让AI自我构建的RSI火了，Google泼冷水，DeepSeek们摸到了边
一句话看懂：“递归式自我改进”（RSI）正在从科幻概念变成AI圈热词，Andrej Karpathy、Richard Socher等顶级研究者已公开入局。尽管Google CEO皮查伊表示“还没到那一步”，但国内DeepSeek等公司已通过算法优化在局部实现了类似逻辑——让AI在迭代中自己找到更聪明的路径。
事件核心：发生了什么
今年5月，AI研究员Richard Socher创办公司“Recursive Superintelligence”，将RSI写入公司使命。同期，前特斯拉/OpenAI核心人物Andrej Karpathy推出开源项目Auto-Research，用智能体集群在GPT-2级别小模型上试验自我改进循环，并已加入Anthropic预训练团队。另一家初创公司Adaption推出AutoScientist工具，目标直接指向全尺寸前沿模型的训练闭环。行业开始将RSI视为继“大规模预训练”、“RLHF”之后的下一个技术主线。
为什么重要
RSI的核心逻辑是：让AI自己生成研究数据，再用这些数据训练下一代更聪明的AI，形成正反馈循环。如果这一路径走通，将从根本上改变当前“人类设计实验→标注数据→训练模型”的研发链条。Georgetown CSET去年组织的研究也显示，专家们对RSI的加速潜力存在严重分歧，但共识是“递归让未来变得格外难以预测”。Google CEO皮查伊虽公开谨慎，但他承认RSI是一个“连续体”，而Anthropic内部调查显示Claude Code已能独立完成接近L4工程师水平的编码工作——在局部任务上，自我迭代的雏形已经出现。
对用户/开发者/创作者的影响
对开发者而言，Karpathy的Auto-Research项目已开源在GitHub上，这意味着任何人可以在小模型上实验自我改进逻辑，无需巨额算力。对创作者和普通用户，RSI带来的个人风险还是工具迭代加速：当模型能自行优化自身时，产品更新的节奏可能会从“季度发布”变成“每周甚至每天”，用户需要更频繁地适应新行为。对企业采购方，RSI一旦在商业化场景跑通（如Adaption的AutoScientist），大模型的训练成本可能从“十亿级”快速下降，但同时也需要警惕“模型坍缩”——AI用自己生成的不完美数据反复训练导致质量衰退的现象已有论文验证。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
第一，Karpathy在Anthropic的预训练团队中，能否将Auto-Research方法论从GPT-2级别迁移到Claude级别，这是能否打破“小模型自嗨”的关键验证点。第二，Adaption的AutoScientist是否会在未来6-12个月内发布商业版本，直接影响大模型训练外包市场的格局。第三，国内DeepSeek、百度文心等厂商虽然未公开喊出RSI，但它们已经在通过MoE架构、强化学习自反馈循环实现类似效率提升——如果海外开源路径清晰，国内的成本控制能力和场景密度可能加速RSI落地，但模型坍缩问题能否被工程化解决仍需观察。
来源：36氪 · 24小时热榜
