当AI开始造AI：递归自我改进的2026年

编辑｜Panda 今年 3 月，Andrej Karpathy 在 GitHub 上开源了一个叫 autoresearch 的小项目。 README 的开头是一段「来自未来」的追忆：前沿 AI 研究曾经由「肉做的计算机」完成，它们要吃饭、要睡觉，偶尔通过「声波互联」在一种叫「组会」的仪式上同步一下进度。 如今，研究已经完全交给了在天空中巨型算力集群上奔跑的智能体群，据智能体们自己说，代码库已经迭代到了第 10205 代。没有人能判断这是真是假，因为「代码」早已变成一个超出人类理解的自修改二进制文件。Karpathy 写道，这个仓库讲的是「这一切是如何开始的」。 https://github.com/karpathy/autoresearch 这当然是个玩笑。但在 2026 年，这个玩笑正被一点点写进各家实验室的内部报表。6 月，Anthropic 发布长文《 When AI Builds Itself 》；9 月 6 日，OpenAI 宣布「自动化研究实习生」如期到岗；9 月 17 日，Anthropic 披露 Claude 已经「主导」公司 26% 的研发工作。同一天，智谱公开了国内大模型首个跑进生产环境的「AI 改进自身系统」实践。 这些消息共同指向一个在 AI 圈沉睡了六十年的词： 递归 自我改 进（Recursive Self-Improvement，RSI） 。 OpenAI 博客中对 RSI 的定义，https://openai.com/zh-Hans-CN/index/building-standards-next-phase-ai/ 一个六十年前的念头 今年成了 KPI 1965 年，英国数学家 I. J. Good 在论文《关于第一台超智能机器的推测》中写下了一个判断： 第一台超智能机器，将是人类需要做出的「最后一项发明」 ，前提是这台机器足够温顺，愿意告诉我们如何控制它。 逻辑并不复杂。 如果一台机器设计机器的能力强过人类，它就能设计出更好的机器，后者再设计出更好的机器，如此循环，智能便会「爆炸」。 此后几十年，这个设想主要活在哲学论文和科幻小说里。2000 年代，Jürgen Schmidhuber 提出过只有在能证明「改写对自己有益」时才动手改写自身的「哥德尔机」，但它更像一个优雅的理论构造，而不是一个能跑起来的系统。 2026 年，情况变了。4 月，ICLR 在里约热内卢举办了一场专门讨论 RSI 的 Workshop，组织方称这「可能是全球第一个」只聚焦 RSI 的学术研讨会，并称 RSI「正在从一个投机性的愿景，变成一个具体的系统问题」。 资本跑得更快。5 月，Richard Socher 的新公司 Recursive Superintelligence 结束隐身，带着 6.5 亿美元融资亮相，目标是造出能自主发现弱点、自主重新设计自己的模型。联合创始人名单相当豪华，包括前 Meta FAIR 研究总监田渊栋、曾在 Google DeepMind 领导开放性与自我改进研究的 Tim Rocktäschel、ViT 作者之一 Alexey Dosovitskiy，以及以开放式演化研究闻名的 Jeff Clune。 7 月底，翁荔（Lilian Weng）宣布离开自己参与创办的 Thinking Machines Lab，仅仅两天后，OpenAI 便确认她回归，并将负责 RSI 方向的研究。 Elon Musk 的表态一如既往地激进。他在 3 月称，xAI 的 Grok「每一代模型都由上一代构建」，人类在回路中的参与越来越少， 完全自动化可能在今年底实现，「最晚不超过 2027 年」 。 不过，「RSI」这个词今天的含义其实相当宽泛：有的公司把任何「AI 对模型改进的反馈」都算作 RSI，有的则只认完全自主的闭环。康奈尔大学助理教授 John Thickstun 表示：用上一代模型写代码、帮忙构建下一代模型，这件事「我们已经做了好几年了」。所以真正的问题并不是「有没有」，而是「到了第几层」。 前沿实验室里到底发生了什么? Anthropic：从 80% 的代码到 26% 的研发 https://www.anthropic.com/institute/recursive-self-improvement Anthropic 在 6 月的长文中给出了一组此前未公开的内部数据。截至 2026 年 5 月，合并进 Anthropic 代码库的代码中，超过 80% 由 Claude 编写；而在 2025 年 2 月 Claude Code 发布之前，这个比例只有个位数。2026 年第二季度，工程师人均每天合并的代码量是 2024 年的 8 倍。 Anthropic 自己也承认，代码行数是个「不完美的指标」，于是补充了一个更接近研究的测试：每发布一个新模型，都让它去优化一段训练小模型的代码，在通过同样正确性检查的前提下让它跑得尽可能快。 2025 年 5 月，Claude Opus 4 平均做到约 3 倍加速；到 2026 年 4 月，Claude Mythos Preview 做到了约 52 倍。作为参照，一位熟练的人类研究员需要 4 到 8 小时才能做到 4 倍。 在「优化一个目标已经定好的实验」任务上， AI 用不到一年时间，从「很有帮助」走到了「超越人类」 。 9 月 17 日，Anthropic 又推出了一个原型版的「R&D 自动化指数」。它把公司内部所有类型的 AI 研发任务逐一编目，用非营利研究机构 Epoch AI 设计的六级量表评估每类任务的自动化程度。 结论是： 截至 8 月，Claude 在 26% 的研发工作中处于「主导」（leads）级别 ，即只需一个高层级指令，就能端到端完成大部分任务，人类负责监督；这个数字在今年 3 月还只有约 1%。超过 90% 的研发工作有 Claude「协作」参与，而完全自主、无人在环的比例仍然是零。 https://www.anthropic.com/institute/measuring-pace-of-ai-development OpenAI：每个研究员背后，有 3.1 个「智能体工作日」 2025 年 10 月的一场直播中，Sam Altman 给 OpenAI 定下两个公开时间点： 2026 年 9 月实现「实习生级」AI 研究助理 2028 年 3 月实现「真正的 AI 研究员」 9 月 6 日， OpenAI 发文宣布第一个目标已经达成 。按照它的定义，「研究实习生」是一个能在人类指导下完成边界清晰的研究任务的系统，包括熟练研究员需要花几天才能完成的任务。 https://openai.com/zh-Hans-CN/index/research-acceleration-view-inside-openai/ 更有意思的是 OpenAI 同时披露的内部用量。以 8 小时工作日折算，其研究部门目前 每投入 1 个人类工作日，就 对应 约 3.1 个「智能体工作日」 ，这一比例是今年 6 月之后才越过的。8 月中旬，研究员每天的推理消耗中位数（按 API 价格计）超过 600 美元，重度用户则超过 7000