在AI行业飞速发展的当下，始终有人发出“危机将至”的警示。

过去数年，这种危机感指向AGI、超级智能、AI失控等概念。如今，它有了一个更具体的名称：RSI，即Recursive Self-Improvement，递归自我改进。通俗而言，就是让AI参与自身的研发过程。

今年5月，一家初创公司结束隐身模式，带着6.5亿美元融资亮相，估值达到46.5亿美元。这家公司名为Recursive Superintelligence，直译为“递归超级智能”。其八位联合创始人来自OpenAI、Google DeepMind、Meta等顶级实验室，其中包括前Meta FAIR研究主管田渊栋。他们的目标直接体现在公司名称中：让AI自主进行实验、寻找改进方向，并利用这些发现持续优化自身。

这并非个例。越来越多的AI公司开始探讨自我改进。OpenAI宣称已打造出“自动化研究实习生”，Anthropic开始以百分比衡量Claude在其内部研发工作中的“主导”程度，Google DeepMind让AI探索更优算法，而智谱则将下一代模型的发展方向定义为“完全自训练”。

然而，在伦敦大学研究RSI的博士生周辉池看来，当前RSI的走红更多是炒作，学术界甚至尚未形成统一的定义。

周辉池是论文《Memento-Skills: Let Agents Design Agents》的第一作者。该研究旨在让通用Agent根据自身经验，自主设计、调整并优化执行不同任务的Agent。今年，他还参与了由导师汪军（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项目，研究AI能否在庞大而未知的搜索空间中，依据真实的实验反馈和自身的不确定性，决定下一步最值得尝试的方向。

周辉池所在的实验室还搭建了一套用于测试AI研究能力的基准测试（benchmark）。AI需连续工作12小时，反复提交答案，并接受隐藏测试。结果显示，目前最强大的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”正从一句口号，逐渐转变为几家顶级实验室能够展示的具体能力。

2026年9月，OpenAI宣布，根据其自身衡量标准，已达成“自动化研究实习生”的目标：该系统能在人类指导下，完成定义清晰、原本需要熟练研究员数天才能完成的研究任务。该公司仍将2028年3月设定为实现自动化AI研究员的目标。

另一条路径是让模型改进支撑其运行的底层系统。Google DeepMind的AlphaEvolve利用语言模型和自动评估程序来寻找更优算法，应用范围包括数据中心调度和模型训练优化。智谱透露，由GLM-5.3驱动的Infra Agent参与了GLM-5.3-Flash推理基础设施的优化，公司称在不到两周内，端到端吞吐量达到了初始基线的三倍。

这些进展使RSI成为一个具体问题：编写更多代码、提升一项性能指标，与自主研发出下一代模型之间，究竟有多大的距离？

「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，这些说法并非事实。

如今，绝大多数基础模型的研发核心仍然是人。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。它还不是一个端到端的自我研发系统。Google DeepMind确实在进行与自我改进相关的研究，但目前RSI更多还是辅助性质，并未彻底改变基础模型的研发流程。

我与Google以及国内一些大厂从事基础模型研究的人员都聊过，他们的工作并未因RSI发生多大改变，也不太关注这项技术。更多的工作仍然是清洗数据、做蒸馏、搭建强化学习环境、形成数据飞轮，从人类数据中获取更好的环境反馈。

「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，我觉得现在存在一定的炒作成分。

这个词可能才火了大概两三个月，Claude、GPT最近都在提及RSI；国外一些非常热门的AI明星团队也在做，资本又迅速跟进，所以这个概念一下子就被推到了前台。

但从学术角度来看，它还没有形成特别清晰、统一的定义。萨顿（Richard Sutton）在近期的一次采访中表示，他并不认为RSI是什么全新的东西。在他看来，这套逻辑本质上与持续学习（continual learning）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的过渡期。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，什么情况下才能算自我改进，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科学家，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。

自我改进更强调第二种：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，我就会把它纳入自我改进的范围。

「AIX财经」：按照这个定义，一个Agent修改自己的提示词或者工作流，也算自我改进。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距非常大。

宽泛一点，Agent根据反馈修改记忆、提示词或运行框架，下一次做得更好，也可以叫自我改进；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，让它不断修改运行框架、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建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，基准测试分数也提高了，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。

所以做自我改进，一个重要问题就是度量衡：什么叫真的进步，什么只是过度拟合（overfitting）。这也是为什么目前最容易做的还是编程，代码有相对清楚的反馈。但编程变强，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公布了AI共同科学家（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发布了模型硬件标准（Model Hardware Standard，MHS）的研究预览，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，不等于有洞察力（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。如果把所有可能的想法想象成一个正方形，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，它擅长渐进式改进（incremental improvement）。真正困难的是，怎么走出这个正方形。

我们做大型发现模型（Large Discovery Model）时，会把知识空间分成已知的已知（known knowns）、已知的未知（known unknowns）、未知的已知（unknown knowns）和未知的未知（unknown unknowns）。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。

「AIX财经」：机器怎么去寻找一个连人类都不知道的东西？

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专业知识（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，其次奖励信号（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，就是把各行业的专业知识变成环境，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、调试（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，基础模型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：这一两年的基础模型团队太疯狂了，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。现在缺的是基础设施（infra）。一个好的基础设施团队，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，有了更好的基础设施和AI以后，会越来越自动化。

现在计算机领域原有的研究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高级别的事情上走，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评审（review）和判断（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。

本文来自微信公众号“AIX财经”，作者：陈丹，编辑：魏佳，36氪经授权发布。