共计 1240 个字符，预计需要花费 4 分钟才能阅读完成。
过去几个月,RSI(Recursive Self-Improvement, 递归自我改进)迅速成为 AI 行业最热门的标签之一。从创业公司到头部实验室, 都在谈论让 AI 参与研发自己。但一位长期研究该方向的学者给出了冷静判断:概念热度远超技术现实, 炒作成分明显。
📌 RSI 到底是什么, 为何突然走红
- 重点: 人人都在担心 AI 失控, 我们找了个不慌的人聊了聊。
- 重点: 当前公开信息主要集中在产品、策略或节奏变化上。
- 重点: 后续仍需关注官方更新、落地范围以及实际反馈。
RSI 的核心逻辑并不复杂: 让 AI 系统通过反馈不断修改自身代码、记忆或工作流,从而在下一轮表现更好。今年 5 月, 一家名为 Recursive Superintelligence 的创业公司带着 6.5 亿美元融资亮相, 估值达 46.5 亿美元, 八位联合创始人来自 OpenAI、Google DeepMind 等机构。与此同时,OpenAI 宣称达到“自动化研究实习生”水平,Anthropic 开始量化 Claude 参与内部研发的比例, 智谱则将下一代模型方向称为“完全自训练”。
但伦敦大学博士生周辉池指出,这个热词在学术界 甚至没有一个统一定义。他认为, 当前 RSI 的爆火更多是资本和市场需要一个新的叙事标签, 技术本身与持续学习等既有方向存在很强延续性。
🔍 AI 研发 AI, 真实进度被夸大
周辉池与 Google 及国内大厂基模研究员交流后的判断是: 今天绝大多数基础模型研发,核心仍然由人主导 。AI 替代最快的是写代码、跑实验、看结果等执行环节, 但 它还不是一个端到端的自我研发系统。所谓 GPT 已能修改训练代码、Google 破解 RSI 等传闻, 并不属实。
他进一步区分了两个层次:AI 研究别的东西,和 AI 研究自己。当前大多数“AI 科学家”属于前者, 本质仍是工具; 只有当迭代对象开始指向系统自身, 才算进入 self-improvement 范畴。而最狭义的 RSI——AI 修改训练 AI 的代码并训练出下一代自己——目前远未实现。
💡 真正的瓶颈在“两头”
如果把一轮 AI 研发拆开,写代码、跑实验、分析结果这几步 AI 已经做得很好 。真正困难的是流程的两端: 最前面是什么问题值得研究, 最后面是下一步该往哪走。
📊 物理世界才是关键一公里
围绕“RSI 概念过热, 一线学者: 有炒作成分”，这一部分可从背景、现状与影响三个角度理解其关键信息。结合已公开内容来看，核心结论是趋势已较为明确，但细节仍需结合后续进展持续观察。
🚀 行业观察: 热度与现实的落差
RSI 概念的走红,折射出 AI 行业对下一个叙事焦点的渴求。资本需要新故事, 实验室需要新方向, 但技术进展有其自身节奏。当前 AI 在局部优化上确有突破, 但距离自主发现新问题、自主验证真实进步、自主连接物理世界, 仍有明显距离。对于关注这一方向的读者, 不妨区分三个层次: 能改自身 prompt 和记忆、能辅助生产下一代模型数据、能完全自主训练下一代自己——三者之间的技术鸿沟, 远比概念热度所暗示的要大。
