「人类造的最后一个AI」还有多远？一张图看懂OpenAI、Anthropic等大厂的RSI进度

机器之心发布 「人类造的最后一个 AI」还有多远？OpenAI、Anthropic 等头部厂商进度如何？定义中国 RSI 的 roadmap——前沿 AI 研究机构 Theseus Labs 结合 72 家产业实践，推出「RSI 五级框架」 刚结束的周末，在海外 AI 圈有篇来自中国的 RSI 行业分析报告引起热议。发布仅 10 小时达到百万浏览，binyuan hui、jiachen liu 等多位顶级 AI 研究者与行业 KOL 主动转发推荐，热度还在持续上升中。 海外知名 AI 媒体 DAIR.AI：自我迭代智能体是当下最热门的研究方向，这份报告是该领域一份清晰的全景地图。 未来主义者 Dr Singularity 评价：中国研究者绘制了通往真正递归自我改进的路线图，探讨「人类构建的最后一个 AI」如何成为可能。 RSI（Recursive Self-Improvement，递归式自我改进）正是今年 AI 圈最热关键词之一。 OpenAI 在组建 RSI 团队，Anthropic 发布《When AI Builds Itself》，Google DeepMind 用 AlphaEvolve 优化自家芯片，Meta 用 AIRA2 做自动研究，腾讯混元用 Hyra 做经验驱动搜索，字节 Seed 让模型进入评测、数据、训练全环节。 全球头部玩家的路线选择已经明显分化： 有人从模型权重和训练规则切入，有人从 Harness、记忆和技能库入手，还有人把赌注押在评估器与奖励机制的持续演化上……谁能率先抵达完全体 RSI？ 这篇全面定义 RSI 完整路径的 roadmap，出自一家全新的 AI 前沿实验室：Theseus Labs。 核心创始人周煊赫 ， 上海交大计算机学院最年轻 AP（97 年），博士毕业于清华大学。 上海人工智能实验室双聘助理研究员，面壁智能联合技术开发，智源青年学者，微软学者。 研究聚焦大模型数据治理、自进化理论与智能体记忆，主导多篇近五年 NIPS、VLDB 高被引论文。 获 ACM Jim Gray 博士论文提名奖（大陆高校首位），清华特奖、字节跳动奖学金、微软学者奖学金得主，入选 2026 年人工智能全球最具影响力学者榜单。 研究成果入选卡耐基梅隆大学、康奈尔大学等高校课程，多项项目成果被 OpenAI、字节跳动官方博客引用。 难得的是，Theseus Labs 没有把 RSI 写成一场「智能爆炸」的哲学畅想，而是集合 OpenAI、Anthropic、Google DeepMind、Meta、腾讯混元、字节 Seed 等 72 家公司与团队的公开材料里，一家一家地拆，一条一条地比，最后才给出这套从 L1 到 L5 的自主权路线图。 换句话说，这不是一篇「坐在书桌前想出来的报告」，没有在谈宏大的智能爆炸。 Theseus Labs 联合清华大学、字节跳动、面壁智能（ModelBest）、小红书超级智能团队、Humanlaya、Agent-Native Research Lab、上海 AI Lab、衔远科技等多家学术与产业机构，发布《The Last AI Built by Humans: Toward Genuine Recursive Self-Improvement》。 首次用「改进循环」作为分析单元，系统梳理了 RSI 的技术路线、产业实践和评估挑战。 一句话总结：RSI，终于被拆成了可分级、可度量、可工程化的路线图。 文章：http://arxiv.org/abs/2609.11873 01. 先用一把尺子，量出 AI 的「能力余量」 为了客观评估当前大模型离真正的自主还有多远，Theseus Labs 构建了一个新指标：Headroom-Closed Index（ HCI，即「能力余量闭合指数」 ） HCI 衡量的是：相较于某项评测最初的前沿水平，模型填补了多少通往满分的差距。计算时，以该评测首次纳入数据集那一年模型得分的第 90 百分位作为基准，按「 HCI＝（当前得分－基准得分）÷（100－基准得分）×100 」计算。例如，基准为 60 分、当前为 80 分，HCI 就是 50，表示原有提升空间已被填补一半。汇总某个领域时，先取各评测每年 HCI 的第 90 百分位代表当年前沿水平，再按参与模型数量的平方根加权平均，兼顾覆盖度，同时避免规模最大的评测主导结果。 他们汇集了 2023 年至 2026 年间，覆盖 10 大能力领域的 393 组模型与基准测试观测。 通过将各基准首年前沿设定为 0 分、满分设定为 100 分，HCI 统一了不同测试的量纲，回答了一个最本质的问题： 在各大领域，模型距离人类天花板究竟还差多少「剩余空间」？ 数据结果给出了一个极具反差的图景： 截至 2026 年，前沿数学的 HCI 已达 86.4，研究生级科学为 85.8，广博知识 77.2。 然而，法律推理仅 64.5，多模态推理 62.2，前沿学术广度 60.4。 坦言说： 模型在「标准化考试」上快摸到顶了，但在「真实任务执行」上才刚刚起步。 HCI 的用意并非给模型排座次，而是作为一张诊断图，指明哪些领域的「剩余空间」最丰厚，也正是 RSI 未来最应该发力去啃的硬骨头。 02. 五级自主权：从执行到递归继承 基于此，Theseus Labs 按 AI 在改进循环中承担的责任， 发布 RSI 五级框架，首次系统定义「递归自我改进」。 L1 执行自主： 人类投入 ——设计任务、设计试验环境、设计更新策略； 智能体闭环 ——执行任务、更新。 L2 策略自主： 人类投入 ——设计任务、设计试验环境； 智能体闭环 ——执行、设计更新策略、更新；更新策略由系统持久化沉淀。 L3 经验获取自主： 人类投入 ——设计试验环境； 智能体闭环 ——规划经验获取、执行、设计更新策略、更新；经验设计由系统持久化沉淀。 L4 环境适应自主： 人类投入 ——设定边界； 智能体闭环 ——规划经验获取、与环境交互、设计更新策略、更新；环境适应由系统持久化沉淀。 L5 递归继承自主： 人类投入 ——设定边界； 智能体闭环 ——改进改进系统、设计经验获取、与环境交互、设计更新策略、更新；改进系统设计由持久化沉淀。 沿着这五级阶梯看， 大厂目前主要集中在 L1–L2，如： OpenAI Symphony、Anthropic Agent Skills 为任务衔接与技能复用提供支撑，减少重复操作； OpenAI GPT-Red 的攻防自博弈、Anthropic Claude 的工具优化，以及微软 Agent Lightning、DeepSeek R1，则进一步将策略改进纳入自动化闭环，让人工逐项调试转向批量试验与反馈驱动的优化，提高改进效率与能力上限。 向 L3 迈进的：腾讯 R-Zero 自主出题、求解，开始减少对人工准备学习任务的依赖。 到了 L4，Factory Signals、作为候选的 OpenAI 自改进税务智能体，着力把部署中的失败转成后续更新，缩短「发现问题—修复—验证」的链路。 至于 L5，Meta HyperAgents、Sakana Darwin Gödel Machine、Weco AI