一线学者解密 RSI：别急着喊智能爆炸，你们说的”递归自我改进”大多是持续的瞎忙

一线学者解密 RSI：别急着喊智能爆炸，你们说的”递归自我改进”大多是持续的瞎忙

最近几个月，”RSI”（递归自我改进）这个词快被说烂了。

OpenAI 组建了 RSI 团队。Anthropic 公开说 80% 的合并代码由 Claude 撰写。DeepMind 的 AlphaEvolve 开始优化自己的计算栈。萨卡纳 AI 直接以 RSI 实验室的名义融了六亿多美元。

资本市场也热烈响应。”AI 开始自己造自己”是 2026 年最有诱惑力的融资故事——一条指数级的飞轮，第一代 AI 造出第二代，第二代造第三代，直到智能爆炸。

但一线研究者的视角不太一样。

MIT 博士、前字节 Seed 团队成员瞿骜最近接受了一次深入的访谈，用九千多字的篇幅，把 RSI 从概念到实践到底层瓶颈完整拆了一遍。我摘出其中最核心、也最容易被市场叙事忽略的几个点，来说说为什么当下的 RSI 浪潮里，泡沫可能比实质多得多。

你跑通的只是”持续改进”，不是”递归改进”

这是瞿骜反复强调的第一条分界线。

今天行业里绝大多数自我改进实践，其实属于持续自我改进（continual self-improvement）——AI 在和环境、用户、任务不断交互的过程中积累经验，再用这些经验去更新自己。更新的不一定只是模型权重，也可以是记忆、提示词、工具、技能，甚至整个运行框架（harness）。

但严格意义上的 RSI 要更进一步：系统必须改进自己的改进能力。

这听起来像文字游戏，其实有本质区别。I. J. Good 在 1960 年代设想的是”如果一台机器开始参与设计下一代机器，而且下一代机器又能继续造出更强的下一代”，这才是递归。而今天行业里跑通的——让 agent 在更长的时间窗口里写代码、改 bug、调参数、读反馈——这些是”从一次次经验里把自己炼强”，只是 RSI 的起点。

用瞿骜的原话说：”按照我的理解，今天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。”

而且他在做自己的 Reef 项目时更愿意用”改进”（improve）而不是”进化”（evolve）。 因为进化只说”它发生了变化”，但变化没有意义——它可能学到坏经验，也可能把一次偶然的成功当成规律。

验证瓶颈：你不知道什么叫”好”

RSI 最核心的瓶颈，不是算力，不是模型能力，是验证。

怎么知道一次改动真的让系统变好了？

对于优化 GPU kernel 这样的任务，验证极其简单——跑一次就知道了，快了就是快，慢了就是慢。这类任务相对好做。

但真实世界里大多数任务没有这么干净的反馈。比如让 agent 跑一个”经营公司”的 benchmark，它做了几十步决策，最后公司破产了。问题出在哪？是最开始方向就选错了，还是中途用了错误的工具，还是某个子任务的判断出了偏差？”最后失败的那一步，往往并不是最早出错的那一步。”

到了写作风格这类任务，问题就更难了。”好”的定义本身都因人而异——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。

瞿骜的结论是：AI 从经验中学习时，验证信号的质量直接决定了自我改进的上限。 反馈越清晰、越可归因，自我改进就越有效。而真实世界里的反馈大多是模糊的、延迟的、需要推断的。

我补充一句：这恰恰是那些”拿 RSI 融资”的公司最不愿意谈的部分。他们想让你看到的是漂亮的自动循环图，而不是”我们到现在都不知道怎么验证自己是不是真的变好了”这种技术细节。

另一个棘手的悖论：越学越窄

还有一个更隐蔽的问题，几乎没有人公开谈过。

一个 agent 走一条路走久了，很容易越走越顺手，也越走越难回头。系统在不断采样的时候，天然会更容易走那些概率比较高的路径。 如果它已经在一个方向上尝试了很久，上下文会越来越强化这条路，它越来越难跳出来。

这是一条反直觉的结论：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：哪些经验值得学，哪些应该忘掉，什么时候甚至需要主动背离自己最熟悉的路径。

这跟人的学习几乎一模一样——你凭什么认为一个重复自己的模型，能比一个同样重复自己的人做得更好？

改 model 还是改 harness？这是个假问题

行业里最近有一个热议：改进模型（model evolve）和改进运行框架（harness evolve），哪个上限更高？

一个流行的观点是 harness 进化的上限可能比模型进化更高，因为 harness 不需要动模型权重、更快迭代、更可控。瞿骜对此有所保留。

原因很简单——harness 再强，只能告诉模型”应该怎么做”，替不了模型做判断。它可以告诉模型”你应该先做规划”，但这个任务到底怎么规划，还是模型决定。

而且他指出，现在比较两者本身就有点不公平：因为做 model evolve 很多时候只能基于开源模型，但 harness evolve 往往直接建立在最强的闭源模型上。起跑线本来就不同。

他更倾向于模型与 harness 协同进化——两边同时改进，达到单独只动一边很难达到的效果。

真正的拐点还没到

瞿骜给出了一个他认为更值得关注的拐点：

> “当 agent 在造 agent 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。那才是值得关注的时刻。”

在那之前，行业里所有”RSI 即将引爆智能爆炸”的叙事，都应该被自动加粗一行备注：我们今天聊的，基本还停留在持续自我改进阶段。而持续自我改进离递归自我改进之间，隔着验证瓶颈、路径锁定、反馈质量这三道坎。

每一道坎，都还没有工程上令人信服的解决方案。

所以它到底有没有用？

有用。而且已经很有用了。

Anthropic 80% 的代码由 Claude 撰写、工程师人均日合并代码量达到 2024 年的 8 倍——这是已经跑通的价值。持续自我改进的能力，正在实实在在地改变软件开发的效率。

问题在于，资本市场需要的叙事是”AI 将要自我爆炸式进化”，而工程现实是”AI 正在学会更高效地帮人写代码、改 bug、调参数”。

这两件事之间的落差，就是泡沫。

我不是说 RSI 不可能。我是说——在被反复验证之前，”RSI”这四个字母已经先一步变成了融资路上的一张好牌。而对于真正写代码、做产品的人来说，持续自我改进”已经够用了”，那些在新闻标题里闪闪发光的 RSI 叙事，离你的日常工作可能比你想的远得多。