← 返回列表
2026.08

AI 研发已经开始自我加速，但这还不是 RSI

AI 已经进入代码、实验、训练和评估等下一代 AI 的研发循环，并出现了研发自我加速的早期正反馈；但研究方向、结果解释和评价标准等关键判断权仍未形成自主闭环，因此这还不是递归式自我改进。

7 月底，一份梁文锋与投资人的闭门交流实录在网上流传。《每日经济新闻》核实，这场会确实在今年 5 月召开，参与投资 DeepSeek 的机构认为实录内容真实可信；DeepSeek 本身则没有对流出的逐字稿作正式确认。

其中有个判断对我影响很大。在这份流出的交流记录里，梁文锋把 AGI 看成长期主线，CoT、Agent、持续学习是沿这条线继续往前的阶梯，而多模态、视频、3D 等能力更多被放在能力组件或分支的位置。持续学习之后，他甚至推测模型可能进入“研究并开发自己下一版本”的阶段。

我并不准备把这套路线图当成 AGI 的标准答案。真正让我重新想问题的，是“主线和分支”这个区分。

过去我很容易把多模态、视频、Coding、Agent、世界模型理解成几条平行赛道，关注哪条进展更快、哪家公司暂时领先。但如果最终关心的是智能本身的增长，还应该再问一步：哪些进步只是让 AI 多会一种事情，哪些变化会反过来改变 AI 自己变强的速度？

恰好过去一年，另一类信号也越来越密集。OpenAI、Anthropic、Google 都开始公开谈论模型参与自身研发；最近 Jeff Dean、Sanjay Ghemawat、Oriol Vinyals、Quoc Le 等长期处在 Google AI 核心位置的人又离开，创办的公司甚至就叫 Discovery Loop，目标直接指向自动化机器学习、科学和工程研究。Reuters 对这轮变化有较完整报道。

与此同时，Frontier Labs 吸收大学研究者的范围也在扩大。The Atlantic统计到 OpenAI、Anthropic、Meta、DeepMind 中超过 80 位现任或前任教授，涉及的领域也已经不只有计算机科学。

至少从我近期看到的公开报道里，美国 Frontier Labs 吸收跨学科教授的动作尤其显眼，而中国基模厂商还没有出现同样密集的公开叙事。这里究竟是报道偏差、人才市场差异，还是科研组织与 AGI 路线已经出现了不同选择，值得以后单独研究，这篇文章不展开。

这些变化一度让我产生一个很自然的解释：Claude 在 Coding 上形成强势之后，Science 会不会成为 Frontier Labs 的下一个主战场？

继续看下去，我反而觉得这个理解还是太像“赛道分析”了。Coding 和 Science 未必是前后两场战争。Coding Agent 本身正在变成 Research Agent 的执行能力：写实验代码、修改训练系统、跑评测、处理数据、分析失败，然后继续下一轮实验。

真正值得观察的变化不是“大家开始做 Science”，而是 AI 已经开始进入制造下一代 AI 的研发循环。

这到底只是更强的研发工具，还是已经算 AI 在“自我改进”？

一、同一句“AI 帮助开发下一代 AI”，其实差得很远

Anthropic 最近在 《When AI builds itself》中，把 AI 最终能够自主设计并开发自己继任系统的状态称为 Recursive Self-Improvement（RSI，递归式自我改进）。但它同时明确强调：今天还没有到这一步，RSI 也并非必然发生。

问题是，“模型参与自身研发”现在已经可以描述很多完全不同的事情。AI 帮工程师写训练代码，是参与研发；自己修改代码、运行实验、根据结果继续优化，也是参与研发；今天的模型直接产生训练数据去改善下一代模型，仍然可以叫参与研发。

如果要判断这些现象到底离 RSI 有多远，我更关心的不是 AI 完成了多少研发工作，而是它在“制造下一代 AI”的研发闭环里，已经拿走了哪一类工作和判断权。

沿着这个标准，会出现三道比较明显的分界。第一道是 AI 能否在固定目标下独立完成“尝试—验证—再尝试”的局部实验闭环；第二道是这些自动化能力是否已经反过来提高下一代 AI 的研发效率，让更强 AI 和更快研发之间出现正反馈；第三道则从执行进入判断——AI 是否开始决定研究什么、怎样理解实验结果，以及什么才算真正进步。

基于这三道分界，我暂且把今天经常混在一起讨论的“自我迭代”拆成四种状态：

AI 在研发闭环中的位置AI 实际在做什么人仍然掌握什么与 RSI 的关系
研发辅助写代码、检索、分析目标、方法、验收还很远
自动实验修改、运行、验证、再迭代目标、评价规则局部闭环
研发自我加速执行更多研发环节，并反哺下一代研发方向、关键判断已出现早期现实信号
完整 RSI自主设计、开发和验证继任系统人不再是关键闭环节点尚未实现

这是本文为了回答“AI 参与自身迭代到底到了哪一步”所做的工作划分，不是行业统一成熟度模型。四层描述的是不同的能力与判断边界，并非互斥的产品类型；同一个模型在不同任务上可能同时处于相邻层级。

这里最容易被忽略的是第三层。

AI 研发完全可能在没有实现 RSI 的情况下，先出现自我加速。

更强的模型让研究人员一天能实现更多想法、运行更多实验、排除更多失败路线；这些效率提升又被用于开发下一代模型，下一代模型再反过来提高研发效率。这里已经有了正反馈，但人仍然可以掌握研究方向、评价标准和最终决策。

所以“AI 帮助开发下一代 AI”和“AI 自主开发下一代自己”之间，并不是一道开关，而是一大片正在被快速填满的中间地带。

二、为什么容易验证的环节最先自动化

我之前在《让 AI 写代码这件事，为什么到硬件就不行了》里讨论过 Coding 为什么特别适合 Agent：代码、执行结果、错误日志和测试天然组成了机器可读的反馈闭环。

后来在《从模糊到确定：人机边界是怎么移动的》里，我又把这个判断推进成一个更一般的结论：技术能力决定边界能走到哪里，真实场景里的验证反馈决定边界移动得有多快。

但 AI R&D 暴露出了一个我过去没有充分区分的问题：即使所有工作都已经数字化，不同研发任务的自动化速度依然可以相差很大。

真正拉开差距的是验证机制：AI 完成一次尝试以后，有没有一个足够便宜、快速、可靠的外部结果，告诉它“这次究竟有没有变好”。

优化 GPU Kernel 就很典型。代码能不能编译，有测试；计算结果对不对，有正确性检查；吞吐有没有提高，可以直接测量。生成方案、执行、验证、留下更优结果，一轮可以很快完成。

Google DeepMind 的 AlphaEvolve就是这种结构：模型生成代码，自动评价器给出反馈，再让更好的方案继续演化。它已经被用于数据中心、芯片设计和 AI 训练优化，其中包括改进支撑 AlphaEvolve 自身的大模型训练。

OpenAI 最近公布的例子更加直接。GPT-5.6 Sol 在 Codex 中已经能够自主重写和优化生产 Kernel，并配合专门的正确性验证工具；它还为自己的 speculative decoding 草稿模型设计并运行了数百次实验。OpenAI 披露的 20% serving cost 降低和超过 15% token-generation efficiency 提升，都是特定系统优化的内部结果，不能理解成“GPT-5.6 让自身整体智能提高了 20%”。

这些任务有一个共同点：目标已经确定，结果也很容易判断。

当问题变成“下一代模型最值得研究什么”，结构马上不同。继续 Scaling 还是换训练方法？一个 Benchmark 上升是不是代表真实能力增强？一个失败实验说明参数没调好，还是整个假设错了？某个方向连续几个月没有收益，是死路，还是值得再坚持两年？

这里没有一个单元测试能在五分钟后告诉你答案。

因此，AI 研发自动化的速度，不只取决于任务是不是数字化，还取决于反馈有多快、验证有多便宜、结果有多可信，以及“什么算更好”这个标准本身是否稳定。

验证机制也不是另一套成熟度框架。它解释的是：为什么前面四种状态之间的边界，会在不同研发任务上以完全不同的速度移动。

这也改变了我对 Coding 和 Science 关系的理解。Coding 并不是 Science 之前的一场战争，它正在成为 Research Agent 最先自动化的那层基础设施。

三、AI 不需要先成为爱因斯坦，就能让研发开始复利

这里有一个很强的反驳：如果 AI 连什么问题值得研究都判断不好，怎么能谈“自己研发自己”？

最近关于 AI 科研能力的研究，确实给了这个反驳不少支持。

香港科技大学的 《AI Research Agents Narrow Scientific Exploration》在最新版本中，用五类科研 Agent 设置和五种模型生成并分析了 219,655 个研究想法。AI 的想法整体比人类研究更集中，也更靠近起始文献；只有 10.5% 提出了种子文献中不存在的新研究问题，却有 90.4% 引入了新的研究方法。作者把这种特征概括为 AI 更擅长 local elaboration（局部展开），而不是扩张科学探索的边界。

芝加哥大学另一项大规模科学家评测则邀请了 6,749 名科学家评价 25,139 组模型提出的后续假设。推理模型虽然能扩大一些探索范围，但没有一类测试模型会自发提出零假设；研究还发现，自动评价器与领域专家的判断存在明显差距。

不过，这条边界也不是静止的。2026 年以来，Google 的研究型数学 Agent、OpenAI 对多个长期开放数学问题的推进，以及最近 Claude 挑战黎曼猜想时在大量失败搜索中转向一个相关新结果，都说明前沿模型已经不只是在做答案已知的竞赛题，而开始越来越深入地进入开放研究搜索。(Google DeepMind、OpenAI、Anthropic)

但我更愿意把最近密集出现的这些“AI 科学突破”新闻看成同一阶段内边界持续向前移动的证据，而不是每隔几个月就出现一次新的能力阶段。模型已经能承担越来越多开放搜索、局部路线选择和结果验证，但这和稳定决定“什么问题真正重要、一个结果是否值得长期押注”仍然不是一回事。

这和我之前《AI 能大量生产方向，但还不会判断什么重要》里留下的问题非常接近：研究执行越来越便宜，但“什么值得做”的判断仍然稀缺。

不过这次我意识到，自己过去其实把门槛想得太高了。

“AI 能不能成为一个真正的顶尖科学家”和“AI 能不能显著加快 AI 研发”，根本不是同一道题。

Anthropic 给了一个很直观的内部实验。它让 Claude 优化一段训练小模型的代码，目标和正确性检查都已经固定。2025 年 5 月，Claude Opus 4 平均能做到约 3× 加速；到 2026 年 4 月，内部 Mythos Preview 达到约 52×。Anthropic 自己特别提醒，这个数字高度依赖起始代码，也绝不能理解成真实前沿模型训练整体提速 52 倍。

真正有意义的是，在同一个实验环境里，模型执行“提出修改—运行—验证—继续优化”这个循环的能力提升得非常快。

而在“研究什么”这件事上，Anthropic 给出的判断恰好相反：Claude 已经能执行定义清楚的实验，但在选择目标、判断哪些问题重要时，人与模型之间仍有明显差距。

Anthropic 经常把这类能力称为 research taste。在本文的框架里，我更愿意把它拆得具体一点：它主要涉及后面要讲的方向判断和结果判断，而不是一个神秘而不可拆解的“科学家直觉”。

这两件事放在一起，反而说明：

AI 不需要先成为爱因斯坦，才有资格开始加速自己的进化。

现实里的 AI 研究也不是每天都在发明 Transformer。更多时候，是实现一个想法、跑实验、做消融、优化性能、调数据、定位失败，再根据结果设计下一轮尝试。只要这一大块工作被持续压缩，即使最后决定“为什么要做这件事”的仍然是人，研发组织本身的速度也已经变了。

四、“AI 参与自己的迭代”，今天到底走到了哪一步

回头再看过去一年厂商不断说“模型参与了自己的开发”，更有意义的问题就不是一句“这算不算 RSI”，而是它已经进入研发链的哪一段。

最成熟的是工程执行。Anthropic 官方披露，截至 2026 年 5 月，超过 80% 合并进其代码库的代码可归因于 Claude；典型工程师每日合并代码量相较 2024 年约为 8 倍。但 Anthropic 也主动提醒，代码量不等于真实生产率，8× 几乎肯定高估了实际生产率提升。

再往里，是实验执行。OpenAI 已经让 GPT-5.6 自主设计、启动和监控部分模型优化实验，Anthropic 也已经观察到 Claude 在定义清楚的实验上可以达到或超过熟练研究人员的执行水平。人与模型之间更明显的差距，开始从“怎么做实验”后移到“做哪个实验”。

再往前一步，今天的模型已经可以直接产生训练下一代模型的反馈信号。

OpenAI 的 GPT-Red通过自动红队寻找新的提示注入攻击，再把这些攻击用于 GPT-5.6 的对抗训练。OpenAI 自己把它描述成一种安全方向的 self-improvement flywheel：今天的模型开始直接帮助下一代模型变得更稳健。

这些变化已经相当深入，但 OpenAI 自己的 GPT-5.6 System Card同时给出了一个很好的边界：在包括研究 Debug、Kernel、NanoGPT、PostTrainBench 等评测后，GPT-5.6 系列仍然没有达到 OpenAI 定义的 AI Self-Improvement High capability threshold。

所以“AI 已经参与自己的迭代”和“AI 已经实现 RSI”完全可以同时一真一假。

更准确的状态可能是：AI 正从研发助手变成实验执行者，并开始进入部分训练反馈循环；研发自我加速已经出现，但研发目标和关键判断还没有形成自主闭环。

五、从研发自我加速到 RSI，还隔着哪几种判断权

前面的四种状态是全文的主地图。到了最后一道“研发自我加速 → RSI”的边界，问题发生了变化：前两道分界主要是执行和反馈越来越自动化，最后一道分界则是原本由研究者掌握的关键判断，是否也开始进入自主闭环。

这里我暂且把它拆成三类。它们不是三个依次解锁的阶段，而是最后一道边界里的三个并列自治维度。

方向判断：下一步究竟研究什么

模型可以一天运行一千个实验，但前提仍然可能是人类先决定：这个季度应该研究 reasoning 还是 memory？有限算力应该押在哪条路线？一个长期不见收益的方向要不要继续？

这不仅是“生成更多 Idea”，而是在有限资源下决定什么问题值得押注。

结果判断：一次实验究竟说明了什么

指标下降了，是参数没调好，还是理论假设错了？两个实验互相冲突，应该继续补实验，还是重新定义问题？

这里需要的不只是读懂数字，而是让一次结果真正改变后面的研究路线。

评价标准判断：我们现在优化的东西本身对不对

这一类可能比前两种更难。如果 Benchmark 已经不能代表真正想要的能力，模型越来越擅长通过评测，却没有变成我们真正需要的系统，那么问题就从“如何取得更高分”变成了“这把尺子是不是还值得用”。

我之前在《模型跑出了测量边界，评测体系跟不上了》里讨论过类似问题：Agent 能力越开放，自动评分和真实任务成功之间越容易出现裂缝。模型通过 Benchmark，并不自动意味着我们真正关心的能力变强。

到了 AI 研发自身，这个问题会更加尖锐。优化 Kernel 时，结果正确而且更快，基本就是进步；到了开放研究，可能连用什么标准定义进步都需要重新判断。

这三类判断权不是时间顺序。一个系统可能已经很会解释实验失败，却不会决定未来半年应该研究什么；也可能能够提出不错的研究方向，但仍然只能围绕人类给定的 Benchmark 优化。

它们也不是“某一天三项同时达到 100%，RSI 就突然发生”的三个开关。完整 RSI 仍然默认前面的执行能力已经足够强：AI 能自主开展实验、修改系统、构建或训练继任系统、验证结果，并把整个过程持续运行下去。在这个前提下，三类判断权描述的是人还在哪些关键位置上构成不可替代的闭环节点。

只要其中某一种关键判断长期必须由人完成，研发循环就还没有真正自主闭合。

三类判断权的地位是并列的，但困难程度也未必相同。其中尤其值得注意的是评价标准判断：方向和结果至少还可以在一套既定目标里工作，而评价标准判断进一步要求系统有能力追问：

我们正在优化的东西，本身是不是错的？

因此，我现在不太想再用“AI 完成了研发工作的百分之多少”来衡量离 RSI 有多远。80% 的代码可以由 AI 写，但如果剩下的部分恰好包含研究方向和评价标准，人仍然站在循环的关键节点上。

反过来，如果未来模型写代码的占比几乎没有变化，却开始稳定判断哪些问题值得研究、哪些结果可信、什么时候应该放弃当前路线，甚至什么时候应该换掉旧的评价标准，那可能才是性质更大的变化。

真正值得观察的不是 AI 做了多少研发工作，而是研发循环里的哪一种判断权正在移动。

结尾：Science 可能不是 Coding 之后的下一场战争

回到最开始，我原本是因为几件事情撞在一起，才开始思考这个问题。

梁文锋把 AGI 和各种能力分支区分开的那套说法，让我开始问“什么东西真正改变智能增长的速度”；Frontier Labs 对科学研究和学术人才的投入，又让我一度把它理解成 Coding 之后的新战场。

现在看，这两件事情可能还有另一种连接方式。

Coding 没有因为 Science 兴起而退场。它反而正在变成自动科研的执行基础设施；自动科研也不只是在替人研究外部世界，它已经进入了 AI 自身的研发流程。

于是更值得追踪的问题不再是哪家公司下一场赢了什么赛道，而是：AI 在“制造下一代 AI”这条链路上，究竟还需要人决定什么？

今天的答案仍然很多。选择值得研究的问题，理解实验究竟证明了什么，以及判断现有评价标准是否还代表真正的进步，这些关键判断还远没有形成可靠的自主闭环。

但 AI 自我研发已经不再只是“有一天机器突然发明下一代自己”的科幻问题。它正在从写代码、跑实验、生成训练反馈这些更普通的工作里一点一点出现，并让研发本身开始获得正反馈。

AI 研发的自我加速已经开始。真正接近 RSI 的标志，不会是 AI 第一次帮自己写代码，而是它在具备完整研发执行能力之后，开始可靠地决定：下一步，自己应该变成什么。

参考资料

一手文件 / 厂商官方发布

学术研究

近期新闻 / 行业信号

历史文章