递归自我改进：AI 的"左脚踩右脚"

2026 年 9 月 22 日，OpenAI 在一份名为《为 AI 的下一阶段建立标准》的文件里写下了一句话：

"自动化研究有可能改进对齐，但完全自主的递归自我改进目前尚未发生，在能安全实现之前不应该追求。"

这句话值得停下来读两遍。它不是科幻小说家的警告，也不是媒体标题党的演绎——它是全球估值最高的 AI 公司，在官方文件里，对"递归自我改进"这个概念第一次做出正式回应。

递归自我改进（Recursive Self-Improvement，RSI），这个在过去两年里从学术名词变成融资赛道、再变成外交议题的概念，究竟是什么？

一、什么是 RSI

先给定义：递归自我改进，指的是一个 AI 系统能够设计、训练、部署比自己更强的下一代 AI 系统，而下一代又能做同样的事，如此循环。

用程序员的话说，这是一个递归函数：build(AI_n) → AI_{n+1}，其中 AI_{n+1} 比 AI_n 更强，且 AI_{n+1} 也能执行 build。

这个概念并不新。1965 年，英国数学家 I.J. Good 在《关于第一台超智能机器的推测》里就写过：

"第一台超智能机器是人类需要发明的最后一台机器，前提是它足够温顺，愿意告诉我们如何控制它。"

Good 把它叫"智能爆炸"（intelligence explosion）。六十年来，这个概念一直停留在哲学讨论层面。变化发生在最近两年：它开始出现在公司财报电话会、政府听证会和风险投资备忘录里。

二、RSI 要解决什么问题

RSI 的核心动机是一个朴素的不等式：人类研究员的数量和速度，追不上 AI 系统复杂度的增长。

今天的旗舰模型有数万亿参数，训练一次要消耗数亿美元和数月时间。每一次迭代都依赖成千上万的人类工程师和研究员：设计实验、清洗数据、调超参数、分析失败案例、修复 bug。这个流程慢、贵、且高度依赖稀缺人才。

RSI 的设想是：让 AI 自己来干这些事。不是辅助人类，而是替代——AI 阅读论文、提出假设、设计实验、写代码、跑训练、分析结果、发现瓶颈、提出改进方案，然后构建下一代自己。

如果这个闭环成立，AI 的进步速度将不再受限于人类研究员的数量和工作时间，而只受限于算力和数据。这就是"智能爆炸"的工程学含义：不是某一天 AI 突然觉醒，而是迭代的循环时间从几个月缩短到几天、几小时。

三、RSI 的技术路径

RSI 不是单一技术，而是多条路径的汇合。当前业界主要在四个方向上推进：

自动化研究代理（Automated Research Agents）：让 AI 系统执行完整的科研流程——读文献、提假设、写代码、跑实验、写论文。OpenAI 今年 9 月宣布其"自动化研究实习生"目标达成，内部研究员人均产生 3.1 个 agent-workday/天——这是这条路径的第一个公开里程碑。

代码自我改进（Code Self-Improvement）：AI 系统修改自己的训练代码、优化器、甚至架构。这不是指模型自己改自己的权重（那是灾难性的），而是 AI 作为工具参与到下一代模型的工程实现中。Google 的 AlphaEvolve 和 Sakana AI 的 AI Scientist 是这条路径的早期探索。

训练环境自动生成（Automated Environment Design）：RL 训练需要精心设计的奖励环境和任务分布。RSI 的一个关键子问题是：能否让 AI 自己设计越来越难的训练课程？这正是 Anthropic 在公开文件中提到的方向——"更好的对齐奖励、自动化的安全训练场景生成"。

硬件-软件协同进化（Hardware-Software Co-Evolution）：用 AI 设计下一代 AI 芯片，再用新芯片训练更强的 AI。Ricursive Intelligence 做的就是这件事——前 Google 研究员创立，用 AI 自动化芯片设计流程，融了 3.35 亿美元。

这四条路径的共同点是：它们都在缩短"一代 AI 到下一代 AI"之间的循环时间，只是切入的环节不同。

四、RSI 的三道门

RSI 不是开关，是光谱。可以用三道门来理解当前的位置：

第一道门：AI 参与研发。 AI 作为工具辅助人类研究员，但人类仍然是研究的主导者和决策者。OpenAI 的"自动化研究实习生"就是这道门的标志——AI 能读论文、跑实验、写初稿，但每个环节都有人类研究员把关。这道门已经跨过了。

第二道门：AI 主导研发，人类质检。 AI 系统能独立完成大部分研究工作，人类退到审核和批准的位置。关键指标是：AI 提出的改进方案中，有多大比例被直接采纳而无需人类修改？今天这个数字还很低，但各实验室都在全力推进。

第三道门：完全自主的 RSI。 AI 系统不仅能做研究，还能决定研究方向、分配资源、部署自己的下一代。这道门一旦跨过，迭代的循环时间将从"月"缩短到"天"甚至"小时"，人类的角色从质检员变成旁观者——或者，被排除在循环之外。

OpenAI 9 月 22 日的文件实际上是在说：我们已经在第一道门内，正在向第二道门推进，但第三道门——完全自主的 RSI——"目前尚未发生，在能安全实现之前不应该追求"。

五、业界的进展

RSI 在 2026 年已经从学术讨论变成了真实的产业竞赛。

融资赛道成形。 今年 2 月，Ricursive Intelligence 以 40 亿美元估值融资 3.35 亿；5 月，Recursive Superintelligence 以同样的估值融资 6.5 亿；上个月，Google DeepMind 老兵 Jeff Dean 创立了 Discovery Loop；本周，前 Anthropic 研究员创立的 Mirendil 被曝正在以 50 亿美元估值洽谈 10 亿美元新融资。四家公司的总融资超过 20 亿美元，全部押注同一个方向：让 AI 构建 AI。

前沿实验室的内部信号。 Anthropic CEO Dario Amodei 在 9 月的《我们必须给前沿限速》中写道："自今年夏以来，AI 进步速度大幅加快，主要驱动力是 AI 越来越能构建下一代 AI。这正在包括 Anthropic 在内的全行业发生。"辞职的 Anthropic 研究员 Jacob Coxon 更直接——他在接受采访时透露公司内部有一个"迷你曼哈顿计划"。

研究者的严肃辩论。 Dwarkesh Podcast 在 8 月和 9 月连续做了两期 RSI 专题。Redwood Research 首席科学家 Ryan Greenblatt 给出的中位数预测是：AI 研发被自动化的时间点在 2031 年。他的核心论点是：如果 RSI 在 AGI 之后一年内实现相当于 GPT-3 到 Mythos 的跨越，那最终产物将"确定性地、彻底地超越人类"。另一期对话中，John Schulman、Beren Millidge 和 Charlie O'Neill 三人则刻意为"RSI 不会那么快发生"找最强论据——讨论了数据瓶颈、sim-to-real 差距、以及长 horizon RL 的局限。两期对话的标题合在一起，恰好概括了当前的知识状态："离天花板还很远"vs"可能比我们想的更近"。

政策层面的反应。 上周，美国参议员 Sanders 和众议员 Casar 在国会提出《禁止人工超级智能法案》；英国工党议员 Sobel 在议会提出《人工超级智能安全法案》，明确把 RSI 列为"必须被监管和阻止"的超级智能前兆。联合国安理会本周首次听取了 OpenAI、Anthropic、DeepSeek、Moonshot 四家公司关于 AI 风险的简报——RSI 是核心议题之一。

结语

RSI 不是会不会发生的问题，是什么时候、以什么方式发生的问题。

OpenAI 说它"目前尚未发生"，但也在同一句话里承认它"有可能改进对齐"。Anthropic 说它"正在发生"，但呼吁全行业限速。研究者在辩论它的时间表，投资者在押注它的赛道，立法者在试图给它上锁。

I.J. Good 在 1965 年写下的那个前提——"前提是它足够温顺"——至今仍然是整个问题的核心。RSI 的技术路径越来越清晰，但"温顺"的路径，没有人找到。