AI巨头集体踩“刹车”，但距离真正的RSI还很遥远

文 | 划重点KeyPoints AI发展到了必须要降速的时刻吗？ 过去几天，Anthropic、OpenAI先后释放“放慢前沿AI能力推进节奏”的信号，被业内视作硅谷AI巨头面对安全风险的一次主动降温。二级市场率先做出反应，科技股、半导体股集体承压，英伟达一度跌超3%，AMD、英特尔、美光盘中跌幅均在5%左右，费城半导体指数盘中也一度下挫近6%。 引发市场担忧的，是支撑AI基础设施高增长预期的关键假设迎来新变量：当一直踩着AI油门的人开始主动谈“刹车”，“模型持续变强，围绕算力、芯片和数据中心的资本开支不断抬高”的增长逻辑不再那么理所当然。 而这轮“刹车论”的源头，指向一个长期带有科幻色彩的命题：Recursive Self-Improvement（递归式自我改进，下称RSI）。它所设想的，是一套AI开始参与改进、甚至构建自己下一代系统的自进化剧本。 2026年，RSI进一步跨出未来学和安全讨论的范畴，成为AI学术议程、工程实践和创业融资叙事的热词。但跳脱情绪、回归技术，AI自进化究竟意味着什么？今天AI的自我改进已经走到了哪一步，离真正的RSI还有多远？ 我们和长期耕耘在这条主线上的MIT PhD、前字节Seed团队成员瞿骜聊了聊，以下是他的观察。 RSI是一个技术交汇点，但现在还是个噱头 如果只看最近半年，会觉得RSI突然火了。但如果把时间拉长一点看，这并不是2026年横空出世的新问题。它更像是过去几年，几条基础路线一路演进，到今天向同一个方向汇合。 1.代码不用人敲，RSI才有了真抓手 我2019年开始做强化学习（RL）。那时我觉得，强化学习比单纯做自然语言处理（NLP）更接近“智能”。因为它讨论的是一个系统如何与环境交互、得到反馈，再改变自身行为。但当时能做的任务很有限，模型能力也远不及今天。 ChatGPT的出现，刷新了人们对语言模型能力边界的认知。语言模型有了更大的行动空间（action space），也第一次让普通人感受到，一个模型可以通过自然语言持续接受指令、处理越来越复杂的任务。 再往后，reasoning（推理）能力一轮轮迭代。大家体感都很强烈的DeepSeek R1是一个很重要的节点，它让人看到大规模强化学习能够用到推理上，也让行业重新看到强化学习在大模型时代的空间。 再往后，这种变化更加具象化了。Anthropic的Opus 4.5是一个很明显的节点，到了这个阶段已经可以连续工作很久，很多过去需要人手动拆解、反复修改的任务，通过不断输入提示词（prompt）、不断调整，最后都能被做出来。我们甚至可以说，现在基本已经没有什么代码是提示词“敲”不出来的了。 这个变化对自我改进（self-improvement）很关键。因为智能体（agent）一旦有了足够强的编程能力，再加上越来越成熟的上下文管理能力，它就可以在一个任务上持续跑很久，自行完成读代码、改代码、执行、看结果、再继续下一轮的循环。过去需要人来“插手”的很多环节，开始可以在同一个智能体循环（loop）自己跑完。 上下文管理也在这个过程中从一个“外接能力”，逐渐变成agent原生（native）的能力。它能记住自己做到哪里，能管理越来越长的任务，再配合工具和代码执行，长程任务这件事才变得可行。 所以在我看来，2026年最重要的变化，是AI开始有条件持续做一件事，这也是自我改进真正从概念开始变成工程问题的前提。 2.今天跑通的，只是RSI的“局部循环” 也正是在这个过程中，我开始重新看过去几年那些貌似分散的研究方向。 一条线是AI驱动发现（AI for discovery），后来一路走到自动化研究（auto-research），即让agent自己提出方案、跑实验，再根据结果继续探索。 另一条线则围绕“如何让agent越来越会做事”，改记忆、造工具、积累技能，或者继续优化整个harness，也就是agent做事时依赖的那套工作框架。 我自己的研究路径其实也横跨了这两条线。从强化学习、agent memory，一路做到多智能体自动化研究（multi-agent auto-research）。我们做CORAL的时候甚至会纠结，这到底算“自动化研究”，还是“智能体工作框架演进”（harness evolution）？ 所以我现在看RSI，会觉得它虽然是个buzzword，但确实把很多事情串联起来了。过去看起来像不同流派的东西，现在放进“AI如何参与构建下一代AI”这个框架里，一下有了共同坐标。 但这里还需要区分清两个概念。今天我们能看到的大多其实是持续自我改进（continual self-improvement）：AI在和环境、用户、任务不断交互的过程中积累经验，再用这些经验去自我更新。它更新的不一定只是模型参数，也可以包括记忆、提示词、工具、技能，甚至整个harness。 而严格意义上的RSI要更进一步。它的思想源头之一，可以追溯到I. J. Good在1960年代提出的超智能机器（ultraintelligent machine）：如果一台机器开始参与设计下一代机器，而且下一代又能继续造出更强的下一代，能力提升就可能进入一个递归加速的过程。 换句话说，从一次次经验里把自己“炼强”，只是RSI的起点；再往前，AI还需要参与设计、训练，甚至亲手构建下一个自己。 它可以是改harness、改训练流程、生成训练数据；也可以继续往更底层走，写GPU内核（kernel），甚至参与设计下一代硬件。所以，我们把“机器”定义得越完整，RSI的门槛就越高。 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。 而我们在自己做Reef时也更愿意用改进（improve），而不是进化（evolve）。因为后者只说明“它发生了变化”。工程上我们更关心另一件事：你怎么知道它真的变好了？ AI当然可以不断变化，但变化本身没有意义。它可能学到坏经验，也可能把一次偶然的成功当成规律。人会“近朱者赤，近墨者黑”，模型也一样。你不能让它随便“瞎evolve”。 AI把活儿干完了，“长本事”才刚刚开始 1.干得再久，不学习也只是“临场发挥” 前面提到，我自己的研究一路从记忆做到多智能体自动化研究。这个过程中有一个问题越来越明显：agent可以在上下文里变得越来越能干，但这种提升是有上限的。 我们后来做CORAL，让多个agent自己做研究、共享信息、迭代方案。前期只靠上下文、记忆和harness的演进，效果可以推得很高；但任务一旦拉长，系统还是会慢慢卡住。 一个直观的问题是，agent做了很多事，也积累了很多经验，但模型本身并没有因此“长本事”。 它可以记住这次哪里踩过坑，多调用几个工具，把工作流程调得更顺。但任务结束以后，这些经验大多还停留在上下文、记忆里，没有真正进入模型。这有点像一个人做项目时，靠着笔记越做越熟练，但项目结束以后，脑子里并没有留下多少东西。下一次碰到类似的问题，很多路还得重新走一遍。 所以后来我们开始做测试时训练（test-time training）、测试时强化学习（test-time RL）、自蒸馏，想验证的是：能不能把agent在真实任务里产生的经验，再学回模型里。做下来以后，我们发现，这条