己的意识？
周辉池：这两件事不能完全画等号，但它们之间肯定会引出更多关于机器意识的问题。
如果机器表现出越来越强的自主性，我们应该怎么判断它只是一个复杂的系统，还是出现了某种更接近意识的东西？
但至少现在，我们还没有看到有说服力的证据证明机器已经拥有意识。
