导读
本文深入解析了"递归自我改进"（RSI）这一AI前沿概念，指出其核心在于让AI系统参与并优化自身未来的研发流程，而非仅作为辅助工具。文章通过对比约翰·冯·诺依曼的自复制机器与I.J. Good的"智力爆炸"理论，厘清了RSI的历史渊源。重点区分了当前流行的"自我改进智能体"（侧重工作流优化）与真正的RSI（侧重模型构建底层逻辑改进）。结合Anthropic的代码自动化、Recursive的研究系统以及Sakana AI的长期实验，文章强调2026年的RSI仍处于早期阶段，主要体现为训练效率、基准测试和代码生成的自动化，而非完全脱离人类的自主模型迭代。RSI的价值在于通过优化研发闭环加速科学进步，同时降低对单纯算力堆砌的依赖，但需警惕评估偏差与人类监督缺失的风险。
什么是递归自我改进？
递归自我改进（Recursive Self-Improvement，简称 RSI）是指人工智能系统优化其自身未来研发流程的概念。本指南将解释 RSI 在当今语境下的含义、它与"自我改进智能体"的区别，以及为何 Anthropic、Recursive 和 Sakana人工智能实验室（Sakana AI）的出现标志着这一转变的早期信号。
TL;DR： 递归自我改进是指 AI 系统协助提升下一代 AI 系统的过程。当前的 RSI 主要侧重于自动化编码、实验、评估和研究工作流，而非完全脱离人类的自主 AI 构建更强大的基础模型（Foundation Models）。
当我们开始看到递归自我改进（RSI） 出现的频率越来越高时，这种感觉令人感到熟悉：就像早期 推理模型、测试时扩展 和 强化学习 浪潮时期那样，一个老概念突然成为了新的研究前沿。
这一次的方向是 AI 构建 AI。
那么，什么是递归自我改进？
其核心在于 AI 能够参与自身的研发过程。系统不再仅仅帮助研究人员编写代码或分析结果，而是成为研究闭环的一部分：提出想法、运行实验、评估结果、生成训练数据、改进组件，并协助设计下一版本的迭代。
这并不意味着研究人员变得无关紧要。相反，它改变了他们的角色。随着 AI 接管越来越多的研发循环，人类越来越专注于设定目标、验证结果以及治理自我改进的过程。研究人员不再需要花费时间在每一个实验和实施细节上，而是可以将更多时间用于决定哪些方向值得追求，以及哪些结果是可信的。
但让我们提出更现实的问题：AI 最终能独立处理 AI 研发循环中的多少部分，而哪些部分应保留在人类的控制之下？
今天，我们正处于 递归自我改进（Recursive Self-Improvement） 的非常早期阶段。而最引人注目的进展来自 Anthropic、Recursive，以及 Sakana人工智能实验室（Sakana AI）长期秉持的理念：创造更好的循环，而不是浪费更多的算力。
I.J. Good 与冯·诺依曼的回声
像往常一样，让我们回顾过去，看看这一思想的方向所在。递归自我改进（Recursive Self-Improvement） 并非现代 AI 实验室的发明，其最清晰的先驱通常也不是人们常提到的那位。
人们的第一反应是追溯到约翰·冯·诺依曼（John von Neumann），他在 20 世纪 40 年代勾勒了 自复制自动机 的理论：即能够制造自身副本的机器。然而，他的真正贡献比单纯的复制更为微妙。他指出了一个复杂度阈值：低于该阈值时，机器的后代必须比其父代更简单；而高于该阈值时，原则上，一台机器可以构建出至少与其自身同样复杂的事物。这一阈值构成了整个讨论至今赖以立足的基础。但冯·诺依曼探讨的核心是机器能否"复制"，而非能否"改进"。
提出"改进"这一概念的，是 I.J. Good（Irving John Good）。1965年，在《关于第一台超智能机器的推测》（Speculations Concerning the First Ultraintelligent Machine）一文中，Good 将超智能机器（Ultraintelligent Machine） 定义为一种能够超越人类任何智力活动的机器------包括设计机器的活动。由此得出的结论几乎是顺理成章的：这样的机器可以设计出更强大的机器，而后者又能设计出更强的版本，这种连锁反应被他称为智力爆炸（Intelligence Explosion）。Good 称第一台此类机器为人类所需做的最后一项发明，前提是其始终处于人类的控制之下。
递归自我改进（Recursive Self-Improvement, RSI） 将这个古老的概念带入了当今的 AI 研发循环中。模型编写代码以优化训练基础设施；智能体提出实验方案以改善**后训练阶段（Post-training）**的效果；研究系统测试模型的变更，记录有效的策略，并选择下一个迭代方向。我们尚未看到 AI 独立从头设计出一个更强大的后继者，但我们已经目睹改进循环中的首批环节从人类手中移交到了机器手中。
那么，什么是递归自我改进，它是如何工作的？
在人工智能（AI）成为开发者、研究人员和企业团队日常工作的一部分之前，构建软件系统主要意味着手动编写代码、文档、测试和基础设施。随后，AI 工具变得足够实用，能够协助完成这些工作流中的小部分环节，尤其是编码任务。到 2025 年底，智能体（Agent）的能力进一步演进：它们能够编辑文件、处理更复杂的任务、使用外部工具，并在无需人类持续指令的情况下执行更多步骤。
如今，智能体能够规划并执行更长的任务，改进自身的输出，在某些情况下甚至能将工作委派给其他智能体。OpenClaw 和 Hermes 等系统正指向这一方向。但更宏大的野心远超工作流自动化。行业正朝着能够协助构建和训练未来 AI 系统的方向发展。
而这似乎几乎不可能实现，除非------没错------递归自我改进（Recursive Self-Improvement） ：即一个能够设计和开发其自身后继者的 AI 系统。或者用可能让外行感到恐惧的话来说：AI 构建 AI。
但请抛开末日论调。**递归自我改进（RSI）**为 AI 驱动的研究开启了一个新阶段，这一阶段有可能从根本上加速科学和技术的进步。
研究是一个循环：提出想法 → 实现它 → 运行实验 → 验证结果 → 从中学习 → 并决定下一步尝试什么。
"递归自我改进作为一种研究循环"
然后重复、再重复，不断循环。在无数次尝试中，可能只有少数几个变体真正有效，也可能一个都没有。**递归自我改进（Recursive Self-Improvement）**系统的任务正是将这些阶段自动化。
在理想状态下，递归自我改进（Recursive Self-Improvement） 系统将在闭环实验管道中作为自动化研究助手运行。但现实情况是，这仍是一个早期方向。递归自我改进（Recursive Self-Improvement）才刚刚开始渗透进AI开发循环的各个部分，目前大多数现有工作仍处于后训练阶段（Post-training）或工作流层面，而非基础模型（Foundation Models）层面。 该术语容易让人误以为AI系统能独立发明全新的神经网络架构，但当前的研究更接近于自动化机器学习工程与自动化AI科研。
此外，还需要澄清一点......
自我改进智能体与递归自我改进的区别
在**递归自我改进（Recursive Self-Improvement）**成为焦点之前，研究人员花费了数年时间构建和探索自我改进智能体。既然两者都围绕"自我改进"展开，这两个概念是相同的吗？实际上并非如此。
关键的技术区别在于，当今的「自我改进智能体」（Self-improving Agents）主要优化的是它们的工作流------包括提示词（prompts）、工具、记忆、代码和任务执行------而真正的递归自我改进（Recursive Self-Improvement） 则旨在改进模型构建过程本身：即数据、架构、训练方法、评估以及更强后继模型的部署。决定在特定失败后**更改哪个部分**，并验证该更改是否有效，正是我们在《AI Builds AI》第2集中探讨的内容。
当一代AI系统的输出被用于创建下一代系统，且人类参与度逐渐降低时，递归特性便显现出来。这里存在一个递归程度的问题：
- 当前系统通常是：人类 → AI研究助手
- 更强的RSI系统将成为：人类 → AI研究员 → 改进后的AI研究员
- 而最强形式将是：AI研究员 → 改进后的AI研究员 → 更优秀的AI研究员
从这个角度来看，我们可以看出递归自我改进（Recursive Self-Improvement）并非一种二元能力，而是一个光谱。目前的系统仅实现了闭环中部分环节的自动化，而非整个闭环。关于闭环究竟在何处断裂------代理仅在2%的训练运行中切换策略------我们在《递归自我改进中的缺失环节》一文中进行了详细剖析。
"当前递归自我改进（Recursive Self-Improvement）谱系"
接下来，我们将带你深入了解几种最引人注目的递归自我改进（RSI）变体。请继续阅读，因为了解它们能助你抢占先机。从此刻起，RSI 的发展已进入加速轨道。
第一个 RSI 故事未必是最具实用性的，但它指明了方向。这正是我们从 Sakana人工智能实验室（Sakana AI）讲起的原因，因为其工作表明，RSI 不仅仅是一种产品或一项基准测试，而是一种长期的研究哲学。
Sakana人工智能实验室（Sakana AI）与 RSI 的基石
在过去两年里，日本的 Sakana人工智能实验室（Sakana AI）稳步迈向递归自我改进（RSI）。该机构认为，持续改进比资源规模更为重要。他们希望将这一原则应用于智能领域：通过更优的循环机制取得更多进展，而不仅仅是依赖更多的算力。
Sakana人工智能实验室（Sakana AI）的研究人员汇集了一系列令人印象深刻的工作成果，每个项目都为递归自我改进（RSI）的基石贡献了一部分。其中包括以下杰出成果：
- AI科学家（AI Scientist）------一个用于自动化科学发现的智能体。它从研究方向和代码库出发，生成研究构想并加以实现，运行实验、制作图表，随后撰写完整的论文，甚至执行自动同行评审。它将科学研究视为一个由 AI 驱动的迭代循环，从而感知到一个全局目标。
"Sakana的AI科学家"
图片来源：AI科学家原始论文
- **LLM平方（LLM-Squared）**让大语言模型发现了更优的大语言模型训练方法，并生成了 DiscoPOP------一种由大语言模型编写的偏好优化算法。
- **达尔文哥德尔机（Darwin Gödel Machine）**维持着一个不断进化的智能体谱系，这些智能体会重写自身的代码，使 SWE-bench 的性能提升了两倍多。
- **Shinka进化算法（ShinkaEvolve）**利用自适应采样和新颖性过滤，仅用 150 个样本就解决了优化问题。
- ALE-Agent通过从试错失败中学习，在 AtCoder Heuristic Contest 058 中获得了第一名。
- 数字红皇后（Digital Red Queen） 在 Core War 中利用对抗性协同进化，让由大语言模型编写的程序相互竞争并发展出新策略。达尔文哥德尔机是我们后来映射到具体循环阶段（从记忆、策略到智能体框架和评估器）的 九种递归自我改进方法 之一。
基于这一调研基础，Sakana人工智能实验室（Sakana AI）刚刚建立了 Sakana AI RSI Lab，旨在推动AI从静态调优迈向自我改进的轨迹。他们将该路径划分为四个阶段：
- 首先是 Agent-Native Models------从一开始就为智能体、世界模拟、工具使用和开放式工作流而设计的基础模型（Foundation Models）。
- 其次是 AI科学家（AI Scientist） 层，这些模型开始通过生成想法、运行实验、撰写论文和审查结果来进行端到端的科研。
- 下一步是 递归自我改进（Recursive Self-Improvement） 作为关键转折点。AI开始升级产生下一代AI的系统，开始编写、基准测试并验证对其自身基础架构的改进。
- 最终目标是 民主化的AI。Sakana认为，递归自我改进不应仅属于拥有最大算力集群的实验室。如果自我改进能够变得样本高效（sample-efficient），拥有较小但严肃算力预算的国家和机构也可以为其自身的科学、工业和国家需求构建AI系统。
"Sakana AI Launches RSI"
图片来源：Sakana AI Launches RSI lab blog post
Sakana人工智能实验室（Sakana AI）还有另一个优势：他们声称已经观察到了核心故障模式------系统偏离分布、在基准测试中表现良好但在实际部署中失败，以及找到绕过约束的捷径。
赠送订阅作为礼物
Anthropic在代码自动化方面的成就
在所有关于递归自我改进（Recursive Self-Improvement）的最新讨论中，Anthropic的新文章《当AI构建自身时》（When AI builds itself）确实非常有用。它生动地展示了递归自我改进（RSI）目前如何真正加速AI的构建过程。正如你所猜到的，关键在于代码。
截至2026年5月，合并到Anthropic代码库中的代码超过80%由Claude编写。在2025年2月Claude Code发布研究预览版之前，这一数字仅为个位数低位。在2026年第二季度，典型的Anthropic工程师每天合并的代码量约为2024年的8倍。
这并不意味着生产力真的提高了8倍。代码行数仅衡量数量，而非质量。但不要低估这一转变。工程师不再亲自逐行键入代码。他们让Claude生成实现方案，然后审查、重定向或批准结果。
但代码质量也在飞速提升。Anthropic（安特罗匹克）报告称，在最具开放性的编码任务中，Claude 的成功率在 2026 年 5 月达到了 76%------六个月内提升了 50 个百分点。其中有一些令人印象深刻的成果：Claude 调试了一次影响数万项任务的训练基础设施崩溃问题，并在大约两小时内找到了导致该问题的隐蔽标志位（flag）。这项工作通常需要人类花费两到三天才能完成。
此外，为了让 AI 系统的进化过程更加清晰可见，Anthropic 将 AI 开发划分为两个层面：
- 工程（Engineering）：编写代码、构建基础设施、运行系统。
- 研究（Research）：选择实验、解读结果，并决定下一步尝试的方向。
Claude 在第一类研究任务中已经非常强大，因为这类任务相对更容易------目标明确且结果可衡量。
Anthropic 通过给 Claude 提供训练小型 AI 模型的代码，并要求它在不破坏正确性检查的前提下加快训练速度来测试这一能力。于是，Claude 运行了一个微型的研究循环：编辑、运行、测量、重复。在 2025 年 5 月，Claude Opus 4 达到了约 3 倍的加速效果。到了 2026 年 4 月，Claude Mythos Preview 达到了约 52 倍的加速，而熟练的人类研究人员通常只需四到八小时就能达到 4 倍的加速。
更难的问题是，Claude 能否决定下一步该尝试什么。
例如，在一个关于"弱到强泛化"（weak-to-strong generalization）的开放式AI安全项目中，人类负责选择问题和评分标准。但由 Claude 驱动的智能体也提出了假设、运行实验、分享发现并进行迭代。两位人类研究员在短短一周内就弥补了约 23% 的性能差距；与此同时，智能体在累计 800 小时的运行中弥补了 97% 的差距，仅消耗了约 18,000 美元的算力成本。
随后，Anthropic 测试了 Claude 模型如何选择更好的下一步研究步骤。他们选取了研究人员走入死胡同的真实会话记录，并询问模型会采取何种替代方案。2025年11月，Claude Opus 4.5 的表现优于人类选择的比例达到 51%；到2026年4月，Mythos Preview 的这一比例已提升至 64%。
"当AI构建自身"
图片来源：当AI构建自身（Anthropic 博客文章）
这向我们揭示了什么？最高层级的判断力仍是当前的主要难点。Claude 能够完成所有工程层面的工作，但人类依然决定哪些问题至关重要、何种进展才算有效，以及哪些风险是可以接受的。
以上只是对某一特定领域的综述。那么，完整的研究闭环又是怎样的呢？
Recursive 的自动化 AI 研究系统
Recursive 打造了一套自动化的 AI 科研系统，其特别之处在于它试图自动化研究闭环中的每一个步骤。该工作流程如下：系统在长周期内运行大量的研究线程，保留先前实验中的有效上下文，合并具有潜力的分支，并在将其视为真正的进展之前，检查结果是否存在奖励黑客行为（Reward Hacking）以及方差。
该系统特别有趣的地方在于，它展示了进行微小改动、立即测试，然后将成功的尝试组合在一起的价值。这已经更接近真实研究人员的工作方式了。
Recursive 在三个具有明确指标的快速测试中对其进行了验证：
-
NanoChat Autoresearch：在固定的五分钟算力预算内，将小型语言模型（SLM）训练至最佳质量 该系统整合了一系列微小的、累积性的改进措施：包括架构调整、辅助损失函数、注意力机制微调、优化器行为、权重衰减调度、编译器设置以及短上下文记忆。其中有一个想法尤为突出。研究系统在注意力的值路径中加入了哈希二元组和三元组（2 和 3 个连续 token）的嵌入，从而在不增加太多计算量的情况下，为模型提供了廉价的局部 n-gram（由 n 个连续 token 组成）信息。即使是基于较弱的原始 Transformer 架构，该系统也通过结合哈希表、更优的多层感知机（MLP）、token 移位、权重平均以及字节级嵌入，找到了一套强大的训练配方。总体而言，Recursive 将验证集上的每字交叉熵损失（BPB）从 0.9372 降低至 0.9109，这意味着损失更低，且达到相同质量的速度提升了约 1.3 倍。 图片来源：《迈向自动化 AI 研究的第一步》（Recursive 博客文章）
-
NanoGPT Speedrun：尽可能快地将 SLM 训练至目标损失值 在过去的两年里，人类研究者已经将此项测试的训练时间从约 45 分钟压缩到了 79.7 秒。但 Recursive 的系统仍将其进一步缩短至 77.5 秒。 同样，这一结果是通过一系列细微的技术变更实现的：包括 FP8 注意力、融合 Triton 内核、优化器调整、谨慎的嵌入更新以及调度策略变更。从较弱的 15 分钟 Python 基线出发，该系统还通过使用拼接流注意力、逐层窗口大小、缩小注意力范围、跨层差异以及哈希二元组嵌入，将时间缩短至约 185 秒。
-
SOL-ExecBench：优化 GPU 内核以接近硬件极限 GPU 内核是一种运行单一操作的微型优化程序。在 235 个内核任务中，Recursive 将得分从 0.699 提升至 0.754，将性能差距缩小了 18%，使其更接近硬件最优性能。这些增益来自底层的 GPU 优化：包括更优的数据移动、融合操作、自定义 Triton 内核、FP4/FP8 技巧以及形状感知的分发机制。
最后一项基准测试也揭示了**奖励黑客行为（Reward Hacking）**的风险。部分候选方案之所以看起来更快，是因为它们利用了基准测试中的漏洞。这也是为什么严格的正确性检查成为了闭环中不可或缺的一部分。
结论：递归自我改进的第一步将我们引向何方
多年来，我们一直身处这样一个系统中：人类提供方向，而模型加速工作进程。如今，这一模式开始转变，以实现真正的递归自我改进（Recursive Self-Improvement），其形态将有所不同：由模型设定方向 → 执行工作 → 评估结果 → 构建下一个模型。
一旦这种情况发生，技术问题就转变为治理问题：在监督成为人类主要角色之前，我们可以将闭环中的多少部分委托出去？ 彼得·诺维格（Peter Norvig）以同样的方式阐述了这一观点：他认为递归自我改进是普通的工程问题，就像优化编译器曾经那样，而真正的问题在于人类保留了多大的控制权。
从当前的递归自我改进研究中我们可以看到，首先在进展易于衡量的领域实施递归自我改进是更好且更安全的做法。训练速度、损失曲线、GPU效率以及硬件感知优化------这些正是模型擅长改进的领域。更困难的领域将在稍后出现：安全性、可解释性、对齐性以及评估质量。
Anthropic 将早期的递归自我改进应用于编码领域，Recursive 试图将其应用于整个研究闭环，而 Sakana人工智能实验室（Sakana AI）正在构建其自身的理念与基础设施。
有趣的是，日本在 Sakana人工智能实验室（Sakana AI）的故事中也扮演着重要角色。该国拥有深厚的工程文化、强大的科学人才储备以及日益增长的自主人工智能（AI）雄心，但无法单纯依靠砸钱来与超大规模云服务商在暴力扩展（brute-force scaling）上抗衡。因此，这种限制反而转化为了一种策略：构建能够通过更优循环实现自我改进的 AI。
因此，或许递归自我改进（Recursive Self-Improvement, RSI）不仅是通往更强 AI 的路径，也可能成为减少进步对暴力算力依赖的一种方式。
如果你更喜欢视频内容，我们也在《Attention Span》的这一期节目中讨论了 RSI。
常见问题解答（FAQ）
什么是人工智能中的递归自我改进？
递归自我改进（Recursive Self-Improvement, RSI）的核心思想是：AI 系统能够协助改进那些创造未来 AI 的系统。在最极端的形态下，一名 AI 研究人员将设计、测试并构建出更优秀的 AI 研究人员，且人类参与的环节将越来越少。
递归自我改进已经发生了吗？
仅以早期且有限的形式存在。当前的系统可以自动化编码、实验、基准测试优化和研究工作流的部分环节，但它们尚未完全独立地设计和训练出更强的基础模型（Foundation Models）。
自我改进智能体与递归自我改进有什么区别？
自我改进智能体通常优化的是自身的工作流、提示词、工具、记忆或代码。而递归自我改进则深入得更远：它优化的是模型构建循环本身，包括数据、训练方法、架构、评估以及未来的 AI 系统。
为什么递归自我改进很重要？
递归自我改进（Recursive Self-Improvement，简称 RSI）之所以重要，是因为它能够通过自动化研究循环中的更多环节------包括提出想法、实施实验、测试结果以及选择下一个研究方向------来加速 AI 研究。其前景在于实现更快的进步；而风险则在于，随着改进循环日益自动化，人类可能会失去对这一过程的监督。
递归自我改进（Recursive Self-Improvement）有哪些风险？
主要风险包括评估不可靠、奖励黑客行为（Reward Hacking）、基准测试过拟合（Benchmark Overfitting）、自主性不安全以及人类监督薄弱。如果 AI 系统在优化可衡量的进步时，未能理解更广泛的后果，它们可能在通过测试的同时，在实际部署中失败。
原文 ：Recursive Self-Improvement: What RSI Means in 2026 · 作者：Alyona Vert.