从AI Build AI到真正RSI：这场张江塔尖会把「自进化」拆到细节

机器之心发布 AI 距离真正的递归自我改进（RSI）还有多远？当前，AI 已开始参与数据生成、训练优化、工具迭代与结果验证，但参与研发，并不意味着已经具备持续改进自身的能力。它能够自主完成哪些环节，又如何将局部优化连接成持续、可靠的改进闭环？回答这些问题，需要回到具体的研究与实践，审视已有进展与尚待突破的瓶颈。 9 月 23 日，「Triple T」张江塔尖会系列技术沙龙在张江 AI 创新小镇顺利举行，本场沙龙由机器之心与张江 AI 创新小镇生态公司联合举办，以 「AI²：当 AI 学会自我超越」 为题，聚焦自进化 AI 的前沿研究与实践进展，通过六场主题分享和一场圆桌对话，围绕研发自动化、代码模型、智能体系统、具身智能与科学发现等方向，探讨技术路径、关键瓶颈与突破条件，为自进化 AI 的研究交流与产业协作搭建 平台。 前沿洞察 拆解 AI 自进化的实践路径 自进化 AI 并非单一模型能力的突破，而是智能体、环境、数据与模型共同作用的结果。上海交通大学人工智能学院副教授陈思衡在 《以前沿研究牵引「智能体-环境-数据-模型」递归自演进》 的分 享中指出，递归自演进的核心，是让 AI 逐步减少对人类的依赖，实现自主迭代与能力跃迁。其提出「智能体-环境-数据-模型」协同演进路线，当前重点在于通过 AI 自主开展前沿科研，持续产生、筛选和沉淀高质量数据，再反哺模型能力，形成闭环。前沿科研具备高难度、可验证、可规模化等特点，能够持续牵引智能向更高水平演进。 上海交通大学人工智能学院副教授 陈思衡 代码则为这种循环提供了更清晰的执行环境与反馈信号。北京航空航天大学副教授、北航卓越青年学者杨健在 《自进化代码大模型》 的分享中谈到，代码大模型是 RSI 较具落地性的场景，核心不只是优化 Agent Harness，更在于实现 Model RSI，让模型通过执行、验证、纠错持续改进自身。代码任务具备闭环环境和客观验证机制，适合开展长程 Agentic RL。未来可通过任务、Harness、Model 三层协同进化，逐步打通数据、环境、模型的全要素闭环，并从后训练进一步延伸至评测、部署，推动 AI 研发流程走向自动化、自进化。 北京航空航天大学副教授、北航卓越青年学者 杨健 当反馈从明确的测试结果转向开放世界中的证据，自进化也由任务执行走向科学发现。北京大学助理教授、普林斯顿大学 AI Lab 博士后研究员、PhAI Labs 联合创始人杨灵以 《From RSI to Discovery Intelligence》 为题，分享了从代码 RSI、Agent 交互学习到科学发现智能的研究演进。他认为，科学研究具备长程、可执行、可验证且能够获得真实环境反馈等特征，是探索 AI 持续学习与递归自我改进的重要场景。未来的 AI 将在自主发现高价值问题、提出假设、设计并执行实验的过程中，持续接受真实证据的检验，并将研究经验转化为可迁移的能力，通过更复杂、更开放的科学场景推动通用智能上限的提升。 北京大学助理教授、普林斯顿大学 AI Lab 博士后研究员、PhAI Labs 联合创始人 杨灵 当越来越多的系统声称具备自进化能力，RSI 行业真正缺少的已然不是概念，而是判断标准。上海交通大学长聘轨助理教授、上海人工智能实验室双聘助理研究员、智源青年学者周煊赫，结合 Theseus Labs 近期发布的 RSI 分析报告 《The Last AI Built by Humans: Toward Genuine Recursive Self-Improvement》 ，分享了核心判断：真正的 RSI 不应局限于模型在既定任务中的局部优化，而应形成更高层级的「外循环」。由 AI 自主发现问题、提出方案、构建反馈并验证结果，让任务&数据&环境与模型形成闭环。基于这一框架，Theseus Labs 正在环境演化闭环、数据自推理、拓展模型前沿边界等多方向继续探索。新的研究结论和技术报告即将发布，敬请期待。 上海交通大学长聘轨助理教授、上海人工智能实验室双聘助理研究员、智源青年学者 周煊赫 进入物理世界，真实交互与环境反馈为自进化提出了新的要求。上海科技大学研究员、助理教授、博士生导师，YesAI 实验室负责人、瞬适科技创始人石野，带来 《具身智能的自进化：世界模型、策略学习与可执行经验》 。他认为具身智能的自进化面临数据稀缺、真实环境复杂、反馈难获取等独特挑战，其核心不是追求像大模型一样的通用泛化，而是让机器人具备快速适应新环境、新任务并持续学习的能力。围绕「学什么、在哪里学、如何更新、如何部署」，他提出以世界模型构建可交互、可学习的环境，结合仿真、真实交互经验与强化学习，形成从经验生成、策略更新到真实部署的闭环，推动具身智能持续进化。 上海科技大学研究员、助理教授、博士生导师，YesAI 实验室负责人、瞬适科技创始人 石野 面向更具体的生命科学任务，英灵殿科技创始人兼 CEO 张昊天以 《AI for AI4Science：自进化的 AI4Science 模型》 为题，分享了 AI for Science 从「AI 辅助科研」走向「AI 训练 AI」的探索。他认为，AI for Science 正从「AI 辅助科研」走向「AI 训练 AI」，核心是让 AI 自主完成科研任务的诊断、假设生成、实验验证与证据沉淀。在生物制药等小样本、高异质性场景中，AI 不仅要自动处理数据，还要通过单轴实验验证假设，并将实验结果形成可复用的经验记忆，持续反哺模型与任务迭代，最终实现科研智能的自我进化。 英灵殿科技创始人兼 CEO 张昊天 观点交锋 距离真正的 RSI 还差哪一步？ 从代码研发到具身智能与科学发现，不同路径的探索最终指向一个共同问题：任务表现的提升，如何进一步转化为持续的自我进化能力？围绕这一问题，圆桌对话以 「AI Build AI：真正的自我进化还有多远？」 为题，由 Recursive 创始成员、KAUST 博士诸葛鸣晨主持，邀请杨健、杨灵、周煊赫、石野及张昊天五位嘉宾展开讨论。 嘉宾们从自进化的定义与判断标准切入，进一步探讨模型、数据、Agent、环境之间如何形成协同闭环，以及数字世界、具身智能、AI for Science 等场景中面临的数据稀缺、反馈获取、长程任务、实验验证与经验复用等挑战，并围绕真正实现自主迭代所需的判断力、环境适应与模型自我改进能力，展望 RSI 从局部优化走向更高阶自主进化的可能路径。 杨健强调，AI Coding 是最有可能率先实现 RSI 的场景，但真正的模型自进化不仅是 Harness 层面的优化，还需要打通模型、数据、Infra 与工具调用。下一步关键在于让模型具备更强的长程任务、问题发现与自主解决能力，逐步减少人工参与。 杨灵认为，真正的自进化不应只是更好地解决既定问题，而应具备发现问题、定义问题和产生创新的能力。在 AI for Science 中，还需要解决干湿实验速度不匹配、反馈稀疏以及数据与环境构建等问题，才能形成完整的科研自进化闭环。 周煊赫提到，RSI 的核心是让 AI 从完成既定任务，进一步走向自主探索和自我改进，并最终形成自己的判断与「品位」。 石野谈到，具身智能的 RSI