赛事深度解读

AI巨头集体踩“刹车”，但距离真正的RSI还很遥远

AI领域的主要参与者近来纷纷释放放缓信号。Anthropic与OpenAI近期相继表态，有意控制前沿AI能力的推进节奏，这一动向被市场解读为硅谷科技巨头主动应对安全风险。资本市场迅速做出反应，科技与半导体板块普遍承压：英伟达股价一度下挫超过3%，AMD、英特尔及美光的盘中跌幅均在5%上下，费城半导体指数亦曾下滑近6%。

引发市场忧虑的核心，在于支撑AI基础设施高增长预期的关键假设出现了新变量。当长期推动AI发展的力量开始主动谈论“放缓”，围绕算力、芯片和数据中心不断攀升的资本开支所依托的增长逻辑便不再理所当然。

这一“放缓论”的根源，指向一个长期带有科幻色彩的命题：Recursive Self-Improvement，即递归式自我改进。它描绘的场景是，AI系统开始参与改进甚至构建自己的下一代系统，形成一种自我进化的循环。到2026年，RSI已超越未来学与安全讨论的范畴，成为AI学术议程、工程实践及创业融资叙事中的热门词汇。但抛开情绪回归技术，AI自我进化究竟意味着什么？当前AI的自我改进已发展到何种程度，距离真正的RSI还有多远？

我们与长期深耕这一方向的MIT博士、前字节Seed团队成员瞿骜进行了交流，以下是他的观点。

RSI是一个技术交汇点，但目前仍具噱头意味

若仅观察近半年，RSI似乎突然走红。但将时间轴拉长，这并非2026年才出现的新议题。它更像是过去几年多条基础路线不断演进，最终在当下汇聚于同一方向。

1. 代码不再依赖人工编写，RSI才有了实质抓手

我从2019年开始从事强化学习研究。当时我认为强化学习比单纯的自然语言处理更接近“智能”本质，因为它探讨的是系统如何与环境互动、接收反馈并调整自身行为。然而，当时能完成的任务范围有限，模型能力也远不及今日。

ChatGPT的诞生刷新了人们对语言模型能力边界的认知。语言模型获得了更大的行动空间，也让普通用户第一次感受到，一个模型能通过自然语言持续接收指令并处理愈发复杂的任务。

此后，推理能力经过多轮迭代。DeepSeek R1被视为一个重要节点，它展示了大规模强化学习在推理领域的应用潜力，也让行业重新认识到强化学习在大模型时代的价值。

随后，变化更加具体化。Anthropic的Opus 4.5是一个明显标志，该阶段模型已能持续工作较长时间，许多过去需要人工手动拆解、反复修改的任务，通过不断输入提示词和调整，最终都能被完成。我们甚至可以说，目前几乎没有什么代码是提示词无法“编写”出来的。

这一变化对自我改进至关重要。一旦智能体拥有足够强的编程能力，加上日益成熟的上下文管理能力，它便能在单个任务上持续运行，自行完成读代码、改代码、执行、查看结果并进入下一轮循环。过去需要人工介入的许多环节，现在可在同一智能体循环内自动完成。

上下文管理也在此过程中从一项“外接能力”逐渐演变为智能体的原生能力。它能记住自身进度，管理越来越长的任务，结合工具与代码执行，长程任务才变得可行。

因此，在我看来，2026年最重要的变化是AI开始有条件持续完成一件事，这也是自我改进从概念转向工程问题的前提。

1. 目前跑通的，仅是RSI的“局部循环”

正是在这一过程中，我开始重新审视过去几年看似分散的研究方向。一条线是AI驱动发现，后来发展为自动化研究，即让智能体自行提出方案、执行实验并根据结果继续探索。另一条线围绕如何提升智能体的能力，改进记忆、创建工具、积累技能，或优化其工作框架。

我自己的研究路径也横跨这两条线，从强化学习、智能体记忆，到多智能体自动化研究。在做CORAL时，我们甚至纠结这究竟属于“自动化研究”还是“智能体工作框架演进”。

因此，我现在看待RSI，虽然它是一个流行词汇，但它确实将许多事物串联起来。过去看似不同流派的内容，现在放入“AI如何参与构建下一代AI”这一框架中，便有了共同坐标。

但这里需要区分两个概念。目前我们看到的大多是持续自我改进：AI在与环境、用户和任务的持续交互中积累经验，并用这些经验进行自我更新。它更新的不一定只是模型参数，也可能包括记忆、提示词、工具、技能，甚至整个工作框架。

而严格意义上的RSI需要更进一步。其思想源头之一可追溯到I. J. Good在1960年代提出的超智能机器概念：若一台机器开始参与设计下一代机器，且下一代能继续制造更强大的机器，能力提升就可能进入递归加速过程。

换言之，从一次次经验中自我强化只是RSI的起点；再往前，AI还需参与设计、训练，甚至亲手构建下一个自己。它可以是改进工作框架、训练流程、生成训练数据；也可以向更底层发展，编写GPU内核，甚至参与设计下一代硬件。因此，我们将“机器”定义得越完整，RSI的门槛就越高。

按照我的理解，当前大量实践更适合被称为持续自我改进。严格意义上的RSI，还有很长的路要走。我们在做Reef时也更倾向于使用改进，而非进化。因为后者仅说明“发生了变化”。工程上我们更关心另一件事：你如何确定它真的变好了？

AI当然可以不断变化，但变化本身没有意义。它可能学到不良经验，也可能将一次偶然成功视为规律。人会“近朱者赤，近墨者黑”，模型亦然。不能让它随意“瞎进化”。

AI完成任务后，“成长”才刚刚开始

1. 即使持续工作，不学习也只是“临场发挥”

前面提到，我的研究从记忆延伸到多智能体自动化研究。过程中有一个问题日益凸显：智能体能在上下文里变得越来越高效，但这种提升存在上限。

后来我们做CORAL，让多个智能体自行研究、共享信息、迭代方案。前期仅靠上下文、记忆和工作框架的演进，效果可推得很高；但任务一旦拉长，系统仍会逐渐卡住。一个直观问题是，智能体做了许多事，积累了大量经验，但模型本身并未因此“成长”。

它可以记住这次哪里踩过坑，多调用几个工具，优化工作流程。但任务结束后，这些经验大多停留在上下文或记忆里，未真正融入模型。这类似于一个人做项目时靠笔记越做越熟练，但项目结束后，脑子里并未留下太多东西。下次遇到类似问题，许多路还得重走一遍。

因此，我们开始做测试时训练、测试时强化学习和自蒸馏，旨在验证：能否将智能体在真实任务中产生的经验重新学回模型里。实践下来，我们发现这条路确实能突破纯推理的部分上限。

接下来又有一个问题：若智能体未来每天都在真实世界中工作、每天产生新经验，为何这些经验只能用一次？传统大模型开发大致经历训练、评估、部署、推理几个阶段。到推理阶段，模型开始替用户干活，但同步产生的大量经验通常不会自动回到下一轮学习中。例如，它今天因理解错需求返工三次，明天遇到类似任务，未必会因今天的三次返工变得更聪明。

Reef想解决的，就是如何将这条路重新接起来，让智能体在真实世界中的所作所为、所犯错误、被用户纠正的经历，都有机会成为下一轮学习的材料。因此，对持续自我改进而言，推理不应只是每次任务的终点，也应成为新经验产生的起点。AI每完成一件事，也可能是在为“下一个自己”积累经验。

1. AI想越学越好，先得知道什么叫“好”

不同任务中自我改进的难度差异很大。最简单的一类，是结果好坏几乎没有争议的任务，比如优化GPU内核。智能体每次修改代码，都可直接运行验证结果：更快了还是更慢了？若修改确实提升性能，该路径就值得奖励；若变差，则说明尝试无效。多次实践后，模型会逐渐学会何种写法与修改方式更易提升性能。这类任务相对容易，因为验证标准清晰。

更复杂一点的是让智能体“经营一家公司”。学术界有一个有趣的基准测试叫CEO Bench，它模拟市场环境，评估智能体经营决策能力。我们运行这类任务时，若模型一直不更新，有些智能体会一路将公司经营至破产。但与内核优化不同，经营过程会不断留下反馈：决策后客户增加还是减少，现金余额上升还是下降，公司最终存活还是破产。智能体需观察一段时间后的结果，才能判断之前的决策是否合理。因此，反馈已不再是简单的通过或失败。但只要这些变化能被识别、归因，它们就能成为下一轮学习的信号。智能体做得久了，就有机会从自身经营记录中不断调整下次决策。

再往上走，从部分维度来说，写作风格这类任务更棘手。例如，用户反复告诉智能体：“我不喜欢太长的句子”“这个语气太像AI”“我更喜欢直接一点的表达”。在同一轮任务中，它当然能照着改，但下次遇到类似任务，它未必真正记住：这个用户认为什么叫“写得好”。我们在Reef里做过一个方向，就是将这类反馈慢慢内化到模型里，让它在类似任务中继续保留这种偏好。因为写作本身没有统一答案。有人喜欢短句，有人喜欢铺陈；有人觉得直接最好，有人更在意语气和节奏。模型再强，也不可能用同一套标准满足所有人。

因此，从内核到CEO Bench，再到个性化写作，更重要的变化其实是“什么叫做好”。有的任务，“好”是一个数字指标；有的任务，要从长期结果中看；还有一些任务，连“好”的定义本身都因人而异。而自我改进要继续前进，就必须能处理这些完全不同的反馈。

1. 仅“练模型”不够，仅“改打法”也不够

经验找到后，接下来还有一个行业热议的问题：到底应该改模型，还是改工作框架？工作框架确实重要，它可理解为智能体做事时的一套方法、规则和权限。例如，让一个编程智能体改代码，好的工作框架不会让它一上来就动手，而是先摸清整个代码仓库，再决定从何入手。这些好的实践经验都能慢慢沉淀到工作框架里，将模型原有能力更稳定地激发出来。这类似于给能力不错的人配上一套成熟的工作流程：同样的人，方法更好，能做出的事会稳定许多。

因此，现在有一个较流行的观点是，工作框架进化的上限可能比模型进化更高。但我对此有所保留。因为工作框架再强，也只能告诉模型“应该怎么做”，却替不了模型做判断。它可以告诉模型“你应该先做规划”，但这个任务到底如何规划，还是模型决定；它也可以告诉模型“将任务拆给几个子智能体”，但具体如何拆、每个智能体做什么，最后还是靠模型自身能力。

另外，我认为现在直接比较工作框架进化与模型进化谁的上限更高，其实有点“不公平”。因为今天做模型进化，很多时候只能基于开源模型；但工作框架进化往往直接建立在最强的闭源模型上。两者起跑线本就不一样。从我们目前看到的结果来说，更值得探索的不是二选一，而是两者一起改进。

我们现在也在做模型与工作框架协同进化。无论是两者同时训练，还是先改工作框架、再训练模型、再继续改工作框架，都能达到单独只动一边难以实现的效果。因此，今天去争论“模型进化与工作框架进化到底谁更重要”，可能还为时过早。而且工作框架以后可能也不只是一本越来越厚的“操作手册”。好比一家公司不是给每个人发一份标准操作流程就能持续运转，它还需要绩效、协作、激励这些机制，才能让不同的人稳定地一起工作。未来工作框架也可能走向类似形态：不只是规定智能体如何完成一个任务，而是在设计一套让一群智能体可以长期进化的机制。但只要问题涉及开放式判断，最后还是要回到模型本身。

1. 经验再多，也得知道如何“消化”

模型和工作框架都能改之后，一个更难的问题出现了：获得一次经验，到底应该改哪边？我现在越来越觉得，这件事最后应该变成智能体自身的一种元认知。它应该自己知道：这次经验值不值得学？应该怎么学？是先记在上下文里，还是沉淀进模型权重？

这个问题其实很像人自己学习。例如参加一场线上会议，有些内容会议助手转录下来就够了；有些内容值得单独记成笔记；还有一些东西特别重要，聊完以后还会反复想几遍，甚至顺着它推导出新结论。人会天然区分：哪些东西只是“记住”，哪些东西应该真正学进去。智能体以后也需要这种判断力。

因为一个智能体不仅有模型权重，它还有记忆、工具、技能、工作框架。一次任务失败，到底应该将模型练得更强，还是改记忆，还是调整工具，还是直接换掉做事流程，答案未必一样。今天这些选择，大多数还是人提前设计好的。再进一步，连“到底应该改哪里、怎么学”这件事本身，也应逐渐变成智能体的能力。

我会觉得，自我改进最后一定要走到这样一步：不仅有经验，还知道如何将经验转化为能力。如果这件事做不到，经验再多，也可能只是堆在那里。对普通用户来说，这种变化真正进入产品后，直接感知未必来自“模型又升级了”，而是一些更具体的细节。例如，同样的任务过去需要更大的模型才能做好，持续学习后，小模型也能做好；或者之前纠正过的错误，下一次不再重复。

甚至用户不需要等到严格意义上的RSI。许多企业本来就有大量流程化任务，如果智能体能将其中一类真正自动跑通、自己完成闭环，用户其实已能明显感受到这种“自我进化”。更多显性的变化，还可能发生在工作框架上。例如，用户可以告诉智能体：“这是紧急任务，3个回合内解决”；或者任务完成后，如果用户一直没有回来检查，它可以主动换一种方式（如申请麦克风权限或发送短信）来找你。未来用户感受到的“AI在进化”，未必是底层换了什么模型。核心是要感受到，它越来越像一个合作久了的同事，知道事情该如何推进、如何收尾。

AI会学习，但离RSI还差好几道坎

1. AI越学越多，也可能越走越窄

今天许多自我改进的局部循环已能运行，但真正开始让模型持续学习后，很快会遇到另一个问题：它学进去的东西，不一定都是对的。我们做自蒸馏时，就碰到过一个较典型的问题：如果处理方式不对，它可能反而会损伤模型的推理能力。

例如，我在解决一个问题时，可能先想到A，后来发现A不对；又想到B，还是不对；最后才找到C。如果最后只将“做C”这件事重新喂回模型，看起来它学到了正确答案，但中间A为什么不对、B为什么也不对，那些自我反思和自我否定其实全部丢掉了。最后答案学会了，找答案的过程反而丢了。而许多真正好的判断，恰恰来自这个过程。所以自我改进里有一个很容易被忽略的问题：结果正确，不代表这段经验就适合直接拿来学。

记忆也是一样。我们早期做过经验库，将智能体成功和失败的经验都存下来，做新任务时再将相关经验调出来。刚开始效果会很好，但当记忆越来越多，又会出现新的问题：东西都在，但到了真正需要的时候，不一定能调回来。

还有一个更隐蔽的问题。智能体走一条路走久了，很容易越走越顺手，也越走越难回头。智能体在不断采样时，天然会更容易走那些概率较高的路径。如果它已在一个方向上尝试了很久，上下文会越来越强化这条路，它会越来越难跳出来。这也是自我改进里一个比较有意思的悖论：一个系统当然可能因为不断学习而变强，但它也可能因为不断学习，越来越被自己过去的经验限制住。

所以“会学习”只是第一步，AI还得学会判断：哪些经验值得相信，哪些经验应该忘掉，什么时候甚至需要主动背离自己过去最熟悉的路径。

1. 现实世界最大的麻烦，是没人随时告诉AI“你做对了”

尤其对于开源研究来说，很缺的是真实的环境，以及真正适合持续学习的环境。像内核这样的任务之所以舒服，是因为检验方法特别清楚。我改了一次，跑得更快还是更慢，马上就知道。但真实世界里，大多数任务的反馈都没有这么“干净”。一个智能体做了几十步，最后任务还是失败。问题到底出在哪？是最开始方向就选错了，还是中途用了错误的工具，还是该记住的信息没调出来，又或者某个子任务的判断出了偏差？更麻烦的是，最后失败的那一步，往往并不是最早出错的那一步。你很难将“做得更好”压缩成一个奖励信号，然后放心地让模型一直朝那个方向强化。

因此，今天其实已不缺乏智能体产生经验。更稀缺的是：什么样的环境，可以持续给它高质量、可验证，且不会将它带偏的学习信号。这件事决定了自我改进最终能否从几个基准测试上的局部成功，走进真实世界。

1. 基础模型再强，也不可能提前经历整个世界

这里还有一个我觉得经常会被问到的问题：如果下一代基础模型又强很多，这些持续学习的问题是不是自然就消失了？我自己的判断是，不会。因为模型再强，也有一个很难绕开的限制：它不可能在训练阶段，就提前经历未来部署后会遇到的所有事情。

我将这个问题称为经验暴露。可以让一个模型见过最难的数学题、读过很多代码、学过大量知识，但真正部署到一个具体环境里，它总会遇到训练阶段没见过的规则、用户和情境。这其实和人很像。你就算是一个很聪明的教授，突然让你去一所小学教课，也还是得先知道这所学校如何运转、班里每个学生是什么情况。不是因为能力不够，而是因为这些事情以前根本没经历过。

所以我不太将持续自我改进理解成一个“弱模型时代的补丁”。恰恰相反，模型越强、进入的真实场景越多，它越需要从自己的经验中继续学习。上下文学习以后能覆盖的事情可能会越来越多，但我自己还是倾向于认为，只靠“记住当下”还不够，模型权重最后也需要能够持续更新。

1. AI能走多远，还看人愿意放多少权

但即便上面这些问题都解决了，持续自我改进也还不等于RSI。严格意义上的RSI，要求AI进一步参与到“下一代AI是如何被造出来的”这件事当中。因此，在我看来，走向RSI的过程中，有两条线一起往前：一条是能力，另一条是权限。能力决定它会不会做，权限决定它到底能不能做。

例如，最早的编程助手，只能帮你补一小段代码。它能做的行动空间就这么大，再聪明，也没有地方让它表现出更复杂的系统设计能力。但当智能体可以访问整台电脑、改整个代码库、调用越来越多的工具之后，它突然就有了更大的提升空间。将这个逻辑继续往下推，真正严格意义上的RSI涉及的范围会非常大。它可能不仅是改工作框架，也不仅是调模型权重。它还可能要参与训练流程、生成训练数据、写内核，甚至触碰更底层的基础设施和硬件设计，那它离“参与造下一代AI”也就更近了一步。

所以我觉得，真正值得关注的那个拐点，未必是某一天突然出现一个基准测试，然后大家宣布“RSI实现了”。更关键的时刻是：当智能体在“造智能体”这件事上的判断力和能力，第一次达到甚至超过优秀的人类研究者时，那个时候可能才是更加值得关注的拐点。但问题也恰恰在这里。